趋近智
计算机视觉应用中的高级卷积神经网络
章节 1: 回顾CNN核心与现代架构
卷积神经网络构建模块简要回顾
CNN 架构的演变：从 AlexNet 到 ResNet
理解残差连接与跳跃架构
Inception 模块和网络中的网络思想
DenseNet：架构与连接模式
EfficientNet：模型复合缩放
架构设计选择与权衡
现代架构构建实践
章节 2: 高级训练与优化方法
高级优化算法
学习率策略和周期性学习率
正则化再论：进阶方法
批量归一化内部运作及替代方案
深度网络的权重初始化策略
梯度裁剪与梯度流动缓解
混合精度训练的基本原理
深度CNN训练的调试与监控
动手实践：实现高级训练循环
章节 3: 目标检测算法
两阶段检测器：R-CNN 系列
区域候选网络解析
单阶段检测器：YOLO系列
单阶段检测器：SSD 和 RetinaNet
锚框：设计与优化
非极大值抑制的变体
目标检测的评估指标
目标检测器实现练习
章节 4: 图像分割技术
语义分割与实例分割
全卷积网络用于图像分割
编码器-解码器架构：U-Net 和 SegNet
用于图像分割的空洞（Atrous）卷积
DeepLab 系列：空洞空间金字塔池化
实例分割方法 (Mask R-CNN)
分割的评估指标
实践操作：构建语义分割模型
章节 5: 视觉中的注意力机制与Transformer
CNN中的自注意力机制
非局部神经网络
视觉Transformer简介
ViT 架构：图像块、嵌入和 Transformer 编码器
混合CNN-Transformer模型
CNN与Transformer在视觉任务中的比较
在CNN中实现注意力模块的实践
章节 6: 高级迁移学习与域适应
回顾迁移学习策略
微调与特征提取：高级考量
使模型适应不同数据分布
域泛化概述
基于CNN的小样本学习
视觉自监督学习预训练
动手实践：在特定数据集上微调模型
章节 7: 生成对抗网络用于图像合成
GAN 基本原理回顾
训练生成对抗网络的挑战
深度卷积生成对抗网络 (DCGAN)
条件GANs用于可控生成
StyleGAN 架构与基于风格的生成
GAN 的评估指标
图像生成实践中的DCGAN实现
章节 8: 模型压缩与高效深度学习
高效模型的动因
网络剪枝技术
知识蒸馏方法
量化：降低模型精度
设计高效架构
神经网络架构搜索概览
动手实践：应用剪枝与量化
DeepLab 系列：空洞空间金字塔池化
这部分内容有帮助吗？
- Rethinking Atrous Convolution for Semantic Image Segmentation, Liang-Chieh Chen, George Papandreou, Florian Schroff, Hartwig Adam, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1706.05587 - 介绍了带有图像级特征和批量归一化的空洞空间金字塔池化 (ASPP)，构成了 DeepLabv3 的基础。
- Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation, Liang-Chieh Chen, Yukun Zhu, George Papandreou, Florian Schroff, Hartwig Adam, 2018 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (Institute of Electrical and Electronics Engineers (IEEE)) DOI: 10.1109/CVPR.2018.00696 - 提出了 DeepLabv3+，通过引入高效的解码器模块，结合高级和低级特征，改善了边界分割效果，从而扩展了 DeepLabv3。
- DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs, Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L Yuille, 2017 IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), Vol. 40 (IEEE) DOI: 10.1109/TPAMI.2017.2699184 - 一篇基础论文，完善了 DeepLab 架构，详细阐述了空洞卷积及其在语义分割中用于多尺度上下文的应用。
- Multi-Scale Context Aggregation by Dilated Convolutions, Fisher Yu, Vladlen Koltun, 2016 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1511.07122 - 介绍了空洞卷积，用于聚合多尺度上下文信息而不损失分辨率，这是 DeepLab 系列模型所利用的核心技术。