大学学位，您将与具有长期职业生涯的专家一起在机器人行业取得进步”

机器人的机动性和自主性在很大程度上取决于改善其人工视觉的技术能力，使它们的动作更加精确，越来越类似于人类。一项复杂的任务，需要高素质的工程专业人员。本大学课程由机器人专家团队教授，将深入研究允许在 12 周内处理和分析机器人图像的算法。

在教学中，学生将获得有关移动机器人在复杂环境中的有效作、决策和无需人工干预的任务执行的先进而详尽的知识，即与机器人导航有关的一切。一个采用理论方法的课程，但具有很好的实际应用性，因此由于技术的改进和允许配置影响人工视觉的算法的不同先进数字工具，专业人士可以在近年来不断上升的领域中取得进步。  

对于希望获得完全以 100% 在线模式教授的大学学位的工程专业人士来说，这是一个绝佳的机会。一种您可以舒适灵活地采用的教学方法，因为要访问构成本大学课程的所有多媒体教学大纲，您只需要一台具有互联网连接的设备，无需固定时间表的课程，并且从第一天开始就包含完整的课程内容。一种可以让他们在获得学术界最前沿的教学的同时调和个人责任的方法。  

学术大纲包括一位国际客座导演的介入，该导演因其出色的专业经验而获得全球认可，他将举办一场专注于机器人技术和图像分析处理的人工视觉的大师班。

通过参加由著名国际客座导演领导的顶级大师班来扩展您的经验，其职业专注于机器人领域的人工智能”  

这个机器人视觉算法：图像处理与分析大学课程包含市场上最完整和最新的课程。主要特点是：

• 由机器人工程专家介绍案例研究的发展 
• 这门课程的内容图文并茂示意性强,实用性强为那些视专业实践至关重要的学科提供了科学和实用的信息 
• 进行自我评估以改善学习的实践练习 
• 特别强调创新的方法论  
• 理论知识,专家预论,争议主题讨论论坛和个人反思工作 
• 可以通过任何连接互联网的固定或便携设备访问课程内容 

这种 100% 在线教学的Relearning系统将促进您的学习并减少长时间的学习”

该课程的教学人员，包括来自这个行业的专业人士，他们将自己的工作经验带到培训中以及来自领先公司和著名大学的公认专家。  

通过采用最新的教育技术制作的多媒体内容，专业人士将能够进行情境化学习即通过模拟环境进行沉浸式培训以应对真实情况。  

这门课程的设计集中于基于问题的学习，通过这种方式专业人士需要在整个学年中解决所遇到的各种实践问题。为此，你将得到由知名专家制作的新型交互式视频系统的帮助。   

通过此课程，了解有关贝叶斯模型和使用最新工具进行 3D 分割的更多信息”

通过本大学课程解决定位机器人的主要问题。现在报名吧！"

本大学课程由专门从事机器人领域的教学团队准备的教学大纲组成，这将使工程专业人员能够加深人工视觉的 360 小时教学。因此，学生将获得有关计算机视觉、光学传感器、数学工具和所使用的不同视觉学习方法的详尽知识。教师提供的视频摘要、专业阅读和真实案例将有助于获得全面和敏捷的学习。

本大学课程中介绍的真实案例将有助于在机器人中创建神经网络”

模块1.机器人学中的人工视觉技术图像处理与分析 

1.1. 计算机视觉 

1.1.1. 计算机视觉 
1.1.2. 计算机视觉系统的元素 
1.1.3. 数学工具 

1.2. 机器人光学传感器 

1.2.1. 无源光学传感器 
1.2.2. 有源光学传感器 
1.2.3. 非光学传感器 

1.3. 图像采集 

1.3.1. 图像渲染 
1.3.2. 色彩空间 
1.3.3. 数字化过程 

1.4. 图像的几何形状 

1.4.1. 镜头型号 
1.4.2. 相机型号 
1.4.3. 相机校准 

1.5. 数学工具 

1.5.1. 图像的直方图 
1.5.2. 卷积 
1.5.3. 傅里叶变换 

1.6. 图像预处理 

1.6.1. 噪声分析 
1.6.2. 图像平滑 
1.6.3. 图像增强 

1.7. 图像分割 

1.7.1. 基于轮廓的技术 
1.7.3. 基于直方图的技术 
1.7.4. 形态学操作 

1.8. 图像特征检测 

1.8.1. 兴趣点检测 
1.8.2. 特征描述符 
1.8.3. 特征之间的对应关系 

1.9. 3D视觉系统 

1.9.1. 3D感知 
1.9.2. 图像间的特征对应 
1.9.3. 多视图几何 

1.10. 基于人工视觉的定位 

1.10.1. 机器人定位问题 
1.10.2. 视觉里程计 
1.10.3. 感觉融合 

模块2.结合机器学习的机器人视觉感知系统 

2.1. 应用于计算机视觉的无监督学习方法 

2.1.1. Clustering 
2.1.2. PCA 
2.1.3. Nearest Neighbors 
2.1.4. Similarity and matrix decomposition 

2.2. 应用于计算机视觉的监督学习方法 

2.2.1. ”Bag of words”概念 
2.2.2. 矢量支持机 
2.2.3. Latent Dirichlet Allocation 
2.2.4. 神经元网络 

2.3. 深度神经网络：结构、Backbones和Transfer Learning 

2.3.1. Features生成层 

 2.3.3.1.VGG 
 2.3.3.2.Densenet 
 2.3.3.3.ResNet 
 2.3.3.4.Inception 
 2.3.3.5.GoogLeNet 

2.3.2. Transfer Learning 
2.3.3. 数据。培训准备 

2.4. 深度学习机器视觉 I：检测与分割 

2.4.1. YOLO与SSD的异同 
2.4.2. Unet 
2.4.3. 其他结构 

2.5. 深度学习机器视觉 II：Generative Adversarial Networks 

2.5.1. 使用 GAN 进行图像超分辨率 
2.5.2. 创建逼真的图像 
2.5.3. Scene understanding 

2.6. 移动机器人中定位和制图的学习技巧 

2.6.1. 闭环检测和重定位 
2.6.2. Magic Leap.Super point 和 super glue 
2.6.3. 单目深度 

2.7. 贝叶斯推理和 3D 建模 

2.7.1. 贝叶斯模型和”经典”学习 
2.7.2. 具有高斯过程的隐式曲面 (GPIS) 
2.7.3. 使用 GPIS 进行 3D 分割 
2.7.4. 用于 3D 表面建模的神经网络 

2.8. 深度神经网络的End-to-end应用 

2.8.1. End-to-End系统。人识别示例 
2.8.2. 用视觉传感器操纵物体 
2.8.3. 使用视觉传感器生成运动和规划 

2.9. 加速Deep Learning算法开发的云技术 

2.9.1. 使用 GPU 进行Deep Learning 
2.9.2. 使用 Google IColab 进行敏捷开发 
2.9.3. 远程 GPU、谷歌云和 AWS 

2.10. 神经网络在实际应用中的部署 

2.10.1. 嵌入式系统 
2.10.2. 神经网络部署用途 
2.10.3.部署中的网络优化，例如使用 TensorRT 

抓住机会，了解这个学科的最新发展，将其应用于你的日常实践”