计算机视觉研究的最终目标是使计算机能通过视觉观察和理解世界,具有自主适应环境的能力，在深度学习发展起来后，卷积神经网络被广泛应用到图像定位、目标检测、目标分割、目标跟踪、行为识别等应用方面。
在深度学习进入CV后，CV的学习越来越变得“扁平快”。网络上随处可见的学习经验，各类的计算资源和开源代码，研究成果也不需要像以前死磕到底，就能够做出优秀的成绩。
但出现的更大问题是，很多人没有时间和动力去研究计算机视觉的核心思想，更不会耗费精力去挖掘计算机视觉的本质。深度学习的算法缺乏可解释性，并且在算法冷启动时，数据量及其缺少，深度学习的应用更是难上加难。因此，CV的经典算法与精髓就显得尤为重要，能够帮助我们在现实任务中，可以从容地进行设计、诊断和调试。
以下列举几个经典应用的实践项目的学习目标，主要包括图像分割。目标跟踪。检测识别三个部分。
经典应用的实践项目
1
Graph Cuts
理解交互式图像分割的基本思想。掌握图的建立和图割过程，并完成代码实现。学习图论的基本知识，BFS，DFS图搜算法，以及求解Max flow问题的Ermond Karp算法。学习Graph- Cut算法的改进方法，以及求解思路。
2
基于GMM的运动分割
学习运动目标检测的主要难点，相关的解决思路。掌握用EM算法进行时序数据的参数估计。掌握GMM算法的核心思想和处理思路，并且完成代码实现。
3
基于光流的目标跟踪
学习目标跟踪的主要难点。以及目标的表示方式，自底向上，自顶向下的解决思路。理解光流概念，光流计算的核心：光流约束方程。光流计算的问题和相应的解决思路。掌握光流目标跟踪的处理流程，并完成代码实现。
4
基于粒子滤波的目标跟踪
学习用递归贝叶斯后验估计求解自顶向下跟踪问题。理解 Monte Carlo的核心思路：将问题转换为某事件出现的概率，解决方法。完成求解常数π，高斯分布的p阶距的代码实现。掌握粒子滤波目标跟踪算法的整体流程，并且完成代码实现。
5
分类器
学习分类，回归问题的基本思想。掌握SVM的理论推导，借助lib-svm库，用交叉验证实现基于SVM的分类任务。学习 Adaboost的核心思想，即通过对弱分类器加权组合，提升为强分类器。学习Haar feature，体会用动态规划的思想实现积分图像的计算，进而实现一个简单的弱分类器。
6
基于模型拟合的目标检测
利用霍夫变换，将图像变换到霍夫空间，极大值处即为直线对应的参数。学习Ransac的核心思想，多次随机采样中内点最多的模型，作为直线的估计模型。分析距离阈值和采样次数对结果的影响。
以上是深蓝学院第三期《计算机视觉应用基础》的课程实践部分，课程通过讲解图像的底层信息，能帮助大家掌握计算机视觉核心算法的基本流程和代码实践过程，并且配合实践项目，更好的在任务进行设计和调试。
课程就业方向：计算机视觉算法工程师、图像算法工程师、目标检测算法工程师
课程适合人群
☆ 准备系统化深入学习计算机视觉的研究者及工程师
☆ 只了解深度学习方法的计算机视觉从业者
☆ 对计算机视觉感兴趣的爱好者
全方位伴学
☆ 讲师微信群答疑
☆ 助教1V1批改作业，定期点评&讲解作业
