【总结】初学深度学习与CV，资料找的一塌糊涂，这个超过2000页PPT，有这个80小时讲解的CV核心内容就够了

对于刚接触深度学习计算机视觉的初学者来说，图像分类问题是最常见的问题，如何做好图像分类任务，关系到大家能否正确顺利地入门、如何学习接下来更加高阶的内容。

图像分类课程当前包含的内容共约12个小时，PPT数量超过300页。

理论部分：涵盖了深度学习之图像分类的各个研究方向，如图像分类简介、多类别图像分类、细粒度图像分类，多标签图像分类，弱监督图像分类，零样本图像分类等，既有足够的宽度，也具备有足够的深度。

实践部分：一共已经包含了5个实践案例，分别为人脸表情分类基本模型实战，动物细粒度分类实战，生活用品多标签图像分类实战，基于血红细胞的图像分类竞赛技巧，简单图像分类任务数据增强实践，基于Pytorch实战来详解图像分类任务实践。

大纲如下：

一些实践案例如下：

课程订阅地址如下：

图像分割是在图像分类基础上更加细粒度的像素级分类问题，在视频直播，电商推荐，自动驾驶，医学图像等行业中有着广泛的应用，是深度学习计算机视觉领域中非常底层的问题，也是必须掌握的核心算法，包含的东西非常多。

图像分割课程当前包含的内容共约12个小时，PPT总数约400页。

理论部分：涵盖了深度学习之图像分割的各个研究方向，如图像分割基础、语义分割、弱监督语义分割，Image Matting，实例分割等，既有足够的宽度，也具备有足够的深度。

实践部分。本次课程中一共已经包含了4个实践案例，分别为人脸嘴唇分割实战，缺陷分割实战，Image Matting人像抠图实战，Mask RCNN实例分割实战，后续可能还会增加其他方向的实战。

大纲如下：

一些实践案例如下：

课程订阅地址如下：

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

目标检测课程当前包含的内容共约28个小时，PPT总数约400页。

理论部分内容包括：目标检测相关基础，包括流程与评价指标，two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解，Anchor-free算法系列详解（包括Densebox，CenterNet，CornetNet等）；

一些PPT动图如下：

课程订阅地址如下：

GAN的研究和应用在这几年发展可以说是非常迅猛，已经被用于各个研究方向，其应用涉及图像与视频生成，数据仿真与增强，各种各样的图像风格化任务，人脸与人体图像编辑，图像质量提升。其中GAN最早期也是最经典的任务，就是高质量图像生成，当前已经可以生成1024分辨率以上的高清逼真图像，为了帮助初学者学习GAN用于图像生成领域的问题，有三AI推出《深度学习之图像生成-理论实践篇》课程，让你以最短的时间掌握GAN与图像生成的经典框架，并进行代码实践。

图像生成GAN课程当前包含的内容共约6个小时，PPT总数约200页。

(1) 理论非常完备。详细解读了基本的卷积GAN，各类条件生成GAN，强大的StyleGAN系列，数据增强与仿真GAN，视频生成GAN，后续还会增加3D与视频的部分内容，既有足够的宽度，也具备有足够的深度。

(2) 实践足够完备。本次课程中一共已经包含了2个Pytorch实战案例，分别为DCGAN人脸嘴唇表情生成任务，StyleGAN人脸图像生成任务，后续还会增加3D与视频部分的实践内容。

课程大纲如下：

一些实践案例如下：

深度学习的核心是什么，当然是“模型”，从CNN到GAN，再到Transformer，正是各类深度学习模型结构的快速发展才使得当前AI技术进展日新月异，其中模型的设计是整个深度学习领域的通用基础，不管是从头设计自己的神经网络，还是对已有模型进行优化获得更高的任务指标，更快的运行速度，获得更小的模型体积，都需要掌握各类网络的设计技巧，是深度学习算法工程师进阶的难点及必学点！

为了让大家能够更加系统更加深入的掌握模型设计相关的内容，有三AI推出了《深度学习之模型设计-理论实践篇》系列课程，让有经验有实力的讲师带你系统深入学习，掌握模型设计技术，本课程长期更新。

目前本课程内容聚焦于经典的CNN模型设计，基于网络深度的模型、基于网络宽度的模型、注意力机制模型、轻量化模型、安卓部署5个部分，总共时长超过20个小时，包括理论知识和实践内容，分为4大模块，4个实践案例，内容详细，案例丰富。在课程中老师会使用通俗易懂的语言帮助大家理解涉及的知识点、原理及代码。下面是课程大纲脑图：

理论部分内容包括4节：网络深度与模型性能，网络宽度与模型性能，注意力机制，轻量化网络理论。

(1) 基于网络深度的CNN模型设计，内容包括经典浅层卷积网络的设计模型如neocognitron、经典模型AlexNet，VGGNet，ResNet。

(2) 基于网络宽度的CNN模型设计，内容包括多分支经典模型如GoogLeNet，ResNext等

(3) 经典注意力机制CNN模型设计，内容包括空间注意力模型、通道注意力模型、 混合注意力模型。

(3) 轻量级模型设计，内容包括Xception网络、MobileNet V1和V2网络、 ShuffleNet V1和V2网络、SqueezeNet网络。

实践部分内容包括4个：基于ResNet的垃圾分类实战，基于InceptionNet系列的花卉分类实战，基于SeNet的人种分类实战，Pytorch模型安卓端部署。

一些PPT动图如下：

一些实践案例如下：

课程订阅地址如下：

课程的完整介绍，请大家点击下图阅读：

更多内容，请参考有三AI-CV季划，包括但不限于图文，直播与视频，书籍，答疑，项目研发，个人答疑指导，介绍如下：

转载文章请后台联系

侵权必究