影像辨識領域是近年來深度學習最蓬勃發展的一塊領域，舉凡智慧家居、自駕車、生產瑕疵品檢測、安防監控、醫療影像等應用，都和深度學習影像辨識技術息息相關。而如果想從深度學習中的影像辨識模型得到一個理想的結果(高準確率)，影像資料的預處理/前處理，是非常重要的關鍵之一。有效的影像前處理/預處理，意味著透過專業的影像處理技巧，降低影像中的雜訊(noise)，讓模型進行特徵提取時能更精準，降低運算資源的負擔，模型的精準度才會高。

1. 熟悉數位影像於電腦中的表現形式，包含：儲存格式、讀取及寫入、像素運算。
2. 理解數位影像處理原理並能實作，包含：影像去雜訊、影像品質增強、影像重採樣(降維/增維)。
3. 理解數位電腦視覺原理並能實作，包含：影像特徵提取、特徵強化、輪廓萃取、卷積運算、型態學運算。
4. 充分活用 OpenCV 函式庫，包含：影像處理、影片(視訊)處理、高階 GUI 工具(圖形互動介面)、Image Processing 演算法實務、Computer Vision 演算法實務。
5. 主題實戰-AOI測量、醫學影像應用、YOLO實現物件偵測
6. 了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping
7. 學會使用Keras進行深層神經網路(DNN)實作
8. 了解CNN模型與工作原理並能實作CNN影像分類與進階技巧

• 影像處理概述
  • 數位影像的生成與結構
• OpenCV 基礎認識
  • OpenCV可以做什麼
  • 函式庫的組成及內容
• 環境配置
  • IDE + CV Library
• 初試啼聲
  • Hello OpenCV
• 影像格式與資料結構
  • 影像格式
  • 基本資料型態
• 影像檔案讀取、儲存
• 影像通道轉換
• 色彩空間轉換 (原理 & 實作)
• 電腦視覺概述
  • 產業趨勢分享與解析
  • 從事影像演算法研發人員在產業中的定位
• 像素層級運算(Pixel Level)
  • OpenCV Data Type結構深入理解
• 影像前處理 (原理 & 實作)
  • 影像二值化 、閾值分析、影像去雜訊、影像模糊、影像強化、影像縮放
• 影像去雜訊(原理 & 實作)
• 影像模糊(原理 & 實作)
• 影像強化(原理 & 實作)
• 影像縮放(原理 & 實作)
• 影像模板匹配
• OpenCV 使用者介面事件(高階 GUI)
  • 滑鼠事件處理
  • 滑桿事件處理
• OSD繪圖
• OSD文字處理
• ROI處理
• 卷積運算理論 & 實務
  • 型態學運算(原理 & 實作)
  • 輪廓搜尋 & 提取 (原理 & 實作)
  • 邊緣偵測 (原理 & 實作 )
• 從影像處理到電腦視覺
  • Image Feature Extraction
  • 直線偵測(原理 & 實作)
  • 圓形偵測(原理 & 實作)
  • 角點偵測(原理 & 實作)
  • 影像物件計數、影像物件分析
• 從影像到影片 Video Processing&Analysis
  • 影片資料處理
  • 攝影機取像、運算、儲存
  • 視訊檔案讀取
  • 取得視訊屬性
• 透過VidStab模組實作視頻穩定
  • 使用VidStab類
  • 幀到幀的座標轉換
  • 使用Borders與Frame Layering
  • 套用視頻穩定算法
  • 應用於線上視頻
  • 
• AOI測量
  • 手把手帶你打造自己的AOI測量演算法
  • 取得邊緣點
  • 擬合直線
  • 測量線到線的距離
  • 
• AI運算與應用
  • YOLO算法原理介紹
  • OpenCV CNN
  • 透過YOLO3-4-py模組實現物件偵測
• 醫學影像應用
  • 醫學影像基本知識
  • 醫學影像的讀取與顯示
  • 透過OpenCV實作CXR肺分割
    • 移除脊椎
    • 影像正規化
    • 影像二值化
    • 角點偵測
    • 計算肺部區域
    • 
    • 計算混淆矩陣(Confusion matrix)

• 深度學習導論
  • 人工智慧 vs 機器學習 vs 深度學習
  • GPU(Nvidia GTX 1080T) 介紹與資源配置
  • DL框架介紹(TensorFlow、Keras、CUDA… )
  • Google Colaboratory 教學
• 神經網路與深度學習架構

  • Deeper Neural Network (DNN)說明：

    • Neural Network 的原理與架構：Neuron(神經元)、Perceptron(感知器)
    • Activation Function(激勵函數): Relu、Sigmoid、tanh…
    • Optimization(最佳化)：線性回歸、Gradient Descent(梯度下降法)、SGD(隨機梯度下降法)、Momentum(動量法)、Adam(適應性矩估計)…
    • 過擬合(Overfitting)處理：Dropout、Regularization
    • 存入與讀取模型(model)與權重(weights)
    • 主題實作：神經網路實作、MNIST手寫數字辨識、CIFAR-10實作、乳腺癌診斷分析
• 常見深度學習模型解說與演練

  • 卷積神經網路(CNN)

    • 原理與架構說明： Convolutional Layer (卷積層)、Pooling Layer (池化層)、Fully Connected Layer (全連階層)
    • 常用模型應用說明：VGG16、VGG19、ResNet50、InceptionV3
    • 其他方法說明：Backpropagation(反向傳播法)、Autoencoder
    • CNN與影像辨識實務應用說明：分類(Classification)、Semantic按語意切割(Segmentation)、定位(Classification + Localization)、物體偵測(Object Detection)、實體切割(Instance Segmentation)
    • 主題實作：卡通圖像角色辨識、模型實作(載入模型、訓練模型、新建模型、調整參數、績效評估、Fine-tuning)、圖片辨識、圖片去雜訊

  • 遞歸神經網路(RNN)

    • RNN原理與架構說明
    • LSTM(Long Short-Term Memory)模型說明
    • 應用說明：時間序列(Time series)、詞向量(word vector / word
    • 主題實作：美國國際航空乘客量分析、情緒分析、中英翻譯

  • 遷移式學習(Transfer Learning)

    • Keras後端函數應用、反轉梯度
    • 主題實作：梵谷畫作風格轉換

  • 生成對抗網路(GAN，Generative Adversarial Networks)

    • 生成器 (Generator) 和鑑別器 (Discriminator)
    • 改進的版本介紹：DCGAN(Deep Convolutional Generative Adversarial Networks)

  • 強化學習(Reinforcement Learning)

    • 原理說明：自動進行決策，並且可以做連續決策
    • 四個元素：agent、環境狀態、行動、獎勵
    • Q-Learning解說
      • 逆向增強式學習 (Inverse Reinforcement Learning)
      • 主題解說：訓練電腦玩遊戲、機器人運動控制
  • 推薦系統(Recommender Systems)
• 深度學習應用主題解說

  • 交通號誌辨識

    • 使用OpenCV進行影像預處理(通道轉換、標準化、資料增加…)
    • CNN model實作解說

  • 主題式物件辨識(object detection)

    • 影像Lable方法解說
    • YOLO模型教學
    • YOLO模型實作解說

  • 人臉辨識

    • 人臉偵測 mtcnn(Multi-task Cascaded Convolutional Networks)、opencv、dlib套件解說
    • 資料前處理:人臉轉換、對齊與裁剪… 人臉特徵擷取(使用FaceNet的模型與演算法)
    • 人臉特徵比對 (使用LinearSVC的分類演算法)

  • 在iPhone上用YOLO model實現人臉偵測

    • iOS開發介面簡介
    • YOLO model 移植教學

  • 不均衡數據處理與奇異值分析(novelty detection / Outlier Detection)實作

    • 產線數據分析與課程所學之應用設計
• 實務問題與解決方案探討