机器之心报道
编辑：小舟、杜伟
讲 CS231n 的 Justin Johnson 在密歇根大学推出了一套计算机视觉的进阶课程。
计算机视觉在日常生活中已经无处不在。从搜索引擎、图像理解、地图、医疗、无人机、自动驾驶到各类手机 app，都离不开计算机视觉。这些应用中有许多像图像分类和目标检测这样的视觉识别任务，而神经 *** 方面的进展大大提高了视觉识别系统的性能。
来自密歇根大学的 Justin Johnson 在 2019 年秋季推出了一套新的课程，该课程深入探讨了基于神经 *** 的计算机视觉深度学习 *** 的细节。这一课程近日已在 *** 上开放。
课程视频链接：https://www.***.com/playlist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r
课程概况
这套 2019 年秋季的计算机视觉课程名为「Deep Learning for Computer Vision」，课程讲授者是来自密歇根大学的 Justin Johnson。作为斯坦福大学李飞飞教授的学生，Justin Johnson 曾和李飞飞一起讲授斯坦福大学计算机视觉经典课程 CS231n。
Justin Johnson，图源：https://web.eecs.umich.edu/~justincj/。
目前，Justin Johnson 正在密歇根大学担任助理教授，同时他也是 Facebook AI 研究所的客座科学家。他的研究兴趣主要是计算机视觉和机器学习，研究涉及视觉推理、视觉和语言、图像生成以及使用深度神经 *** 的 3D 推理。
在「Deep Learning for Computer Vision」课程中，学生可以学习到实现、训练和调试自己的神经 *** ，并能够详细了解计算机视觉前沿研究的知识。课程中介绍了学习算法、神经 *** 架构以及用于训练和微调视觉识别任务 *** 的实用工程技巧。
22 个课时、19 个主题、历时 3 个多月
密歇根大学 2019 秋季「Deep Learning for Computer Vision」课程历时 3 个多月，共计 22 个课时，19 个主题。
课时 1：计算机视觉深度学习简介，包括历史背景和当前发展概述；
课时 2：图像分类，包括数据驱动 *** 、最近邻算法、超参数和交叉验证；
课时 3：线性分类器，包括 Softmax 或 SVM 分类器和 L2 正则化；
课时 4：优化，包括随机梯度下降、动量、AdaGrad、Adam 和二阶优化器；
课时 5：神经 *** ，包括特征转换、全连接 *** 、泛逼近（universal approximation ）和凸性。
课时 6：反向传播，包括计算图、反向传播和矩阵乘法示例；
课时 7：卷积 *** ，包括卷积、池化和批归一化；
课时 8：CNN 架构，包括 AlexNet、VGG、ResNet、大小 VS 准确性、分组和可分离卷积以及神经架构搜索；
课时 9：硬件和软件，包括 CPU、GPU、TPU、动态与静态图以及 PyTorch 和 TensorFlow；
课时 10：神经 *** 训练 I，包括激活函数、数据预处理、权重初始化、数据增广和正则化（Dropout 等）；
课时 11：神经 *** 训练 II，包括学习率方案、超参数优化、模型集成、迁移学习和大批量训练；
课时 12：递归 *** ，包括 RNN、LSTM、GRU、语言建模、序列到序列、图像标注和视觉问题；
课时 13：注意力，包括多模态注意力、自注意力和 Transformers；
课时 14：可视化和理解，包括特征可视化、对抗性示例以及 DeepDream 和风格迁移；
课时 15：目标检测，包括单级检测器和两级检测器；
课时 16：图像分割，包括语义分割、实例分割和关键点估计；
课时 17：3D 视觉，包括 3D 形状表示、深度估计、3D 形状预测以及立体像素、点云、SDF 和网格；
课时 18：视频，包括视频分类、早期和后期融合、3D CNN 和双流 *** ；
课时 19：生成模型 I，包括监督与无监督学习、判别与生成模型、自回归模型和变分自编码器；
课时 20：生成模型 II，包括变分更强的自编码器和生成对抗 *** ；
课时 21：强化学习，包括强化学习问题设置、贝尔曼方程、Q 学习和策略梯度；
课时 22：课程总结，包括课程回顾和计算机视觉的发展展望。
对课程主题感兴趣的小伙伴赶快去观看视频了！
参考链接：
https://web.eecs.umich.edu/~justincj/
https://web.eecs.umich.edu/~justincj/teaching/eecs498/schedule.html
