CV计算机视觉

第一阶段

OpenCV PIL与图形处理代码实战

1、OpenCV 安装

2、摄像头操作

3、图像基本操作

4、颜色空间转换

5、阈值分割

6、图像几何变换

7、图像混合

8、平滑图像

9、边缘检测

10、腐蚀与膨胀

11、轮廓与特征

12、直方图  

13、模板匹配

第二阶段 CV 深度学习项目课

CV项目前置知识

传统计算机视觉框架OpenCV基本应用

目标检测相关检测算法知识：RCNN、Fast RCNN、Faster RCNN、SSD、YOLO v1-v8、DETR、Anchor DETR等

目标追踪相关算法知识：匈牙利算法、卡尔曼滤波、Deep Sort等

人脸识别相关算法知识：Deep Face、Face Net、Ada Face等

OCR字符识别相关算法知识：CNN、RNN等

图像生成相关算法知识：VAE、GAN、Stable Diffusion、Diffusion Transformers等

图像分割相关算法知识：U-Net、DeepLab、YOLO v5-v8等

项目应用相关知识：视频结构化处理流程、模型部署应用流程等

CV项目一：目标检测（一种工业缺陷检测，违规车牌检测，自动驾驶等核心技术）

目标检测效果展示

目标检测项目背景和应用场景

目标检测常用算法RCNN、Fast RCNN、Faster RCNN、SSD、YOLO v1-v9介绍及原理

RPN网络结构及原理

ROI pooling实现

anchors生成原理

NMS和Soft NMS

上采样

膨胀卷积

多任务损失函数设计

IOU计算原理

边框回归

目标分类损失函数设计和改进

难样本挖掘之Focus Loss设计

目标检测评价指标介绍

算法准确率提升之检测框集成

算法准确率提升之特征集成

制作自己的目标检测数据之数据标注

制作自己的目标检测数据之数据转化为结构化数据

模型源码讲解之模块设计思想

模型源码讲解之代码剖析

模型源码讲解之代码详细调试

模型的训练和调参技巧

模型的部署及预测

CV项目二：人脸识别（支付宝刷脸支付，公安部人脸认证，人脸考勤等）

人脸识别效果展示

人脸识别项目背景，应用场景，实现原理

不同人脸识别算法Center Loss，SphereFace，Cosine Margin Loss，Angular Margin Loss优缺点分析，如何设计高准确率的人脸检测模型

人脸识别损失函数设计原理

Arcface等论文导读及算法详解

人脸识别数据标注方法，标签生成

人脸识别算法的架构和模块详解

数据增强与样本不均衡处理

模型源码讲解之人脸识别特征提取网络设计

模型源码讲解之Arcface代码实现

模型源码讲解之模型优化及准确率提升技巧

模型源码讲解之预测模块实现和部署

CV项目三：基于神经辐射场的3D场景重建及语义分析

NeRF基础与原理

NeRF简介：NeRF原理及应用场景

NeRF基本原理：体渲染和辐射场的概念

NeRF算法流程：从图像采样到体渲染的全过程

安装与设置：NeRF的环境配置与依赖安装

相机标定技术原理与应用

3D场景重建

数据准备：多视角图像数据集的采集与处理

NeRF模型训练：输入图像数据，训练NeRF模型

场景重建：从训练好的NeRF模型生成3D场景

质量评估：如何评估3D重建的质量（PSNR、SSIM等）

NeRF模型优化

加速训练：使用优化算法加速NeRF训练过程

模型精度提升：提高3D场景重建精度的技巧

数据增强：通过数据增强提升NeRF模型的泛化能力

实战案例：通过具体项目展示如何优化NeRF模型

语义分析基础

语义分割简介：什么是语义分割及其应用

语义标签：为3D场景添加语义标签的概念与方法

深度学习基础：用于语义分割的基本深度学习技术

数据集准备：语义分割任务的数据集准备与标注

3D场景的语义分析

语义分割模型：常用的语义分割模型及其实现（如UNet、DeepLab等）

模型训练与优化：训练语义分割模型，并进行参数调优

语义标签融合：将语义标签融合到NeRF生成的3D场景中

综合应用：在实际项目中进行3D场景重建与语义分析的综合应用