介绍

图像语义分割，简单而言就是对图片中的每一个像素点进行分类

主要的贡献：

• 为语义分割引入了 端到端 的全卷积网络，并流行开来
• 重新利用 ImageNet 的预训练网络用于语义分割
• 使用 反卷积层 进行上采样
• 引入跳跃连接来改善上采样粗糙的像素定位

背景

CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。

全卷积网络 Fully Convolutional Networks

CNN 与 FCN

全连接层 -> 成卷积层

• 针对第一个连接区域是[7x7x512]的全连接层，令其滤波器尺寸为F=7，这样输出数据体就为[1x1x4096]了。
• 针对第二个全连接层，令其滤波器尺寸为F=1，这样输出数据体为[1x1x4096]。
• 对最后一个全连接层也做类似的，令其F=1，最终输出为[1x1x1000]

upsampling

缺点

通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维的向量表示输入图像属于每一类的概率(softmax归一化)。

栗子：下图中的猫, 输入AlexNet, 得到一个长为1000的输出向量, 表示输入图像属于每一类的概率, 其中在“tabby cat”这一类统计概率最高。

FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。

最后逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本。下图是Longjon用于语义分割所采用的全卷积网络(FCN)的结构示意图：

简单的来说，FCN与CNN的区域在把于CNN最后的全连接层换成卷积层，输出的是一张已经Label好的图片。

其实，CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。

分享安排

1. 人工智能、深度学习的发展历程

2. 深度学习框架

3. 神经网络训练方法

4. 卷积神经网络，卷积核、池化、通道、激活函数

5. 循环神经网络，长短时记忆LSTM、门控循环单元GRU

6. 参数初始化方法、损失函数Loss、过拟合

7. 对抗生成网络GAN

8. 迁移学习TL

9. 强化学习RF

10. 图神经网络GNN

一、算法和场景融合理解

1.空间相关性的非结构化数据，CNN算法。典型的图像数据，像素点之间具有空间相关性，例如图像的分类、分割、检测都是CNN算法。

2.时间相关性的非结构化数据，RNN算法。这类场景普遍的一个现象就是数据之间具有时序相关性，也就是数据之间存在先后依赖关系。例如自然语言处理、语音相关算法都是基于RNN算法。

3.非欧氏数据结构， GNN。这类场景典型的可以用图来表示。例如社交网络等。

案例摘要讲解

医疗领域：如流行疾病、肿瘤等相关疾病检测

遥感领域：如遥感影像中的场景识别

石油勘探：如石油油粒大小检测

轨道交通：如地铁密集人流检测

检测领域：如故障检测

公安领域：如犯罪行为分析

国防领域：目标检测、信号分析、态势感知…

经济领域：如股票预测

二、数据理解及处理

分析典型场景中的典型数据，结合具体的算法，对数据进行处理

1.结构化数据，如何对数据进行读取，进行组织。

2.图像数据，在实际应用过程中的处理方法，怎样做数据的预处理、进行数据增强等。

3.时序信号，将单点的数据如何组合成一个序列，以及对序列数据处理的基本方法。

三、技术路径设计

针对具体的场景设计特定的神经网络模型，对典型数据适配的网络结构进介绍。

1.DNN模型搭建的基本原则

2.CNN模型中常见的网络结构，以及参数分析。

3.RNN中支持的一些基本算子，如何对序列数据进行组织。

四、模型验证及问题排查

简单的算法或者模型对典型的场景进行快速验证，并且针对一些频发的问题进行讲解。

1. 模型收敛状态不佳

2. 分类任务重最后一层激活函数对模型的影响

五、高级-模型优化的原理

不同的模型需要采用的优化函数以及反向传播中参数的优化方法

1.模型优化的算法介绍，基于随机梯度下降的算法介绍。

2.不同场景适应的损失函数介绍。

3.针对典型场景的反向传播梯度的推到过程。

六、高级-定制化思路

结合往期学员的一些项目，简单介绍一下解决一个具体问题的思路。

遥感成像中，地块农作物种类的识别。

实操解析与训练

第一阶段：

神经网络实践

实验：神经网络

1.神经网络中基本概念理解：epoch、batch size、学习率、正则、噪声、激活函数等。

2.不同的数据生成模型、调整网络参数、调整网络规模

3.神经网络分类问题

4.不同数据特征的作用分析、隐含层神经元数目

5.过拟合

高频问题：

1.输入数据与数据特征 2.模型设计的过程中的参数与功能的关系。

关键点：

1.掌握神经网络的基本概念 2.学会搭建简单的神经网络结构

3.理解神经网络参数

实操解析与训练

第二阶段：

深度学习三种编程思想

实验：Keras实践

1.理解Keras基本原理 2.学会Keras编程思想

3.三种不同的深度神经网络构建编程方式

4.给定数据集，采用Keras独立完成实际的工程项目

高频问题：

1.如何编程实现深度神经网络 2.三种开发方式的具体使用

关键点：

1.掌握Keras编程思想 2.采用三种不同方式编写深度神经网络

实操解析与训练

第三阶段：CNN实践

实验：图像分类

1.使用CNN解决图像分类问题 2.搭建AlexNet 3.VGG16/19

4.GoogleNet 5.ResNet

高频问题：

1.CNN更复杂的模型在哪里可以找到代码

关键点：

1.使用卷积神经网络做图像分类 2.常见开源代码以及适用的问题

实验：视频人物行为识别

1.基于C3D的视频行为识别方法 2.基于LSTM的视频行为识别方法

3.基于Attention的视频行为识别方法

高频问题：

1.2D卷积与3D卷积 2.视频的时空特征

关键点：

1.C3D网络的构建 2.Attention机制

实操解析与训练

第四阶段：

R-CNN及YOLO实践

实验：目标检测

1.目标检测发展现状及代表性方法

2.两阶段目标检测方法：R-CNN系列模型

3.一阶段目标检测方法：YOLO系列模型

高频问题：

1.提名与分类 2.BBOX实现策略 3.YOLO Loss函数

关键点：

1.提名方法 2.ROI Pooling 3.SPP Net 4.RPN 5.YOLO

实操解析与训练

第五阶段：

RNN实践

实验：股票预测

1.股票数据分析 2.同步预测 3.异步预测

高频问题：

1.历史数据的使用

关键点：

1.构建RNN 2.采用Keras编程实现

实操解析与训练

第六阶段：

Encoder-Decoder实践

实验：去噪分析

1.自编码器 2.去噪自编码器

高频问题：

1.噪声的引入与去除

关键点：

1.设计去噪自编码器

实验：图像标题生成

结合计算机视觉和机器翻译的最新进展，利用深度神经网络生成真实的图像标题。

1.掌握Encoder-Decoder结构 2.学会Seq2seq结构

3.图像CNN +文本RNN 4.图像标题生成模型

高频问题：

1.如何能够根据图像生成文本？

关键点：

1.提取图像特征CNN，生成文本RNN 2.构建Encoder-Decoder结构

实操解析与训练

第七阶段：

GAN实践

实验：艺术家作品生成

1. 生成对抗网络原理 2.GAN的生成模型、判别模型的设计

高频问题：

1.生成模型与判别模型的博弈过程

关键点：

1.掌握GAN的思想与原理 2.根据需求学会设计生成模型与判别模型

实操解析与训练

第八阶段：

强化学习实践

实验：游戏分析

1.游戏场景分析 2.强化学习的要素分析 3.深度强化学习

高频问题：

1.DNN 与DQN 2.探索与利用

关键点：

1.深度强化学习的原理 2.根据实际需求，设计深度强化学习模型

实操解析与训练

第九阶段：

图卷积神经网络实践

实验：社交网络分析

1.图神经网络的原理 2.图卷积神经网络的思想

3.设计图卷积神经网络进行社交网络分析

高频问题：

1.如何从图神经网络的原理转化到实际编程

关键点：

1. 掌握图神经网络原理 2. 图卷积神经网络编程实现

实操解析与训练

第十阶段：

Transformer实践

实验：基于Transformer的对话生成

1. Transformer原理 2. 基于Transformer的对话生成

3.基于 Transformer 的应用

高频问题：

1.如何应用自注意力机制 2.如何应用于自然语言处理与计算机视觉

关键点：

1.self-Attention机制 2.position

学习和关注人工智能技术与咨询，更多详情可咨询175-3102-1189（v同号）。