~歡迎企業洽談包班需求 ~
「大數據/人工智慧」 同步招生中 !! 

 一、課程緣起：

繼CNN (Convolutional Neural Network) 網路發展之後，另有一實用的R-CNN (Region-based Convolutional Neural Networks) 網路被開發應用於多物件偵測(multiple object detection)，其發展過程大致可分成較為精確但無法即時(real time)處理的Faster R-CNN及Mask R-CNN與較不精確但可即時處理的SSD (Single Shot MultiBox Detector)及YOLO(You Only Look Once)等多物件偵測方法；此四種物件偵測方法結合當代CNN類神經網路機器學習的優點，加上多區域及多解析度的平行辨識能力，使其優於傳統的影像辨識方法，成為當今影像物件偵測的主流方法；可應用於機器人與自駕車的視覺辨識、生產線產品的瑕疵辨識、保全系統的自動化辨識等許多與機器視覺相關的領域；等於是賦予人工智慧應用系統一多維度的眼睛，從此人工智慧系統對外界環境不再是瞎子摸象，可確實的感知外界物件的存在及其位置，進而推測其動態的變化。因此，此多物件偵測技術確實為人工智慧打開了一道視覺的任意門，使人工智慧技術得以實在的融入到我們的生活。

    二、課程目標：

本課程以R-CNN為主軸，深入介紹Faster R-CNN、Mask R-CNN、SSD、YOLO系列等物件偵測方法；內容包含演算法講解及實作，使學員可以充分的瞭解其設計方法，並實用於與人工智慧視覺辨識相關的產品研發。

    三、課程特色：

• 堅強師資陣容：授課老師具備完整知識及豐富的業界經驗。課程中將以著名的案例來說明原理以及實際上機實作，讓學員以最快的速度奠定設計技巧及平行理念。
• 課程內容彙整論文及書籍精華：講義內容豐富，不但綜整許多著名書籍的精華內容，並且萃取多篇具有代表性的學術及專業論文，使學員能夠有效率的吸收到最新最流行的平行運算技術。
• 快速的重點講解：課程中將結合講師講授、經驗分享、實務案例分析、工具軟體應用示範，以增進學習的成效。同時，提供豐富的補充教材，包括設計時參考使用的程式源碼及實驗資料取得方式，讓學員能夠盡快上手，開始設計屬於自己的專案計畫，加入平行運算的設計行列。

   四、課程大綱：

1.CNN 類神經網路架構演化整合介紹

2.Faster R-CNN 演算法架構及優缺點介紹

3.SSD 演算法架構及優缺點介紹

4.YOLOv1演算法架構介紹

5.FPN 演算法架構介紹

6.YOLOv3及YOLOv4演算法架構介紹

7.YOLOv4控制檔說明

8.物件偵測實作計畫及影像資料標註說明

9.YOLOv4模型訓練及預估

10.YOLOv4物件偵測實作檢驗及模型訓練精準度評估

11.Scaled YOLOv4演算法架構介紹

12.YOLOv5演算法架構介紹

13.Semantic Segmentation 方法介紹

14.Mask R-CNN 演算法架構介紹

15.Mask R-CNN 程式使用方法說明

16.Mask R-CNN 物件偵測實作計畫及影像標註說明

17.Mask R-CNN 模型訓練及預估

18.Mask R-CNN 物件偵測實作檢驗及模型訓練精準度評估

  五、適合對象：

• 已具有Python及深度學習基礎

電子/電機/資訊相關工程師

人工智慧高階軟體開發工程師

大數據相關研發人員或資料科學家

統計/數值分析研究人員

財務分析工程師

醫學工程研究人員

生物科技研究人員

六、講師介紹：