教学计划

本课程采用线上线下混合式教育模式进行，由于当前仍然属于建设期，因此资源将持续更新，恕不额外进行通告。本课程采用多种形式展开教学，主要包含如下几种模式。

授课时间 课程内容 在线资源 作业及资料
  • 1
  • 2.26
  • 课程导学 （3课时）
  • 1. 课程基本信息
  • 2. 课程组织形式
  • 3. 课程作业与考核
  • 4. 学习建议
  • 5. 实验环境的安装和调试
  • 2
  • 3.5
  • 第1讲 人工智能概述（3课时）
  • 1. 人工智能的基本概念
  • 2. 人工智能的发展简介
  • 3. 人工智能发展的理论前沿
  • 4. 人工智能发展的技术前沿
  • 5. 人工智能发展的产业前沿
  • 3
  • 3.12
  • 第2讲 计算机视觉概述（3课时）
  • 1. 计算机视觉概述
  • 2. 计算机视觉简史
  • 3. 基于深度学习的视频内容理解
  • 4. 面向海量视频的视觉计算与识别
  • 4
  • 3.19
  • 第3讲 初识神经网络（一）（3课时）
  • 1. 深度学习概述
  • 2. 神经网络的工作原理
  • 3. 神经网络的关键点
  •  
  • [课堂互动03] 深度学习概述@1.4-1.6
    		•
    • 5
    • 3.26
    • 第3讲 初识神经网络（二）（3课时）
    • 4. 数据准备（Data Preparation）
    • 5. 数据读取（Data Reading）
    • 6. 数据增广（Data Augmentation）
    •  
  • [项目003] 数据准备
  • [项目004] 数据规约与数据增广（选做）
    		•
    • Competitions
    • 截止日期：2025年5月11日 23:59
    • 6
    • 4.2
    • 第4讲 深度神经网络（AlexNet）（3课时）
    • 1. AlexNet和ImageNet简介
    • 2. AlexNet的网络体系结构
    • 3. AlexNet的技术细节一：数据预处理和数据增广
    • 4. AlexNet的技术细节二：模型优化
    • 5. AlexNet的技术细节三：训练与测试
    • 7
    • 4.9
    • 第5讲 网络的模块化（VGGNet）（1课时）
    • 1. VGG的特点
    • 2. VGG架构的详细分析
    • 第6讲 多分支网络（GoogLeNet）（2课时）
    • 1. 网络中的网络（Network In Network）
    • 2. Inception模块
    • 3. GoogLeNet体系结构详解
    • 4. GoogLeNet的变种模型
    • 8
    • 4.16
    • 第7讲 残差网络（ResNet）（3课时）
    • 1. ResNet网络概述
    • 2. 残差块的基本设计思路
    • 3. ResNet网络体系结构详解
    • 9-10
    • 4.23
    • 4.30
    • 第8讲 迁移学习技术（3课时）
    • 1. 迁移学习概述
    • 2. 迁移学习的微调策略
    • 3. 迁移学习在视觉任务中的应用
    • Competitions
    • 截止日期：2025年6月22日 23:59
    • 11-14
    • 5.7
    • 5.14
    • 5.21
    • 5.28
    • 第9讲 目标检测（12课时）
    • 1. 目标检测概述
    • 2. 传统目标检测技术
    • 3. 关键技术简介
    • 4. 基于两阶段方法的目标检测
    • 5. 基于单阶段方法的目标检测
    • 6. 基于Anchor-Free的目标检测
    • 7. Beyond 2D
    • 15-17
    • 6.4
    • 6.11
    • 6.18
    • 第10讲 图像分割（9课时）
    • 1. 图像分割概述
    • 2. 评价指标和关键技术
    • 3. 经典图像分割模型
    • 4. 实例分割和全景分割
    • 18
    • 6.25
    • 第11讲 其他经典图像分析任务（3课时）
    • 1.图像检索、目标跟踪、风格迁移
    • 2.细粒度识别、标题生成、文字检测与识别
    • 3.超分辨率与超像素、医学影像分析
    • FinalExam
    • 截止日期：2025年6月29日 23:59