通过这个 100% 在线大学学位，你将深入学习对抗网络，生成最真实的数据"

对于大多数技术公司来说，机器视觉是机器学习的一个重要领域。这项技术可以让计算机和系统从数字图像、视频甚至其他视觉输入中提取有意义的信息。它的众多优点包括提高了制造过程的精确度，消除了人为错误。因此，这些仪器既能确保最高的产品质量，又便于在生产过程中排除故障。 

有鉴于此，TECH 正在开发一个硕士学位课程，详细介绍计算机视觉。课程由该领域的专家设计，将深入探讨 3D 图像处理。在这方面，培训将为学生提供最先进的处理软件，使数据可视化。鉴于 深度学习与处理大型复杂数据集的相关性，议程还将重点关注深度学习分析。这将使毕业生能够利用最先进的算法和模型来丰富他们的正常工作程序。此外，教材还将提供使用不同框架（包括 Keras、Tensorflow v2 Pytorch）的各种计算机视觉技术。 

至于这个大学学位的形式，它采用的是 100% 在线的方法。毕业生只需拥有能上网的电子设备（如电脑、手机或 平板电脑）即可访问虚拟校园。在这里，你可以找到一个充满多媒体资源的图书馆，以动态的方式强化你的知识。值得注意的是，TECH 的所有学位课程都采用了创新的 " Relearning方法，这将使学生能够以自然的方式吸收知识，并通过视听资源加以强化，以确保知识能够在记忆中长久保存。

你将专攻未来技术的一个关键领域，这将立即推动你的职业发展"  

这个人工视觉校级硕士包含市场上最完整和最新的课程。主要特点是：

• 由计算机科学和人工视觉方面的专家介绍案例研究的发展
• 这个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
• 可以进行自我评估过程的实践，以推进学习
• 其特别强调创新方法 
• 理论课、向专家提问、关于有争议问题的讨论区和这个反思性论文
• 可从任何连接互联网的固定或便携设备上访问内容

想专门从事评估指标工作？通过培训，只需 12 个月就能实现这一目标"

这个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了这一培训中，还有来自领先公司和著名大学的公认专家。 

多媒体内容是用最新的教育技术开发的，将允许专业人员进行情景式学习，即一个模拟的环境，提供一个身临其境的培训，为真实情况进行培训。 

这个课程的设计重点是基于问题的学习，藉由这种学习，专业人员必须努力解决整个学年出现的不同的专业实践情况。为此，你将获得由知名专家制作的新型交互式视频系统的帮助。

你将能够有效地使用深度学习来解决最复杂的问题"

你将进入一个以重复为基础的学习系统，在整个教学大纲中采用自然和渐进式教学"

本课程将向学生全面介绍人工智能领域的最新进展。该学术路径包括 10 个综合模块，将涉及传统的视觉算法，并提供 深度学习的最新进展。教材将提供最先进的计算机视觉技术，目的是让学生能够立即将这些技术应用到专业实践中。此外，教学大纲还将详细分析卷积网络，使毕业生能够正确地对图像中的物体进行分类。

教学没有固定时间表，从第一天起就有教学大纲。设定自己的学习进度！”

模块 1. 人工视觉

1.1. 人的感知

1.1.1. 人类视觉系统
1.1.2. 颜色
1.1.3. 可见和不可见频率

1.2. 机器视觉编年史

1.2.1. 原则
1.2.2. 进化
1.2.3. 机器视觉的重要性

1.3. 数字图像的组成

1.3.1. 数字图像
1.3.2. 图像类型
1.3.3. 色彩空间
1.3.4. RGB
1.3.5. HSV 和 HSL
1.3.6. CMY-CMYK
1.3.7. YCbCr
1.3.8. 索引图像

1.4. 图像采集系统

1.4.1. 数码相机的工作原理
1.4.2. 适用于各种情况的正确曝光
1.4.3. 景深
1.4.4. 解析度
1.4.5. 图像格式
1.4.6. HDR模式
1.4.7. 高解析相机
1.4.8. 高速摄像机

1.5. 光学系统

1.5.1. 光学原理
1.5.2. 常规镜头
1.5.3. 远心镜头
1.5.4. 自动对焦类型
1.5.5. 焦距
1.5.6. 景深
1.5.7. 光学畸变
1.5.8. 校准图像

1.6. 照明系统

1.6.1. 照明的重要性
1.6.2. 频率响应
1.6.3. LED照明
1.6.4. 户外照明
1.6.5. 用于工业应用的照明类型效果

1.7. 3D 捕捉系统

1.7.1. 立体视觉
1.7.2. 三角测量
1.7.3. 结构光
1.7.4. 飞行时间
1.7.5. 激光雷达

1.8. 多光谱

1.8.1. 多光谱相机
1.8.2. 高光谱相机

1.9. 近光谱 不可见

1.9.1. 红外摄像机
1.9.2. 紫外线摄像机
1.9.3. 由于照明，从不可见转换为可见

1.10. 频谱的其他波段

1.10.1. X-射线
1.10.2. 太赫兹

模块 2. 应用和技术状况

2.1. 工业应用

2.1.1. 工业视觉库
2.1.2. 袖珍相机
2.1.3. 基于 PC 的系统
2.1.4. 工业机器人
2.1.5. 拾取和放置 2D
2.1.6. Bin picking
2.1.7. 质量保证
2.1.8. 是否存在组件
2.1.9. 尺寸控制
2.1.10. 标签控制
2.1.11. 可追溯性

2.2. 自动驾驶汽车

2.2.1. 驾驶员辅助
2.2.2. 自动驾驶

2.3. 内容分析的人工视觉

2.3.1. 内容筛选
2.3.2. 视觉内容审核
2.3.3. 追踪系统
2.3.4. 识别品牌和标志
2.3.5. 视频标记和评级
2.3.6. 场景变化检测
2.3.7. 提取文这个或学分

2.4. 医学应用

2.4.1. 疾病的检测和定位
2.4.2. 癌症和 X 射线分析
2.4.3. 鉴于 Covid19，人工视觉的进展
2.4.4. 给手术室的协助

2.5. 空间应用

2.5.1. 卫星图像分析
2.5.2. 用于空间研究的人工视觉
2.5.3. 火星任务

2.6. 商业应用

2.6.1. 存货控制
2.6.2. 视频监控、家庭安全
2.6.3. 停车摄像头
2.6.4. 人口控制摄像机
2.6.5. 高速相机

2.7. 应用于机器人的视觉

2.7.1. 无人机
2.7.2. AGV
2.7.3. 协作机器人的视觉
2.7.4. 机器人的眼睛

2.8. 扩增实境

2.8.1. 运作
2.8.2. 设备
2.8.3. 行业应用
2.8.4. 商业应用

2.9. 云计算

2.9.1. 云计算平台
2.9.2. 从云计算到生产

2.10. 研究和技术状况

2.10.1. 科学界
2.10.2. 现在在进行什么
2.10.3. 机器视觉的未来

模块 3. 数字图像处理

3.1. 计算机视觉的开发环境

3.1.1. 计算机视觉库
3.1.2. 编程环境
3.1.3. 可视化工具

3.2. 数字图像处理

3.2.1. 像素之间的关系
3.2.2. 图像操作
3.2.3. 几何变换

3.3. 像素操作

3.3.1. 柱状图
3.3.2. 直方图的变换
3.3.3. 彩色图像的操作

3.4. 逻辑和算术运算

3.4.1. 加法和减法
3.4.2. 产品及部门
3.4.3. And / Nand
3.4.4. 或/非
3.4.5. Xor / Xnor

3.5. 过滤器

3.5.1. 掩码和卷积
3.5.2. 线性滤波
3.5.3. 非线性滤波
3.5.4. 傅里叶分析

3.6. 形态学运算

3.6.1. 侵蚀和扩张
3.6.2. 关闭与开启
3.6.3. Top_hat 和黑帽
3.6.4. 轮廓检测
3.6.5. 骨架
3.6.6. 填孔
3.6.7. 凸包

3.7. 图像分析工具

3.7.1. 边缘检测
3.7.2. 斑点检测
3.7.3. 尺寸控制
3.7.4. 颜色检测

3.8. 对象分割

3.8.1. 图像分割
3.8.2. 经典分割技术
3.8.3. 实际应用

3.9. 图像校准

3.9.1. 校准图像
3.9.2. 校准方法
3.9.3. 2D 相机/机器人系统的校准过程

3.10. 真实环境中的图像处理

3.10.1. 问题分析
3.10.2. 图像处理
3.10.3. 特征提取
3.10.4. 最终结果

模块 4. 高级数字图像处理

4.1. 光学字符识别 (OCR)

4.1.1. 图像预处理
4.1.2. 文本检测
4.1.3. 文本识别

4.2. 读码

4.2.1. 一维码
4.2.2. 二维码
4.2.3. 应用

4.3. 模式搜索

4.3.1. 模式搜索
4.3.2. 基于灰度的模式
4.3.3. 基于轮廓的图案
4.3.4. 基于几何形状的图案
4.3.5. 其他技术

4.4. 使用传统视觉进行对象跟踪

4.4.1. 背景提取
4.4.2. 平均值移位
4.4.3. 凸轮轴
4.4.4. 光流

4.5. 面部识别

4.5.1. 人脸标志检测
4.5.2. 应用
4.5.3. 面部识别
4.5.4.情绪识别

4.6. 平移和对齐

4.6.1. 拼接
4.6.2. 图像合成
4.6.3. 照片蒙太奇

4.7. 高动态范围 (HDR) 和光度立体

4.7.1. 增加动态范围
4.7.2. 合成图像以增强轮廓
4.7.3. 在动态中使用应用程序的技术

4.8. 图像压缩

4.8.1. 图像压缩
4.8.2. 压缩机类型
4.8.3. 图像压缩技术

4.9. 视频处理

4.9.1. 图像序列
4.9.2. 视频格式和编解码器
4.9.3. 阅读视频
4.9.4. 框架处理

4.10. 真实图像处理应用

4.10.1. 问题分析
4.10.2. 图像处理
4.10.3. 特征提取
4.10.4. 最终结果

模块 5. 三维图像处理

5.1. 3D图像

5.1.1. 3D图像
5.1.2. 3d 图像处理软件和可视化
5.1.3. 计量软件

5.2. Open3D

5.2.1. 3D 数据处理库
5.2.2. 特点
5.2.3. 安装和使用

5.3. 数据

5.3.1. 2D 图像的深度图
5.3.2. 点云
5.3.3. 普通的
5.3.4. 表面

5.4. 视觉化

5.4.1. 数据可视化
5.4.2. 控制措施
5.4.3. 网络可视化

5.5. 过滤器

5.5.1. 点之间的距离，去除异常值
5.5.2. 高通滤波器
5.5.3. 降采样

5.6. 几何和特征提取

5.6.1. 提取配置文件
5.6.2. 深度测量
5.6.3. 体积
5.6.4. 3D 几何形状
5.6.5. 图纸
5.6.6. 单点投影
5.6.7. 几何距离
5.6.8. Kd Tree
5.6.9. 3D 特色

5.7. 注册和网格划分

5.7.1. 级联
5.7.2. ICP
5.7.3. Ransac 3D

5.8. 3D物体识别

5.8.1. 在 3d 场景中搜索对象
5.8.2. 分割
5.8.3. Bin picking

5.9. 表面分析

5.9.1. 平滑
5.9.2. 可定向表面
5.9.3. Octree

5.10. 三角测量

5.10.1. 从 网格 到 点云
5.10.2. 深度图三角剖分
5.10.3. 无序点云的三角剖分

模块 6. 深度学习

6.1. 人工智能

6.1.1. 机器学习
6.1.2. 深度神经网络训练
6.1.3. 深度学习的爆炸增长为什么是现在

6.2. 神经网络

6.2.1. 神经网络
6.2.2. 神经网络的用途
6.2.3. 线性回归和 感知器
6.2.4. 前向传播
6.2.5. 反向传播
6.2.6. 特征向量

6.3. 损失函数

6.3.1. 损失函数
6.3.2. 损失函数的类型
6.3.3. 损失函数的选择

6.4. 激活函数

6.4.1. 激活函数
6.4.2. 线性函数
6.4.3. 非线性函数
6.4.4. 输出层与隐藏层激活函数

6.5. 正则化与规范化

6.5.1. 正则化与规范化
6.5.2. 过度拟合和数据扩充
6.5.3. 正则化方法：L1、L2 和 dropout
6.5.4. 标准化方法：Batch, Weight, Layer

6.6. 优化

6.6.1. 梯度下降法
6.6.2. 随机梯度下降法
6.6.3. 小批量梯度下降法
6.6.4. Momentum
6.6.5. Adam

6.7. 超参数调整和权重

6.7.1. 超参数
6.7.2. 批量大小 vs 学习率 vs 阶跃衰减
6.7.3. 重量

6.8. 神经网络的评估指标

6.8.1. 准确性
6.8.2. 表示系数
6.8.3. 灵敏度 vs 特异性/ 召回率 vs 精确度
6.8.4. ROC 曲线 (AUC)
6.8.5. F1分数
6.8.6. 混淆矩阵
6.8.7. 交叉验证

6.9. 框架和硬件

6.9.1. 流量张紧器
6.9.2. Pytorch
6.9.3. Caffe
6.9.4. Keras
6.9.5. 训练阶段的硬件

6.10. 创建神经网络 – 训练和验证

6.10.1. 数据集
6.10.2. 网络建设
6.10.3. 培训
6.10.4. 结果展示

模块 7. 卷积网络和图像分类

7.1. 卷积神经网络

7.1.1. 简介
7.1.2. 卷积
7.1.3. CNN 构建模块

7.2. CNN 层的类型

7.2.1. 卷积
7.2.2. 激活
7.2.3. 批量标准化
7.2.4. Polling
7.2.5. 全连接

7.3. 衡量标准

7.3.1. 混淆矩阵
7.3.2. 准确性
7.3.3. 准确度
7.3.4. Recall
7.3.5. F1分数
7.3.6. ROC 曲线
7.3.7. AUC

7.4. 主要架构

7.4.1. 亚历克斯网
7.4.2. VGG
7.4.3. Resnet
7.4.4. GoogleLeNet

7.5. 图像分类

7.5.1. 简介
7.5.2. 数据分析
7.5.3. 数据准备
7.5.4. 模型训练
7.5.5. 模型验证

7.6. CNN 训练的实际考虑

7.6.1. 优化器的选择
7.6.2. 学习率调度器
7.6.3. 检查训练管道
7.6.4. 正则化训练

7.7. 深度学习的良好实践

7.7.1. 迁移学习
7.7.2. 微调
7.7.3. 数据扩充

7.8. 数据的统计评估

7.8.1. 数据集数量
7.8.2. 标签数量
7.8.3. 图像数量
7.8.4. 数据平衡

7.9. 部署

7.9.1. 保存和加载模型
7.9.2. Onnx
7.9.3. 推断

7.10. 实际案例：图像分类

7.10.1. 数据分析和准备
7.10.2. 测试培训 管道 
7.10.3. 模型训练
7.10.4. 模型验证

模块 8. 物体检测

8.1. 目标检测和跟踪

8.1.1. 物体检测
8.1.2. 使用案例
8.1.3. 对象跟踪
8.1.4. 使用案例
8.1.5. 遮挡、刚性和非刚性姿势

8.2. 评估指标

8.2.1. IOU - 联合交集
8.2.2. 信心分数
8.2.3. Recall
8.2.4. 准确度
8.2.5. 召回率 - 精确度曲线
8.2.6. 平均精度 (mAP)

8.3. 传统方法

8.3.1. 滑动窗口
8.3.2. Viola detector
8.3.3. HOG
8.3.4. 非最大抑制 (NMS)

8.4. 数据集

8.4.1. Pascal VC
8.4.2. MS Coco
8.4.3. 图像网 (2014)
8.4.4. MOTA Challenge

8.5. 双射目标探测器

8.5.1. R-CNN
8.5.2. 快速 R-CNN
8.5.3. 更快的 R-CNN
8.5.4. Mask R-CNN

8.6. 单射目标探测器

8.6.1. SSD
8.6.2. YOLO
8.6.3. 视网膜网络
8.6.4. 中心网
8.6.5. 高效网

8.7. 骨干网

8.7.1. VGG
8.7.2. 资源网
8.7.3. 移动网
8.7.4. 卫星网
8.7.5. 暗网

8.8. 对象跟踪

8.8.1. 经典方法
8.8.2. 粒子过滤器
8.8.3. 卡尔曼
8.8.4. 排序跟踪器
8.8.5. 深度排序

8.9. 部署

8.9.1. 计算平台
8.9.2. 骨干的选择
8.9.3. 选择的框架
8.9.4. 模型优化
8.9.5. 模型的版这个控制

8.10. 研究：人员检测和跟踪

8.10.1. 人员检测
8.10.2. 人员跟踪
8.10.3. 重新识别
8.10.4. 在人群中计数的人

模块 9. 用Deep学习进行图像分割

9.1. 目标检测和分割

9.1.1. 语义分割

9.1.1.1. 语义分割用例

9.1.2. 实例化分割

9.1.2.1. 用例实例化分割

9.2. 评估指标

9.2.1. 与其他方法的相似之处
9.2.2. 像素精度
9.2.3. 骰子系数（F1 分数）

9.3. 成这个函数

9.3.1. 损失说
9.3.2. 焦点损失
9.3.3. Tversky损失
9.3.4. 其他功能

9.4. 传统的分割方法

9.4.1. 带有 Otsu 和 Riddlen 的阈值应用程序
9.4.2. 自组织地图
9.4.3. GMM-EM算法

9.5. 应用深度学习的语义分割：FCN

9.5.1. FCN
9.5.2. 建筑
9.5.3. FCN 的应用

9.6. 应用深度学习的语义分割：U-NET

9.6.1. U-NET
9.6.2. 建筑
9.6.3. U-NET 应用

9.7. 应用深度学习的语义分割：Deep Lab

9.7.1. Deep Lab
9.7.2. 建筑
9.7.3. Deep Lab 的应用

9.8. 应用 深度学习的实例分割：掩码 RCNN

9.8.1. 掩码 RCNN
9.8.2. 建筑
9.8.3. Mas RCNN 的应用

9.9. 视频分割

9.9.1. STFCN
9.9.2. 语义视频 CNNs
9.9.3. Clockwork Convnets
9.9.4. Low-Latency

9.10. 点云分割

9.10.1. 点云
9.10.2. 点网
9.10.3. A-CNN

模块 10. 高级图像分割和高级计算机视觉技术

10.1. 一般分割问题的数据库

10.1.1. Pascal Context
10.1.2. CelebAMask-HQ
10.1.3. Cityscapes 数据集
10.1.4. CCP 数据集

10.2. 医学中的语义分割

10.2.1. 医学中的语义分割
10.2.2. 医疗问题的数据集
10.2.3. 实际应用

10.3. 注释工具

10.3.1. 计算机视觉注释工具
10.3.2. LabelMe
10.3.3. 其他工具

10.4. 使用不同框架的分割工具

10.4.1. Keras
10.4.2. Tensorflow v2
10.4.3. Pytorch
10.4.4. 其他

10.5. 语义分割项目数据，第一阶段

10.5.1. 问题分析
10.5.2. 数据输入源
10.5.3. 数据分析
10.5.4. 数据准备

10.6. 语义分割项目培训，第 2 阶段

10.6.1. 选择算法
10.6.2. 培训
10.6.3. 评估

10.7. 语义分割项目结果，第 3 阶段

10.7.1. 微调
10.7.2. 解决方案介绍
10.7.3. 结论

10.8. 自动编码器

10.8.1. 自动编码器
10.8.2. 自动编码器的架构
10.8.3. 去噪自编码器
10.8.4. 自动着色编码器

10.9. 生成式对抗网络（GAN）

10.9.1. 生成式对抗网络（GAN）
10.9.2. DCGAN-架构
10.9.3. 条件 GAN 架构

10.10. 增强的生成对抗网络

10.10.1. 问题概述
10.10.2. WGAN
10.10.3. LSGAN
10.10.4. ACGAN

一次全面的培训，将带领你掌握与顶尖竞争所需的知识"