فلش‌کارت‌های آموزشی تخصصی تشخیص پیاده‌روی با استفاده از بینایی ماشین و یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخصصی تشخیص پیاده‌روی با استفاده از بینایی ماشین و یادگیری عمیق

موضوع کلی: دستهٔ جامع

موضوع میانی: بینایی ماشین برای تشخیص اشیاء

📋 سرفصل‌های دوره

• 1. مقدمه بر تشخیص پیاده‌روی در بینایی ماشین
• 2. مبانی تشکیل تصویر و دوربین‌ها
• 3. مبانی نور و invariance gegen illumination
• 4. مدل‌های اولیه ظاهر پیاده‌روی
• 5. استخراج ویژگی‌های HOG
• 6. تصویبintegral images و محاسبه سریع ویژگی
• 7. ویژگی‌های Haar-like و klasyfikator AdaBoost
• 8. مدل‌های بخش قابل تغییر (DPM) برای تشخیص پیاده‌روی
• 9. استراتژی جستجوی sliding window
• 10. تکنیک‌های non-maximum suppression (NMS)
• 11. معیارهای ارزیابی: متوسط Precision، نرخ log-average miss
• 12. داده‌های آزمون标准: Caltech Pedestrian، INRIA، Cityscapes، ETH، KITTI
• 13. ابزارهای anotating داده و قالب‌های COCO، VOC
• 14. پایپلین پیش‌پردازش: تغییر اندازه، نرمال‌سازی، تعادل 히ستوگرام
• 15. ویژگان LBP و ویژگی‌های بافت
• 16. ویژگان SIFT و SURF
• 17. طبقه‌بندی‌های سنتی: SVM، Random Forest، Gradient Boosting
• 18. مدل‌های مبتنی بر بخش و poselets
• 19. مدلسازی زمینه‌ای با استفاده از هندسه صحنه
• 20. ثبات زمانی و ردیابی مبتنی بر تشخیص
• 21. استفاده از optical flow برای estimating حرکت پیاده‌روی
• 22. روش‌های background subtraction برای تشخیص جسم متحرک
• 23. معرفی به یادگیری عمیق و شبکه‌های عصبی
• 24. طبقات کانولوشنی، pooling و توابع فعال‌سازی
• 25. معمول‌های CNN کلاسیک: LeNet، AlexNet، VGGNet
• 26. شبکه‌های باقی‌مانده (ResNet) و اتصالات identité
• 27. خط لوله R-CNN مبتنی بر منطقه
• 28. Fast R-CNN: ROI pooling و محاسبه به اشتراک گذاشته شده
• 29. Faster R-CNN: شبکه پیشنهادی ناحیه (RPN)
• 30. Mask R-CNN: گسترش به segmentation نمونه‌ای
• 31. detectorهای تک‌شוט: نمای کلی SSD
• 32. خانواده YOLO: از YOLOv1 تا YOLOv8
• 33. شبکهٔ فیچر-piramیدی (FPN) برای تشخیص چند مقیاس
• 34. الگوها مبتنی بر anchor و anchor-free
• 35. فانکسیون‌های ضرر: ضرر کلاس‌بندی، ضرر محلی، IoU/GIoU
• 36. استخراج منفی‌های سخت و استخراج مثال‌های سخت آنلاین (OHEM)
• 37. استراتژی‌های افزایش داده: فتوومتریک، هندسی، mixup، cutmix
• 38. تأقلم دامنه: синтетиک به واقعی، sim-to-transfer
• 39. مدیریت ocultation: مدل‌های آware ocultation،見える部分
• 40. تشخیص پیاده‌روی کوچک: سوپر-رزولوشن و نشانه‌های context
• 41. استراتژی‌های تشخیص چند مقیاس و نرمال‌سازی مقیاس
• 42. محدودیت‌های تشخیص زمان واقعی: تأخیر، توانمندی، FPS لازم
• 43. فشرده‌سازی مدل: برش، کمیت، تجزیه low-rank
• 44. دسته‌بندی دانش برای detectors سبک‌پیاده‌سازی
• 45. استقرار روی دستگاه‌های حاشیه: TensorRT، OpenVINO، CoreML
• 46. بروتوکولات ارزیابی:benchmark پیاده‌روی Cityscapes، KITTI tracking
• 47. تحلیل خطا: false positives vs false negatives، ماتریس درهم
• 48. بنچمارک و جدول‌هایemeritus: PapersWithCode، کارگاه‌های CVPR
• 49. detectorهای مبتنی بر transformer: DETR، ViTDet، Swin Transformer
• 50. یکپارچه‌سازی برآورد Pose برای درک رفتار پیاده‌روی
• 51. تشخیص عمل: تحلیل گávání، طبقه‌بندی فعالیت
• 52. ادغام چند دوربین و نمای بر فراز زمین (BEV)
• 53. تشخیص 3D پیاده‌روی با استفاده از LiDAR و سنسورهای RGB-D
• 54. خط لول fusión سنسور: ترکیبی دوربین-LiDAR-radar
• 55. طراحی سیستم ایمنی-sensitive: ISO 26262، ایمنی عملکردی
• 56. ملاحظات اخلاقی: حریم خصوصی، کاهش تحایز در دیتاست‌ها
• 57. جوانمندی‌های قانونی: GDPR، مقررات خودروهای خودران
• 58. خط لول پایان به پایان: جمع‌آوری داده، anotating، آموزش، اعتبارسنجی
• 59. اکوسیستم نرم‌افزار: OpenCV، Detectron2، MMDetection، TensorFlow Object Detection API
• 60. مطالعهٔ موردی: ساخت سیستم تشخیص پیاده‌روی برای رانندگی خودران شهری
• 61. نظارت و یادگیری مستمر: به‌روزرسانی آنلاین، تشخیص درشت
• 62. ابزارهای اشکال‌زدایی و نمایش: TensorBoard، Netron، CVAT
• 63. پروفایلینگ عملکرد: استفاده GPU، تحلیل باندwidth memory
• 64. ملاحظات انرژی‌کارایی برای پلتفرم‌های embedded
• 65. جهت‌هایekommande تحقیقاتی: یادگیری weakly supervised, self-supervised
• 66. Benchmarking modalities جدید: دوربین‌های event، تصویرهای حرارتی
• 67. استقامت در برابر شرایط هوای بد: باران، مه، شب
• 68. استقامت در برابر خصومت و تکنیک‌های دفاع
• 69. قابلیت توضیح: نقشه‌های سالنسی، Grad-CAM برای تصمیمات detector
• 70. ادغام تشخیص با ماژول‌های برنامه‌ریزی و کنترل