《计算机视觉》课程大纲一、课程名称：计算机视觉二、课程性质：选修、理论+实践课三、学时与学分：24学时理论+16学时实验2.5学分四、课程先导课：线性代数、概率论与数理统计、微积分、Python或Matlab（或C++）、算法设计与分析五、课程介绍“计算机视觉”是一门理论性、工程性、技术性和实践性都很强的专业选修课程，为学生未来从事计算机视觉、人工智能相关研究和工程技术奠定基础。该课程使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术，以及深度学习中的卷积神经网络原理、训练和典型网络结构。着重讲述计算机中的几个主要任务：图像特征与匹配、图像分类、目标检测、人脸识别中的卷积神经网络模型及学习过程。同时，将方法与理论（卷积神经网络，计算视觉理论）紧密结合，理论与实践相结合。培养学生对图像的处理、利用深度学习解决计算机视觉当前的一些热点问题的能力。课程的难点是如何帮助计算机专业的学生使用一些深度学习平台开展计算机视觉方面的实验和解决实际问题或任务的能力。六、课程目标《计算机视觉》的具体目标包括：目标1：使学生理解深度学习、计算机视觉、概率论、统计等基础交叉学科知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质。为毕业要求1提供支持。目标2：使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术。为毕业要求2提供支持。目标3：根据所学卷积神经网络，解决图像分类、目标检测、人脸识别的实际问题，能进行算法和模型的训练，从而锻炼自主学习的能力。为毕业要求4提供支持。目标4：能认识到计算机视觉日新月异的发展特点，以及我们课程所使用的深度学习平台和神经网络发展为例，使学生认同自主学习和终身学习的必要性。为毕业要求12提供支持
《计算机视觉》课程大纲 一、课程名称：计算机视觉 二、课程性质：选修、理论+实践课 三、学时与学分：24 学时理论 + 16 学时实验 2.5 学分 四、课程先导课：线性代数、概率论与数理统计、微积分、Python 或 Matlab （或 C++）、算法设计与分析 五、课程介绍 “计算机视觉”是一门理论性、工程性、技术性和实践性都很强的专业选修 课程，为学生未来从事计算机视觉、人工智能相关研究和工程技术奠定基础。该 课程使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经 网络及其在图像处理中的应用等基本思想原理、流行算法和技术，以及深度学习 中的卷积神经网络原理、训练和典型网络结构。着重讲述计算机中的几个主要任 务：图像特征与匹配、图像分类、目标检测、人脸识别中的卷积神经网络模型及 学习过程。同时，将方法与理论（卷积神经网络，计算视觉理论）紧密结合，理 论与实践相结合。培养学生对图像的处理、利用深度学习解决计算机视觉当前的 一些热点问题的能力。课程的难点是如何帮助计算机专业的学生使用一些深度学 习平台开展计算机视觉方面的实验和解决实际问题或任务的能力。 六、课程目标 《计算机视觉》的具体目标包括： 目标 1: 使学生理解深度学习、计算机视觉、概率论、统计等基础交叉学科 知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质。为 毕业要求 1 提供支持。 目标 2：使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、 卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术。为毕 业要求 2 提供支持。 目标 3：根据所学卷积神经网络，解决图像分类、目标检测、人脸识别的实 际问题，能进行算法和模型的训练，从而锻炼自主学习的能力。为毕业要求 4 提 供支持。 目标 4:能认识到计算机视觉日新月异的发展特点，以及我们课程所使用的 深度学习平台和神经网络发展为例，使学生认同自主学习和终身学习的必要性。 为毕业要求 12 提供支持
七、课程目标对毕业要求的支撑关系支撑的毕业要求二级指标点课程目标1.1能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题目标1的表述。2.1能综合运用数学、自然科学、工程科学以及计算机科学的基本原理，目标2识别、判断和表达计算机复杂工程问题的关键环节：4.2能根据计算机复杂工程问题解决方案的特定对象特征，选择研究路目标3线，设计实验方案、构建实验系统，并进行实验和正确采集实验数据。12.1能认识到计算机技术日新月异的发展特点，认同自主学习和终身学目标4习的必要性12.2具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括目标5理解能力，归纳总结的能力和提出问题的能力等5.1了解计算机专业常用的现代仪器、信息技术工具、工程工具和模拟目标6软件的使用原理和方法，并理解其局限性3.2能为计算机复杂工程问题解决方案设计满足特定需求的软/硬件模目标7块10.1能就专业问题，以口头、文稿、图表等方式，准确表达自己的观点，回应质疑，理解与同行和社会公众等不同对象及不同方式交流的目标8差异性八、教学设计及对课程目标的支持第一章计算机视觉本章主要知识点包括计算机视觉概述，计算机视觉发展史，计算视觉研究方向，计算机视觉典型应用等。1.教学目标1）了解计算机视觉发展历程2）了解计算机视觉研究方向及典型应用3）了解计算机视觉主要技术及方法本章教学支持课程目标1和课程目标2。2.教学重点1）计算机视觉研究发展2）研究及应用3.教学难点1）理解计算机视觉的主要研究技术与方法。4.教学环节设计结合人工智能方法以及计算机视觉的发展，开展文献阅读与讨论，较全面地介绍计算机视觉领域的核心概念、任务和方法
七、课程目标对毕业要求的支撑关系 支撑的毕业要求二级指标点 课程目标 1.1 能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题 的表述。 目标 1 2.1 能综合运用数学、自然科学、工程科学以及计算机科学的基本原理， 识别、判断和表达计算机复杂工程问题的关键环节； 目标 2 4.2 能根据计算机复杂工程问题解决方案的特定对象特征，选择研究路 线，设计实验方案、构建实验系统，并进行实验和正确采集实验数据。 目标 3 12.1 能认识到计算机技术日新月异的发展特点，认同自主学习和终身学 习的必要性 目标 4 12.2 具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括 理解能力，归纳总结的能力和提出问题的能力等 目标 5 5.1 了解计算机专业常用的现代仪器、信息技术工具、工程工具和模拟 软件的使用原理和方法，并理解其局限性 目标 6 3.2 能为计算机复杂工程问题解决方案设计满足特定需求的软/硬件模 块 目标 7 10.1 能就专业问题，以口头、文稿、图表等方式，准确表达自己的观 点，回应质疑，理解与同行和社会公众等不同对象及不同方式交流的 差异性 目标 8 八、教学设计及对课程目标的支持 第一章 计算机视觉 本章主要知识点包括计算机视觉概述，计算机视觉发展史，计算视觉研究 方向，计算机视觉典型应用等。 1.教学目标 1) 了解计算机视觉发展历程 2) 了解计算机视觉研究方向及典型应用 3) 了解计算机视觉主要技术及方法 本章教学支持课程目标 1 和课程目标 2。 2.教学重点 1) 计算机视觉研究发展 2) 研究及应用 3.教学难点 1) 理解计算机视觉的主要研究技术与方法。 4.教学环节设计 结合人工智能方法以及计算机视觉的发展，开展文献阅读与讨论，较全面地介 绍计算机视觉领域的核心概念、任务和方法
第二章图像处理本章主要知识点包括点操作、滤波和几何变换等。1.教学目标1）理解点操作、线性滤波和几何变换的基本原理和用途；2）能够对图像开展点操作、线性滤波和几何变换的实验。。本章教学支持课程目标1、目标2和课程目标3。2.教学重点1）点操作、线性滤波和几何变换；2）相关实验方法。3.教学难点点操作、线性滤波和几何变换；4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第三章特征检测与匹配本章主要知识点包括特征检测器、特征描述、特征匹配、边缘检测和其他类型特征检测与匹配方法。1.教学目标理解常见特征检测与匹配的原理，并能应用到实际任务中。本章教学支持课程目标1、目标2和课程目标3。2.教学重点掌握典型局部特征点检测和特征描述的技术原理和思想。3.教学难点SIFT特征检测与描述提取、ORB特征检测与描述提取4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第四章前馈神经网络本章主要知识点包括神经网络结构、损失函数、训练学习及优化等。·神经网络部分l：结构建立NeuralNetworksPartl：Settingupthe Architecture
第二章 图像处理 本章主要知识点包括点操作、滤波和几何变换等。 1.教学目标 1) 理解点操作、线性滤波和几何变换的基本原理和用途； 2) 能够对图像开展点操作、线性滤波和几何变换的实验。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 1) 点操作、线性滤波和几何变换； 2) 相关实验方法。 3.教学难点 点操作、线性滤波和几何变换； 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第三章 特征检测与匹配 本章主要知识点包括特征检测器、特征描述、特征匹配、边缘检测和其他 类型特征检测与匹配方法。 1.教学目标 理解常见特征检测与匹配的原理，并能应用到实际任务中。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 掌握典型局部特征点检测和特征描述的技术原理和思想。 3.教学难点 SIFT 特征检测与描述提取、ORB 特征检测与描述提取 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第四章 前馈神经网络 本章主要知识点包括神经网络结构、损失函数、训练学习及优化等。 神经网络部分 1：结构建立 Neural Networks Part 1: Setting up the Architecture
·生物学上的神经元模型modelof abiologicalneuron·激活函数activation functions，neural netarchitecture·神经网络部分2：数据及损失函数NeuralNetworksPart2：Dataand Loss·预处理preprocessing·权重初始化weightinitialization·批量标准化，正则化batchnormalization，regularization(L2/dropout)·损失函数lossfunctions·神经网络部分3：学习与评价NeuralNetworksPart3：Learningand Evaluation1.教学目标理解神经网络结构原理和掌握训练方法，并能应用到实际任务中。本章教学支持课程目标1、目标2和课程目标3。2.教学重点掌握神经网络结构的技术原理和训练方法。3.教学难点神经网络结构的网络层的理解，损失函数设计及训练方法。4.教学环节设计对应设计了第1个实验环节。第五章卷积神经网络本章主要知识点包括卷积神经网络原理、结构、反向传播等。Convolutional Neural Networks: Architectures, Convolution/PoolingLayers. layers, spatial arrangement, layer patterns, layer sizing patternsAlexNet/ZFNet/VGGNet case studies, computational considerationsUnderstanding and Visualizing Convolutional Neural Networks. tSNE embeddings, deconvnets, data gradients, fooling ConvNetshuman comparisons.Transfer Learning and Fine-tuning Convolutional Neural Networks
生物学上的神经元模型 model of a biological neuron 激活函数 activation functions, neural net architecture 神经网络部分 2：数据及损失函数 Neural Networks Part 2: Data and Loss 预处理 preprocessing 权重初始化 weight initialization 批量标准化，正则化 batch normalization, regularization (L2/dropout) 损失函数 loss functions 神经网络部分 3：学习与评价 Neural Networks Part 3: Learning and Evaluation 1.教学目标 理解神经网络结构原理和掌握训练方法，并能应用到实际任务中。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 掌握神经网络结构的技术原理和训练方法。 3.教学难点 神经网络结构的网络层的理解，损失函数设计及训练方法。 4.教学环节设计 对应设计了第 1 个实验环节。 第五章 卷积神经网络 本章主要知识点包括卷积神经网络原理、结构、反向传播等。 Convolutional Neural Networks: Architectures, Convolution / Pooling Layers layers, spatial arrangement, layer patterns, layer sizing patterns, AlexNet/ZFNet/VGGNet case studies, computational considerations Understanding and Visualizing Convolutional Neural Networks tSNE embeddings, deconvnets, data gradients, fooling ConvNets, human comparisons Transfer Learning and Fine-tuning Convolutional Neural Networks
1.教学目标理解卷积神经网络原理、结构、反向传播原理和掌握训练方法，并能应用到实际任务中。本章教学支持课程目标2、目标3和课程目标4。2.教学重点掌握卷积神经网络结构的技术原理和训练方法。3.教学难点卷积神经网络结构及反向传播原理，损失函数设计及训练方法。4.教学环节设计对应设计了第1个实验环节。第六章循环神经网络本章主要知识点包括非线性自回归模型、简单循环神经网络、LSTM、递归循环神经网络、图神经网络、循环神经网络应用等。1.教学目标了解常用的循环神经网络、掌握常见的循环神经网络结构和原理。本章教学支持课程目标2、目标3。2.教学重点掌握卷积常见的循环神经网络结构和原理。3.教学难点常见的循环神经网络结构和原理，损失函数设计及训练方法。4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第七章人脸识别本章主要知识点包括常见的人脸识别方法、最新趋势和进展。·人脸检测方法Facedetection·人脸对齐Facealignment·人脸识别Facerecognition·常见的方法DeepID、Facenet、ShpereFace、CosFace、ArcFace
1.教学目标 理解卷积神经网络原理、结构、反向传播原理和掌握训练方法，并能应用 到实际任务中。 本章教学支持课程目标 2、目标 3 和课程目标 4。 2.教学重点 掌握卷积神经网络结构的技术原理和训练方法。 3.教学难点 卷积神经网络结构及反向传播原理，损失函数设计及训练方法。 4.教学环节设计 对应设计了第 1 个实验环节。 第六章 循环神经网络 本章主要知识点包括非线性自回归模型、 简单循环神经网络、LSTM、 递归循环神经网络、图神经网络、循环神经网络应用等。 1.教学目标 了解常用的循环神经网络、掌握常见的循环神经网络结构和原理。 本章教学支持课程目标 2、目标 3。 2.教学重点 掌握卷积常见的循环神经网络结构和原理。 3.教学难点 常见的循环神经网络结构和原理，损失函数设计及训练方法。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第七章 人脸识别 本章主要知识点包括常见的人脸识别方法、最新趋势和进展。 人脸检测方法 Face detection 人脸对齐 Face alignment 人脸识别 Face recognition 常见的方法 DeepID、Facenet、ShpereFace、CosFace、ArcFace