这门课解决什么问题：从图像识别到目标检测的工程落地

很多想转行计算机视觉的人，常被网上零散的图像分类教程困住：能跑通手写数字识别，却处理不了真实业务里的多目标定位。这门课的主线非常明确，就是带你走通从图像处理、机器学习到深度学习的底层逻辑，最终把重点落在目标检测这一高频工作场景上。它解决的核心问题是，面对一张包含多个物体的复杂图片，如何用算法框出特定目标并识别类别。资料里对 R-CNN 系列演进、零样本检测等前沿方向有专门梳理，能帮你在做实际项目时建立选型判断力，而不是只会套现成模型。至于标题里附带的大数据或薪资承诺，建议直接忽略，把注意力集中在视觉算法本身。

适合什么基础与建议学习顺序

这门资料不适合完全零基础的人。它默认你懂基本的 Python 语法，对矩阵运算有概念，但不需要你提前学过深度学习框架。建议按资料编排的顺序推进，先过一遍预习阶段的图像处理基础，把直方图、滤波、图像拼接这些传统视觉操作跑通，再进入机器学习与神经网络环节，最后专攻目标检测。在看检测算法时，不要跳过滑动窗口到 Faster R-CNN 的演进过程，这部分虽然看着旧，但能帮你理解为什么后来会出现两阶段检测的精度优势。零样本检测和遗留问题这两块，适合在掌握基础检测逻辑后再看，作为了解前沿趋势的补充。

学完能独立做什么与资料配合方法

学完后，你应该能独立完成一个多目标检测任务：从准备数据集、搭建模型、调整网络结构到输出带有边界框的预测结果。资料里包含了在线实训环节，这是配合理论练习的关键。建议在看 R-CNN 系列视频时，同步打开实训代码，把视频里讲的候选区域生成、特征提取和分类回归步骤，在代码里对应找出来。不要只看不动手，图像拼接和框架搭建的实训作业，最好自己从头敲一遍，遇到报错先查文档。把基础理论和代码实现对应上，才算真正把这门课的资料用透了。


限免试听：Two-Stage物体检测限免试听：2019物体检测领域新趋势预习阶段：掌握计算机视觉技术的基础第一阶段 掌握机器学习与深度学习基础第二阶段 掌握深度

课程目录

*   限免试听：Two-Stage物体检测/

  *   在线视频：目标检测中的发展路线和基础知识

  *   在线视频：滑动窗口和R-CNN

  *   在线视频：Fast R-CNN

  *   在线视频：Faster R-CNN

*   限免试听：2019物体检测领域新趋势/

  *   在线视频：零样本物体检测介绍

  *   在线视频：目标检测遗留问题

  *   在线视频：物体检测新方法

  *   在线视频：物体检测代码

*   预习阶段：掌握计算机视觉技术的基础/

  *   在线视频：图像处理基础

  *   在线视频：图像处理进阶

  *   在线实训：图像拼接

  *   在线视频：计算机视觉基础

*   第一阶段 掌握机器学习与深度学习基础/

  *   在线视频：机器学习基础和神经网络

  *   在线实训：使用TensorFlow/Keras快速搭建神经网络进行图像分类

  *   在线视频：深度卷积神经网络原理与实践

  *   在线实训：百行代码实现Kaggle图像分类竞赛Top-5%

  *   在线直播：传统计算机视觉概述

  *   在线直播：夯实ML与DL基础

*   第二阶段 掌握深度学习高级技巧/

  *   在线视频：解析SOTA深度卷积神经网络及调参优化技巧

  *   在线实训：使用Autoencoder和ConvNets构建图像搜索系统

  *   在线视频：大规模车辆图片搜索/重识别(ReID)

  *   在线实训：使用TensorFlow/Keras由浅入深搭建规模车辆图片搜索系统

  *   在线直播：Two-Stage物体检测

  *   在线直播：One-Stage物体检测

*   第三阶段 掌握目标跟踪与语义分割/

  *   在线视频：目标检测及其在无人驾驶领域的作用

  *   在线实训：使用TensorFlow/PyTorch在COCO数据集上进行目标检测

  *   在线视频：深度学习在图像语义分割中的应用

  *   在线实训：使用TensorFlow在COCO数据集上进行语义分割

  *   在线直播：比目标检测难度更大的视觉目标跟踪技术

  *   在线直播：语义分割的核心算法与工业应用

*   第四阶段 从CV技术前沿到CV竞赛实战/

  *   在线视频：RNN及其应用（image captioning and VQA）

  *   在线实训：使用Keras/PyTorch 搭建一个Image Caption模型

  *   在线视频：深度学习前沿：理解AlphaGo （强化学习） 和生成模型（GAN）背后的原理

  *   在线实训：手把手教你如何使用TensorFlow/PyTorch实现GAN

  *   在线直播：轻量级卷积神经网络与模型压缩

  *   在线直播：临阵磨枪之Kaggle比赛经验速成

*   第五阶段 整体流程介绍与项目任务书发布/

  *   在线直播：项目1 图像分割系统的介绍

  *   在线直播：项目2 人体关节点提取的介绍

  *   在线直播：项目3 跨镜追踪/重识别（ReID）背景及基本思路

*   第六阶段 环境配置与特征工程/

  *   在线直播：项目1 图像分割系统的特征工程

  *   在线直播：项目2 人体关节点提取的基本方法详解

  *   在线直播：项目3 跨镜追踪/重识别（ReID）的Baseline搭建（训练/评测）

*   第七阶段 模型构建与迭代优化/

  *   在线直播：项目1 图像分割系统的模型构建

  *   在线直播：项目2 人体关节点提取的模型构建

  *   在线直播：项目3 跨镜追踪/重识别（ReID）的Baseline搭建（Data Generator/训练技巧）

*   第八阶段 模型的评估、优化与上线/

  *   在线直播：项目1 图像分割系统的整体实现

  *   在线直播：项目2 人体关节点提取的整体实现

  *   在线直播：项目3 跨镜追踪/重识别（ReID）的优化迭代（自定义损失函数、多任务训练）

*   第九阶段 次项目的整体流程和核心技能点/

  *   在线直播：项目4 SLAM三维重建系统的整体流程和核心技能点

  *   在线直播：项目5 给定图像自动生成描述整体流程和核心技能点

  *   在线直播：项目6 基于自监督的图像表征学习的整体流程和核心技能点

*   第十阶段 项目总结和面试就业辅导/

  *   阶段考试解析1

  *   阶段考试解析2

  *   在线直播：项目1基于深度学习的图像分割系统，和项目4 SLAM三维重建系统的项目总结和面试就业辅导

  *   在线直播：项目2 人体关节点提取，和项目5 给定图像自动生成描述项目总结和面试就业辅导

  *   在线直播：项目3 大规模跨镜追踪/重识别（ReID） 和项目6 基于自监督的图像表征学习的项目总结和面试就业辅导