          機(jī)器視覺與邊緣計(jì)算應(yīng)用培訓(xùn)

01
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
需要理解神經(jīng)網(wǎng)絡(luò)的基本原理，能夠利用梯度下降法推導(dǎo)網(wǎng)絡(luò)的訓(xùn)練過程；熟悉網(wǎng)絡(luò)訓(xùn)練過程中的常見問題以及優(yōu)化方法。

1.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
1.2 前向神經(jīng)網(wǎng)絡(luò)模型
1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化
1.4 OpenVINO工具包的安裝和配置
1.5 人工智能與邊緣計(jì)算
1.6 機(jī)器視覺簡介
1.7 交通燈車流檢測Demo
1.8 課程基礎(chǔ)概述
02
卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
深刻理解卷積操作；熟悉常見的卷積神經(jīng)網(wǎng)絡(luò)算法的基本原理；使用常見的卷積神經(jīng)網(wǎng)絡(luò)解決典型的圖形處理問題；了解OpenVINO以及安裝和配置。

2.1 機(jī)器視覺與深度學(xué)習(xí)
2.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.3 AlexNet卷積神經(jīng)網(wǎng)絡(luò)
2.4 VGG卷積神經(jīng)網(wǎng)絡(luò)模型
2.5 Inception系列卷積神經(jīng)網(wǎng)絡(luò)模型
2.6 ResNet系列卷積神經(jīng)網(wǎng)絡(luò)模型
2.7 OpenVINO平臺(tái)簡介
2.8 OpenVINO使用
2.9 OpenVINO human pose estimation實(shí)驗(yàn)
03
目標(biāo)檢測基礎(chǔ)
理解典型的目標(biāo)檢測算法原理；使用OpenVINO實(shí)現(xiàn)目標(biāo)檢測算法于經(jīng)典情景。

3.1 目標(biāo)檢測的基本概念
3.2 基于候選區(qū)域的目標(biāo)檢測R-CNN
3.3 Fast R-CNN目標(biāo)檢測算法
3.4 Faster R-CNN目標(biāo)檢測算法
3.5 Yolo目標(biāo)檢測算法
3.6 SSD目標(biāo)檢測算法
3.7 MobileNet目標(biāo)檢測算法
3.8 基于OpenVINO的手寫體識(shí)別
04
基于OpenVINO的目標(biāo)識(shí)別
使用OpenVINO實(shí)現(xiàn)典型目標(biāo)檢測；推理引擎應(yīng)用。

4.1 使用OpenVINO工具包實(shí)現(xiàn)目標(biāo)檢測的過程
4.2 模型優(yōu)化器和推理引擎的使用
4.3 基于OpenVINO的車牌識(shí)別
05
基于OpenVINO的邊緣計(jì)算應(yīng)用
學(xué)習(xí)使用OpenVINO解決實(shí)際問題的思路以及實(shí)現(xiàn)方法。

5.1 智能交通燈控制
5.2 智慧教室
5.3 危險(xiǎn)品識(shí)別
5.4 車道檢測
06
綜合實(shí)訓(xùn)：使用OpenVINO解決實(shí)際問題
使用OpenVino的實(shí)踐和創(chuàng)新型應(yīng)用：使用OpenVino解決實(shí)用邊緣計(jì)算場景的新問題。

6.1 實(shí)訓(xùn)項(xiàng)目1 導(dǎo)盲系統(tǒng)
6.1 實(shí)訓(xùn)項(xiàng)目2 野生動(dòng)物數(shù)量估計(jì)