fbpx

ROSEdge AI 728x90 MIX

aido banner new 6

現在位置: 艾鍗學院實體課程 AI課程總覽頁AI深度學習影像辨識實戰
★【111年度補助,小班重點教學】名額僅剩最後3名卡位要快
★ 本課程採取線上遠距教學 ,全台開課,歡迎免費洽詢!

課程介紹

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。

本課程全程實作導向,引領你學會必備的深度學習與影像處理核心觀念與應用技巧,一步步範例講解與實戰演練,教你如何運用深度學習的CNN、YOLO等演算法來進行影像偵測、識別高階影像應用。課程帶你掌握概念、上機演練程式碼,並由業界一線講師群分享AI應用經驗,將幫助你更容易理解各種AI方法的原理,不再似懂非懂,而是能快速將所學到的技術應用在自己有興趣的AI視覺處理領域。
AI computervision imageprocessing

課程特色

特色一:用實作讓你對影像辨識的技術豁然開朗
本課程強調"How to",用一些明顯易懂的觀念,讓你能掌握機器學習最核心的觀念與技術本質。為了提升學習的"有感度",於每一個原理和演算法解說後,都會搭配實際程式範例,來進行上機實作演練。透過講師Step by Step講解,你將可以快速學會電腦視覺與深度學習的應用方法,包含影像處理、影像變換、特徵檢測與影像辨識等。不再讓您上完課,好像知道很多東西可是卻又不知道從何開始。

特色二:縮短專案時程,確保產出
影像辨識在電子、資訊、金融、零售、醫療、通訊、物流等領域如火如荼的發展,你都可能透過深度學習解決過去難以解決的影像辨識問題。然而這些演算法也並非就是萬靈丹,尤其在資料科學領域,在不對的問題上找答案,往往都是徒勞無功。也許您正在或是未來將接觸AI相關工作,實務上可能會遇到的問題也都可以拿來和講師多交流討論,也將有助於縮短專案時程,確保產出。

特色三:產業AI工程師實務親授
本課程由業界資深工程師親授,將多年的實務開發經驗淬鍊在教學內容中,幫助學員快速掌握技術關鍵,跨越自學卡關的障礙,節省寶貴時間,能迅速投入於你有興趣的電腦視覺領域,像是ROS機器人開發、自駕車演算法開發、醫療影像識別等。

 AI feature 5

學習目標
  1. 了解機器學習的核心觀念與常見的分類演算法。
  2. 會使用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network等機器學習實作。
  3. 了解深度學習的核心觀念、工作原理及各種訓練技巧。
  4. 會使用Keras/TensorFlow 進行DNN、CNN、RNN/LSTM、GAN、遷移式學習等深度學習演算法實作。
  5. 了解CNN模型與工作原理並能實作CNN影像分類與進階技巧。
  6. 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。
  7. 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)。
  8. 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。
  9. 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。
  10. 主題實戰-AOI測量、醫學影像應用、視訊處理與視訊穩定、圖片辨識、物件辨識等。

※ 完訓後提供結業證書,豐富個人履歷即戰力

影像處理階級

適合對象
  • 對電腦視覺與深度學習有興趣者
  • 即將投入深度學習電腦視覺應用的工程師或專案人員,欲將電腦視覺深度學習方法應用在工作上 ,像是AOI(自動光學檢測)、無人駕駛、人臉識別、車輛識別、VR/AR、安防、機器人開發…
  • 正從事深度學習的電腦視覺應用的工程師或專案人員,想了解如何加快開發流程的技術
  • 想學會電腦視覺演算法撰寫、測試與調校的您
  • 沒相關背景但對電腦視覺有興趣,或是接觸過卻似懂非懂,不知如何開始的學員
  • 本課程沒有高深複雜的數學原理,只要具備簡單高中數學基礎即可,依照老師教學進度Step by Step學習,就可以自然而然地學會影像辨識的觀念與技術

ai-edge

課程大綱
機器學習與深度學習應用實戰 ※ 點選可展開看詳細課程內容

➢機器學習實戰是以Scikit Learn為主,搭配Python範例程式碼講解

  • 何謂機器學習
    • 機器學習的實現程序
    • 監督式學習、非監督式學習、半監督式學習
    • 機器學習3大要素:Representation、Evaluation、Optimization…
    • 重要名詞解說: Model、特徵(feature)、標籤(-Label)、Training data、Testing data、Overfitting…
    • 評估機器學習模型的好壞

      • 定義損失函數(Loss Function)
      • 均方根誤差(RMSE)
    • 機器學習模型訓練資料建立方法

      • 如何避免過擬合(Overfitting) & 欠擬合(Underfitting)
      • 交叉驗證法(Cross Validation)
    • 資料前/預處理基於機器學習中之應用

      • 資料標準化(Standardization)
      • 降維(Dimension Reduction):主成分分析(PCA)
    • 判斷模型預測能力的方法

      • 混淆矩陣、準確率(Precison)、覆蓋率(Recall,也叫作召回率)、
        皮氏F-分數(Piotroski F-Score ,FSC)、ROC曲線、AUC曲線
  • 機器學習演算法實作 – 監督式學習
    • Regression迴歸

      • 多變量迴歸
    • Classification分類

      • 羅吉斯迴歸(Logistic Regression)
      • 決策樹(Decision Trees)
      • 支持向量機(Support Vector Machine)
      • 最近距離分群法(KNN)
  • 機器學習演算法實作 – 非監督式學習
    • 分群(Clustering)

      • K-means

 

➢深度學習實戰是以 Keras、TensorFlow 深度學習平台為主

  • 深度學習導論
    • 人工智慧 vs 機器學習 vs 深度學習
    • DL框架介紹(TensorFlow、Keras、Pytorch… )
    • 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)
      • 過擬合(Overfitting)處理:Dropout
      • 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
  • 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
      • 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: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
    • 遞歸神經網路(RNN)

      • 原理與架構說明
      • Gradient Vanish(梯度消失)
      • LSTM(Long Short-Term Memory)模型說明
      • Early Stopping
      • 應用說明:自然語言處理(Nature language processing)、詞向量(word vector / word embedding)、時間序列(Time series)
      • 主題實作:詞性標註、情緒分析、多維連續資料預測
    • 遷移式學習(Transfer Learning)

      • 原理說明:Keras後端函數應用、反轉梯度
      • 主題實作:南瓜/西瓜/蕃茄辨識
    • 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)
    • 推薦系統(Recommender Systems)
    • 發展與部署深度學習系統時,實務上的考量
  • 深度學習應用主題解說
    • 物件辨識實作(object detection)

      • 影像Lable方法解說
      • YOLO模型教學
      • YOLO模型實作解說
    • 聲音訊號處理

      • 降噪演算法實作解說
    • 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
    • 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

※ 以上所列之深度學習應用主題,每梯次選用可能不同

電腦視覺與影像處理實戰
  • 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
    • 0004 OP
  • 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
    • 0001 OP0002 OP
  • 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
    • Object Detection
  • 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
        • CXR 0003
        • 計算混淆矩陣(Confusion matrix)

medicine photo

※ 實戰演練的範例將會依據上課實際狀況進行調整

精彩內容搶先看

【電腦視覺與影像處理搶先看】

業界師資
Elvis老師

Elvis老師

美國聖路易大學生物資訊博士

知名國際3C製造大廠人工智慧研發部門主管

生物資訊 / 自然語言處理 / 統計推論 / 科學計算 / 數據科學 / 資料探勘 / 數值最佳化 / 資料庫 巨量資料處理 / 機器學習

Jeffery老師

Jeffery老師

台灣大學土木工程研究所博士

知名上市資訊科技大廠大數據部門研發主管

類神經網路 / 基因演算法 / 最佳化演算法 / 結構力學 / 有限元素法 / 生醫影像處理

Tim老師

Tim老師

輔仁大學應用科學與工程研究所博士

知名上市電子消費品大廠AI研發部門資深工程師

機器學習 / 機器人開發 / 密碼學 / 影像壓縮 / 數位訊號處理 / 生醫資訊/生醫影像處理

Lau老師

Lau老師

中正大學電機工程碩士

國內記憶體龍頭廠:研發技術副理 / 知名新創影像分析公司:技術顧問/電腦視覺科學家

Computer Vision / OpenCV影像處理與電腦視覺 / 嵌入式Linux系統 / C/C++ / GPGPU 技術 (Nvidia CUDA)

Luke老師

Luke老師

海洋大學運輸所碩士

資深系統工程師

地理資料分析呈現 / 資料庫設計 /Machine Learning運算模組開發 / Deep Learning CNN,RNN

David老師

David老師

中央大學資訊工程系碩士

前深圳知名科技公司技術總監

台灣知名上市科技公司經理

工業檢測2D/3D AOI / 醫療與工業深度學習 / 機器人視覺 / 演算法開發 / 軟體架構

課程諮詢

學習本課程的人也學習了...

Q&A
共享經濟時代來臨,除了本業,你還擁有什麼?除了職稱,你還有沒有比名片更亮眼的故事?不是迫於生存,而是不甘平庸!越來越多人不再滿足於單一職業和身分的束縛,AI風潮席捲,越來越多非理工背景的產業菁英投入AI技能的培養。本課程以模組實作式的教學,透過每次的原理講解與實作,循序漸進地帶你自然而然地學會個階段技能。透過講師的豐富經驗,幫助你節省寶貴時間,快速跨越自學的障礙。只要你能配合老師的教學安排,勤加練習,不怕學不會。
程式是幫助你實現想法的工具,根據許多程式高手的經驗分享,想學好程式,從你有興趣的應用開始,是最有成效的。如果你對電腦視覺與影像處理的領域有興趣,本課程的每個練習都附有完整的範例碼,講師也會清楚地講解重要的觀念,讓你從實作中,逐漸了解各種應用內涵,幫助你自然而然地學會程式語言。若你還想學習更深的程式技能,課程顧問也會協助你挑選最合適的方案。只要你願意全心全意地學習,在艾鍗專業的教學安排下,不怕學不會。
本學程全程使用Python,領你縱橫工業AOI、醫學影像、視頻監控等影像應用
完訓後提供結業證書,豐富個人履歷即戰力。

學員反饋
  •  學到很多 對工作很有幫助
  •  收穫滿滿
  •  獲益良多!建議多開AI GPU等相關課程
  •  第一次體驗遠距教學,整體的感覺很不錯。
  •  課程相當有趣,老師很專業,且講課淺顯易懂,讓我學到很多
  •  獲益良多,謝謝老師講解很清楚
  •  了解深度學習細部運作模式
  •  符合目前工作上之運用
  •  理解如何應用OpenCV解決問題
  •  能區塊的講解程式並提供經驗
  •  理論和實作併行,講義內容豐富,老師解說精確
  •  非常清楚;更有實感
  •  王同學:學到python影像辨識,能用到智慧農業
  •  何同學:利用課程所學的影像處理技術與Neural Network+強化學習,完成公司AI計畫
  •  嚴同學:原理說明,實機操演
  •  黃同學:程式實作演練收穫很多
  •  柯同學:規劃的很充實
  •  張同學:運用課程教到的影像辨識技術,完成了自製的小專案。