دوره بینایی کامپیوتر حرفه‌ای

لیست مباحث بخش تئوری جلسه صفر:

• تشریح معماری شبکه عصبی کانولوشن
• تشریح تعدادی از شبکه‌های عصبی کانولوشن معروف (LeNet AlexNet ZFNet VGG GoogleNet ResNet)
• آموزش شبکه عصبی کانولوشن همراه با نکته‌ها و ترفندها
• نکات فنی درباره آموزش بهینه شبکه عصبی کانولوشن

مدت زمان:

• 4 ساعت و 40 دقیقه

لیست مباحث بخش کدنویسی جلسه صفر:

• تشریح جز به جز کدنویسی پایتورچ شبکه عصبی کانولوشن
• معرفی کتابخانه‌های و کدهای مناسب برای محاسبه دقت، اتلاف، مشاهده خروجی‌ها و غیره
• کار با تنسوربرد
• نکات فنی درباره آموزش بهینه شبکه عصبی کانولوشن
• کار با هایپرپارامترها در آموزش شبکه کانولوشن

مدت زمان:

• 1 ساعت و 40 دقیقه

لیست مباحث بخش تئوری جلسه اول:

• مروری بر شبکه‌های عصبی کانولوشنی معروف (ResNext SENet MobileNet ShuffleNet EfficientNet ResNeSt و غیره)
• دسته‌بندی تصاویر با روش‌های نیمه‌نظارتی (Semi-supervised)
• دسته‌بندی تصاویر با روش‌های خود‌نظارتی (Self-supervised)
• تکنیک‌های کاربردی در دسته‌بندی تصاویر (Knowledge Distillation, Siamese Networks, Ensemble Models, Auxiliary Loss)
• نمونه مقالات مبتنی بر تکنیک‌های کاربردی

مدت زمان:

• 2 ساعت و 45 دقیقه

لیست مباحث بخش کدنویسی جلسه اول:

• آموزش کار با کاستوم دیتاست در پایتورچ از مرحله پیش‌پردازش تصاویر تا نوشتن کلاس پایتورچی
• نحوه استفاده از مدل‌های EfficientNet در پایتورچ
• دست‌کاری مدل‌ها (اضافه کردن لایه جدید به یک مدل، حذف بخشی از لایه‌های یک مدل، نوشتن کاستوم مدل در پایتورچ و غیره)
• ساخت و آموزش شبکه Knowledge Distillation
• ساخت Ensemble Models
• ساخت و آموزش Self-distillation
• همراه با مجموعه زیادی نکات فنی و تجربی حین تدریس

مدت زمان:

• 2 ساعت و 57 دقیقه

لیست مباحث بخش تئوری جلسه دوم:

• تشریح شبکه Bert (بخش Encoder و Decoder)
• اهمیت ماژول Self-attention در بینایی کامپیوتر (مرور چند مقاله با ایده Self-attention)
• تشریح شبکه Vision Transformer (ViT) برای دسته‌بندی تصاویر (مقاله 2021)
• دلایل برتری شبکه ViT نسبت به شبکه کانولوشنی
• مرور مقالات 2021 با هدف توسعه شبکه ViT
• نمونه مقالات مبتنی بر تکنیک‌های کاربردی

مدت زمان مفید:

• 2 ساعت و 19 دقیقه

لیست مباحث بخش کدنویسی جلسه دوم:

• آموزش و ارزیابی شبکه ViT برروی دیتاست CIFAR10
• آموزش و ارزیابی شبکه ViT برروی یک دیتاست کاستوم (Stanford 40 Actions)
• آموزش روش‌های مختلف پیاده‌سازی با کولب
• پیاده‌سازی یک ایده ساده (مقاله DeiT) برروی شبکه ViT
• تشریح خط به خط کدهای شبکه ViT
• همراه با مجموعه زیادی نکات فنی و تجربی حین تدریس

مدت زمان مفید:

• 2 ساعت و 22 دقیقه

لیست مباحث بخش تئوری جلسه سوم:

• تعریف تشخیص اشیا
• آشنایی با مفاهیم اولیه (مانند انواع Bounding Box، چالش‌ها و غیره)
• تشریح شبکه‌های تشخیص اشیای دومرحله‌ای (مانند RCNN FastRCNN FasterRCNN MaskRCNN)
• تشریح شبکه‌های تشخیص اشیای تک‌مرحله‌ای (مانند YOLOv1 YOLOv2 YOLOv3 RetinaNet)

مدت زمان مفید:

• 3 ساعت و 4 دقیقه

لیست مباحث بخش کدنویسی جلسه سوم:

• آشنایی با بخش Object Detection در پایتورچ
• کدنویسی استفاده و ارزیابی شبکه آموزش‌دیده RetinaNet
• فاین‌تیون (Fine-tune) شبکه رتینانت روی دیتاست خودروی 6 کلاسه
• سفارشی‌سازی شبکه رتینانت (مانند تغییر آنکورباکس‌ها، تعویض Backbone شبکه و غیره)
• کار با Backbone و تکه‌تکه کردن شبکه و همچنین اضافه کردن FPN به Backbone (ساخت مدل موبایل‌نت با FPN)
• همراه با مجموعه زیادی نکات فنی و تجربی حین تدریس

مدت زمان مفید:

• 5 ساعت و 37 دقیقه

لیست مباحث بخش تئوری جلسه چهارم:

• شبکه CenterNet و CornerNet (روشی متفاوت نسبت به روش‌های مبتنی بر آنکور در تشخیص اشیا)
• شبکه EfficientDet (یک خانواده شبکه تشخیص اشیا از سریع تا دقیق)
• شبکه DetectoRS (شبکه‌ای دقیق با ایده‌های جالب و به‌کارگیری کانولوشن آتروس)
• شبکه YOLOv4 (مقاله‌ای پر از تکنیک‌های آموزش و بهبود کارایی شبکه‌های تشخیص اشیا)
• مقاله Open World Object Detection (تشخیص اشیای ناشناس! مساله‌ای جدید در بینایی کامپیوتر)
• شبکه DETR (تشخیص اشیا با ترکیب کانولوشن و ترنسفورمر)
• شبکه ViT-FRCNN (به‌کارگیری از شبکه ViT در تشخیص اشیا)
• شبکه Swin Transformer (یک شبکه مادر برای بینایی کامپیوتر، کسب نتایج عالی در شناسایی، تشخیص اشیا و سگمنت)

مدت زمان مفید:

• 2 ساعت و 55 دقیقه

لیست مباحث بخش کدنویسی جلسه چهارم:

• معرفی و اجرای کدهای پروژه EfficientDet 
• معرفی و اجرای کدهای پروژه RetinaFace
• پیاده‌سازی BiFPN ساده (ماژول موجود در EffiecientDet)
• جایگزینی ماژول FPN در شبکه رتینافیس با ماژول BiFPN
• همراه با مجموعه زیادی نکات فنی و تجربی حین تدریس

مدت زمان مفید:

• 1 ساعت و 57 دقیقه

لیست مباحث بخش تئوری جلسه پنجم:

• معرفی مساله سگمنت تصویر و انواع آن (Instance Segmentation و Semantic Segmentation)
• تشریح مفاهیم اولیه (چالش‌ها، دیتاست‌ها، معیارهای ارزیابی و بلوک دیاگرام کلی)
• تشریح مقالات پایه‌ای Semantic Segmentation:
  1. مقاله Fully Convolutional Network (FCN)
  2. مقاله U-Net
  3. مقاله SegNet
  4. مقاله DeepLabV1
  5. مقاله DeepLabV2
  6. مقاله DeepLabV3
• مقدمه‌ای کوتاه بر Instance Segmentation:
  1. بررسی شبکه Mask R-CNN

مدت زمان مفید:

• 2 ساعت و 40 دقیقه

لیست مباحث بخش کدنویسی جلسه پنجم:

• پیاده‌سازی صفر تا صد شبکه U-Net
• آموزش شبکه Mask R-CNN روی دیتاست PennFudanPed:
  1. پیاده‌سازی کاستوم دیتاست برای PennFudanPed (دیتاست عابران پیاده)
  2. پیاده‌سازی نمایش تصاویر سگمنت
  3. فراخوانی مدل آماده Mask R-CNN همراه با وزن‌های ازپیش‌آموزش‌دیده
  4. ارزیابی مدل آماده روی دیتاست فودان
  5. دست‌کاری مدل جهت آموزش
  6. آموزش مدل Mask R-CNN روی دیتاست فودان
• همراه با پرسش و پاسخ و صحبت درباره کولب پرو

مدت زمان مفید:

• 2 ساعت و 29 دقیقه

لیست مباحث بخش تئوری جلسه ششم:

• نگاهی دقیق‌تر به تابع اتلاف در سگمنت تصویر
• تشریح مفاهیم اولیه (چالش‌ها، دیتاست‌ها، معیارهای ارزیابی و بلوک دیاگرام کلی)
• تشریح مقالات جدید و مهم در Semantic Segmentation:
  1. مقاله +DeepLabV3
  2. مقاله BiSeNet
  3. مقاله BiSeNetV2
  4. مقاله Hierarchical Multi-scale Attention for Semantic Segmentation
• تشریح مقالات جدید و مهم در Instance Segmentaion:
  1. تشریح دقیق‌تر مقاله Mask R-CNN
  2. مقاله Hierarchical R-CNN
  3. مقاله HTC
  4. مقاله DetectoRS
  5. مقاله YOLACT
• معرفی Panoptic Segmentation و تشریح مفاهیم اولیه (معیار ارزیابی و بلوک دیاگرام کلی)
• تشریح چند مقاله در حوزه Panoptic:
  1. مقاله Panoptic FPN
  2. مقاله UPSNet

مدت زمان مفید:

• 2 ساعت و 57 دقیقه

لیست مباحث بخش کدنویسی جلسه ششم:

• راه‌اندازی شبکه DeepLabV3
  1. فراخوانی دیتاست Pascal VOC2012 و بررسی خروجی آن
  2. فراخوانی مدل آماده DeepLabV3 همراه با وزن‌ها
  3. ارزیابی مدل DeepLabV3 روی دیتاست Pascal VOC2012
  4. آموزش مدل DeepLabV3 روی دیتاست Pascal VOC2012
• پیاده‌سازی +DeepLabV3:
  1. اجرای کدهای پروژه DeepLabV3 در پایچارم
  2. اعمال تغییرات لازم برای تبدیل DeepLabV3 به مدل +DeepLabV3

مدت زمان مفید:

• 3 ساعت و 29 دقیقه

لیست مباحث بخش تئوری جلسه هفتم:

• معرفی تخمین ژست
• تشریح مفاهیم اولیه (چالش‌ها، دیتاست‌ها، نمایش دو شکل مختلف از Joints، تابع اتلاف و معیار ارزیابی)
• تشریح مجموعه مقالات مهم تخمین ژست:
  1. مقاله DeepPose
  2. مقاله Stacked Hourglass
  3. مقاله Cascaded Pyramid Network (CPN)
  4. مقاله Soft Gated  Skip Connections
  5. مقاله UniPose
  6. مقاله Cascade Feature Aggregation (CFA)
  7. مقاله EfficientPose
  8. مقاله TransPose

مدت زمان مفید:

• 2 ساعت و 12 دقیقه

لیست مباحث بخش کدنویسی جلسه هفتم:

• پیاده‌سازی کاستوم دیتاست برای دیتاست LSP همراه با نمایش خروجی Joints روی تصویر
• آموزش شبکه Keypoint R-CNN:
  1. دانلود دیتاست COCO2017
  2. ارزیابی مدل آماده Keypoint R-CNN و مشاهده خروجی شبکه
  3. آموزش مدل Keypoint R-CNN روی دیتاست COCO2017

مدت زمان مفید:

• 2 ساعت و 11 دقیقه

لیست مباحث بخش تئوری جلسه هشتم:

• ویدئو و مفاهیم اولیه آن
• معرفی شناسایی عمل انسان و تشریح مفاهیم اولیه (چالش‌ها، دیتاست‌ها، کاربردها و غیره)
• تشریح مجموعه مقالات مهم شناسایی عمل:
  1. مقاله DeepVideo
  2. مقاله C3D
  3. مقاله I3D
  4. مقاله Two-Stream Network
  5. مقاله Recurrent CNN
  6. مقاله Nonlocal Block
  7. مقاله SlowFast
• تشریح مختصر سایر مباحث موردنیاز:
  1. Optocal Flow و مرور مقاله FlowNet
  2. شبکه‌های بازگشتی

مدت زمان مفید:

• 2 ساعت و 39 دقیقه

لیست مباحث بخش کدنویسی جلسه هشتم:

• پیاده‌سازی کاستوم دیتاست برای دیتاست UCF101 
• فراخوانی، ارزیابی و آموزش شبکه ResNet3D با دیتاست UCF101:

مدت زمان مفید:

• 2 ساعت و 11 دقیقه

لیست مباحث بخش تئوری جلسه نهم:

• معرفی ردیابی تک هدفه
• تشریح مفاهیم اولیه (چالش‌ها، دیتاست‌ها، کاربردها، معیارهای ارزیابی، بلوک دیاگرام کلی)
• تشریح مجموعه مقالات مهم ردیابی تک هدفه:
  1. مقاله SiamFC
  2. مقاله SiamRPN
  3. مقاله ++SiamRPN
  4. مقاله SiamMask
  5. مقاله Tracking Holistic Object Representations (THOR)
  6. مقاله Spatio-Temporal trAnsformer netwoRk for visual tracking (STARK)
  7. مقاله Transformer Tracking (TransT)
• تشریح مختصر سایر مباحث موردنیاز:
  1. شبکه Siamese

مدت زمان مفید:

• 3 ساعت و 03 دقیقه

لیست مباحث بخش کدنویسی جلسه نهم:

• پیاده‌سازی صفر تا صد شبکه ++SiamRPN
• پرسش و پاسخ

مدت زمان مفید:

• 2 ساعت و 40 دقیقه

لیست مباحث بخش تئوری جلسه دهم:

• معرفی انواع داده‌های سه‌بعدی
• معرفی مهم‌ترین تسک‌های سه‌بعدی
• کاربردها
• دیتاست‌ها
• معرفی تسک تخمین عمق (Depth map estimation):
  1. تشریح مقاله Eigen, NIPS 2014
  2. تشریح مقاله PAD-Net
• معرفی Voxel و 3D Reconstruction
  1. تشریح مقاله 3D-R2N2
  2. تشریح مقاله Octree
• معرفی Mesh
  1. تشریح مقاله Pixel2Mesh
• معرفی Point Cloud
  1. تشریح مقاله PointNet
  2. تشریح مقاله ++PointNet
  3. تشریح مقاله PointCNN
  4. تشریح مقاله Point Cloud Transformer

مدت زمان مفید:

• 3 ساعت و 02 دقیقه

لیست مباحث بخش کدنویسی جلسه دهم:

• کار با داده‌های Point Cloud و دیتاست ModelNet10
• خواندن و نمایش داده‌های Point Cloud
• دیتا آگمنت در Point Cloud
• تشریح کاستوم دیتاست برای ModelNet10
• پیاده‌سازی صفر تا صد شبکه Point Cloud Transformer
• آماده کردن توابع آموزش و ارزیابی

مدت زمان مفید:

• 2 ساعت و 48 دقیقه

لیست مباحث بخش تئوری جلسه یازدهم:

• معرفی انواع کاربرد متن در بینایی کامپیوتر
• دیتاست‌ها
• معرفی حوزه تشخیص دست‌خط (Handwriting Text Recognition) و تشریح مقالات مهم
  1. تشریح مقاله CNN-LSTM
  2. تشریح مقاله Start, Follow, Read
  3. تشریح مقاله OrigamiNet
• معرفی حوزه تشخیص متن در صحنه (Scene Text Detection)
  1. تشریح مقاله RRPN
  2. تشریح مقاله PixelLink
  3. تشریح مقاله TextField
  4. تشریح مقاله Differentiable Binarization
  5. تشریح مقاله TextFuseNet

مدت زمان مفید:

• 3 ساعت و 12 دقیقه

لیست مباحث بخش کدنویسی جلسه یازدهم:

• کدنویسی مقاله OrigamiNet

مدت زمان مفید:

• 2 ساعت و 47 دقیقه

لیست مباحث بخش تئوری جلسه دوازدهم:

• معماری شبکه عصبی GAN
• توابع اتلاف در شبکه GAN
  1. تابع اتلاف WGAN
  2. تابع اتلاف WGAN-GP
• انواع شبکه‌های GAN
  1. Semi-supervised GAN
  2. Deep Convolutional GAN
  3. Conditional GAN
  4. InfoGAN
  5. Auxiliary Classifier GAN
  6. Laplacian Pyramid of Adversarial Networks
  7. Progressive GAN
• اشاره مختصر به کاربردهای GAN در بینایی کامپیوتر
  1. Super-resolution
  2. Image Completion
  3. Data Augmentation

مدت زمان مفید:

• 3 ساعت و 22 دقیقه

لیست مباحث بخش کدنویسی جلسه دوازدهم:

• پیاده‌سازی مقاله (WGAN-GP) Wasserstein GAN with Gradient Penalty
• آموزش شبکه Generator برای تولید تصاویر دست‌خط مشابه MNIST

مدت زمان مفید:

• 2 ساعت و 50 دقیقه