工研院產業學習網

近年來深度學習技術在各種機器學習任務上達到前所未有的精度，這樣的突破使得駕駛輔助系統或是自駕車的感知系統可靠度有了極大的提升。

　  本課程除了簡介深度學習的基本原理與訓練細節，還會介紹各種深度學習模型，其中包括了影像分類、物件偵測、影像分割，甚至是生成式對抗網路，尤其是如何運用這些模型在駕駛輔助系統或是自駕車的影像感知系統中，並協助具影像處理專長之學員切入電腦視覺、深度學習，應用深度學習技術至駕駛輔助系統及自駕車等領域。

特色一。自駕車系統的必備技術一次總結給您

電腦視覺/影像分類/物件偵測/影像分割/生成式對抗網路

特色二。分分鐘切入駕駛輔助系統的應用

課程各個案例皆會帶入自駕車系統應用

特色三。期間內重複觀看無限暢影

有不懂的地方就回放，想休息就自己暫停，讓您學習沒有障礙!

• 智慧車輛相關企業/工作者
  
• 自主移動工程師、車聯網工程師
• 對此議題有興趣者

工研院特聘講師 | 林講師

現職：
Chalmers University of Technology | Postdoctoral researcher

經歷:
工研院機械所 | 資深研究員
加州大學聖塔芭芭拉分校資工系 |   訪問研究員

專長：
Computer Vision, Image Processing, Pattern Recognition, Machine Learning, Deep Learning, GPS , Embedded System, iPhone Programming

一、物體偵測 I (Object Detection)

1.各種電腦視覺任務的定義

2.影像標記準則以及物件偵測的量化指標

二、物體偵測 II (Object Detection)

1.如何混用深度學習技術及傳統機器學習技術來實現物體偵測

2.如何運用CNN先提取 Region Proposal 再進一步的分類，以達到二階段的物體偵測

三、物體偵測 III (Object Detection)

1.如何運用CNN實現單階段物體偵測

2.單階段物體偵測的優勢與缺點

3.各種單階段物體偵測模型彼此的差異及改進之處

四、物體偵測 IV (Object Detection)

1.對抗攻擊中 Targeted 與 Non-targeted 的差別

2.對抗攻擊於理想影像及真實世界影像間的差異性

3.ADAS及自駕車失效案例探討

五、語意分割 (Semantic Segmentation)

1.清楚理解何謂語意分割

2.各種語意分割模型的原理及特色

六、生成式對抗網路 (Generative Adversarial Network)

1.清楚理解何謂生成式對抗網路

2.各種生成式對抗網路模型的原理及特色

3.生成式對抗網路模型如何運用在ADAS及自駕車

上課日期：隨時上課/購買後即可開通帳號

上課時數：3小時

課程費用：3,000元

上課方式：線上課程

-學員完成報名與繳費後，將會於3-5個工作天收到觀看網址及開通權限通知。

-課程期間：從開通權限起，即可在2個月內無限次數的觀看與自主學習。

• 為確保學員的上課權益，報名後若未收到任何回覆，敬請主動詢問是否完成報名。
• 數位課程同一帳號僅限本人使用，不得將參加課程活動之權利轉讓予他人。
• 請報名學員遵守數位學習平台之隱私聲明相關規範。