《计算机视觉2》课程教学大纲

《计算机视觉2》教学大纲一、课程基本信息课程名称计算机视觉ComputerVision课程编码CST520921020开课院部计算机科学与技术学院课程团队计算机视觉教学团队学分2.0课内学时32讲授32实验0上机0实践0课外学时32适用专业计算机科学与技术授课语言中文先修课程机器学习课程简介（限选）本课程为面向计算机科学与技术学院智能科学系开设的专业必修课，针对本科高年级学生，学习完整的计算机视觉基础理论。要求学生熟悉数字信号与多媒体对象、尤其是图像的处理方法。建议选修、非必要的前置课程可包括：数字媒体处理技术，图形图像智能分析技术，人工智能导论，机器学习等。计算机视觉是当前人工智能最重要的研究方向，本课程介绍计算机视觉的基本问题，帮助学生掌握该领域的基本概念，基础知识和基本方法，为从事相关领域研究打开一扇大门。课程还通过经典文献阅读、经典算法与应用的验证，锻炼学生在计算机科学领域的学习与探索能力。同时，利用穿插的思政案例、使学生在掌握专业知识的同时，培养学生树立正确的价值观和深入理解社会主义核心价值观等。ThiscourseisaprofessionalrequiredcoursefortheDepartmentofIntelligenceScienceoftheCollegeofComputerScienceandTechnology.Itisaimedatseniorundergraduatestudentsandlearnscompletebasictheoriesofcomputervision.Studentsarerequiredtobefamiliarwithdigitalsignalsandmultimediaobjects,especiallyImageprocessingmethods.Itissuggestedthatoptionalandunnecessarypre-coursesmayinclude:Digitalmediaprocessingtechnology,intelligentanalysistechnologyofgraphicsandimages,IntroductiontoArtificialintelligence,machinelearning,etc.Computervisionisthemostimportantresearchdirectionofartificialintelligenceatpresent.Thiscourseintroducesthebasicproblemsofcomputervisionandhelpsstudentsmasterthebasicconcepts,basicknowledgeandbasicmethodsinthisfield,openadoorforresearchinrelatedfields.Thecoursealsotrainsstudents'learningandexplorationabilityinthefieldofcomputersciencethroughreadingclassicdocumentsandverifyingclassicalgorithmsandapplications.Atthesametime,theuseofinterspersedideologicalandpoliticalcasestoenablestudentstomasterprofessionalknowledge,whilecultivatingstudentstoestablishcorrectvaluesandin-depthunderstandingofsocialistcorevalues.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1M1目标1：掌握计算机视觉领域的基本概念，基础知识和基本方法，通过经典文献阅读、经典算法与应用的验证，锻炼学生在计算机科学领域的学习与探索能力。是2.22.22M2目标2：基于机器学习等基本原理，根据具体的计算机视觉问题的特点，选择研究路线，设计实现方案并实现系统。是4.13M3目标3：了解计算机视觉研究与应用的最新进展和发展方向，开阔视野；能够分析计算机视觉应用领域的复杂工程问题，使用机器学习的方法为相关问题构建可行的解决方案。是3.1三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内学时教学方式课外学时课外环节1第1章概论本章的重点和难点：计算机视觉问题的；计算机视觉算法的框架；介绍国内研究现状以及国内研究人员的主要工作及其贡献（思政）M12讲授2自学21.1计算机视觉基础计算机视觉定义；计算机视觉原理；计算机视觉的现状////31.2计算机视觉的主要应用自动驾驶、工业检测、增强现实；医疗计算机视觉和医学图像处理；军事领域的应用////41.3基于词袋的图像分类方法框架表达与建模；计算与求解；实现////5第2章计算机视觉基础本章的重点和难点：图像的数据类型；图像类型；成像原理与模型；HOG特征、SIFT特征；卷积、池化操作M12讲授2自学69.3基于知识增强方法的视觉问答基于组合模型的视觉问答主要思想、步骤及其实现////72.1照相机成像模型照相机成像模型////82.2透视投影透视投影////92.3颜色模型RGB颜色模型；HSV颜色模型////102.4图像特征提取HOG特征；SIFT特征////112.5图像特征表示图像特征表示////122.6滤波与卷积滤波的基本操作和计算过程；卷积操作和计算；池化操作和计算////132.7计算机视觉基本方法计算机视觉基本方法////142.7.1词袋方法词袋方法////152.7.2深度学习方法深度学习方法////16第3章图像分类本章的重点和难点：基于词袋的方法的特征表示流程和实现；GMM；Fisher向量；CNN;经典的深度学习模型M2////173.1基于词袋方法的特征编码词典；直方图表示1讲授//183.2基于Fisher向量的特征编码GMM；Fisher向量的表示1讲授//193.3基于支持向量机的图像分类基于支持向量机的图像分类2讲授1自学203.4基于深度学习的图像分类CNN；RNN;LSTM;LeNet;AlexNet;GoogLeNet;ResNet2讲授1自学21第4章图像语义分割本章的重点和难点：语义分割的主要思想、设计流程及其实现过程；背景提取主要方法和实现M1////224.1基于聚类的分割方法聚类方法的基本思想和实现；基于聚类的分隔的主要流程和实现过程1讲授//234.2基于区域的分割方法基于区域分割的图像分割方法主要思想和流程1讲授//244.3基于图论的分割方法利用图表示一幅图像的方法；基于图论的图像分割的主要思想和流程1讲授1自学254.4基于深度学习的分割方法基于深度学习的图像分割方法主要模型名称；网络结构设计；训练好的深度学习模型的使用2讲授1自学26第5章物体检测本章的重点和难点：物体检测方法的主要思想、设计流程及其实现过程M1////275.1基于滑动窗口和模板匹配的物体检测方法基于滑动窗口的物体检测方法；基于图结构（PictorialStucture）的方法1讲授//285.2基于深度学习的物体检测方法基于深度学习的物体检测方法的主要模型名称；网络结构设计；训练好的深度学习模型的使用2讲授1自学295.3行人检测行人检测方法的思想、设计流程和实现2讲授1自学30第6章识别本章的重点和难点：识别主要有哪些问题；人脸识别的算法流程和实现；人脸识别方向经典的深度学习模型主要有哪些，如何使用他们进行人脸识别；人体姿态识别的定义；人体行为识别的定义及其应用M3////316.1人脸识别Eigenface；经典的深度学习模型2讲授//326.2人体姿态识别人体姿态的表示方法；人体姿态识别算法的类别2讲授1自学336.3人体行为识别人体行为识别的主要类别；人体行为识别的经典的深度学习模型有哪些，如何使用这些深度学习模型进行人体行为识别2讲授1自学34第7章物体跟踪本章的重点和难点：物体跟踪问题的定义；物体跟踪的主要方法及其实现M12讲授2自学357.1基于卡尔曼滤波的物体跟踪基于卡尔曼滤波的物体跟踪的主要步骤及其实现////367.2基于粒子滤波的物体跟踪基于粒子滤波的物体跟踪的工作原理、主要步骤及其实现////377.3基于深度学习的物体跟踪基于深度学习的物体跟踪方法的主要模型名称；网络结构设计；训练好的深度学习模型的使用////38第8章多目视觉本章的重点和难点：多目视觉的定义和应用；多目视觉的主要方法M12讲授2自学398.1图像配准图像配准的定义及其应用；图像配准中经常使用到的特征；图像配准的主要方法、流程及其实现////408.2双目图像融合双目图像融合问题定义、应用及其主要方法////418.3多目重构双目图像融合问题定义、应用及其主要方法////42第9章视觉问答本章的重点和难点：视觉问答的定义和应用；主要方法及其实现M12讲授2自学439.1基于联合嵌入方法的视觉问答嵌入的定义和方法；基于联合嵌入方法的视觉问答的方法：主要思想、步骤及其实现////449.2基于组合模型的视觉问答基于组合模型的视觉问答主要思想、步骤及其实现////459.3基于知识增强方法的视觉问答基于组合模型的视觉问答主要思想、步骤及其实现////四、考核方式序号考核环节操作细节总评占比1课后作业主要考察学生对课后作业的完成情况，包括在限定时间之前完成并能够完成作业要求的所有项目20%2平时表现主要考察出勤率，在课堂上回答问题等交互情况等10%3期末考试主要考核学生对本门课程重点介绍的知识点的掌握情况70%五、评分细则序号课程目标考核环节大致占比评分等级1M1期末考试100%（见试卷评分标准）2M2课后作业60%A-按时提交作业，基本知识点理解无误。B-按时提交作业，基本知识点理解存在少量错误。C-按时提交作业，基本知识点存在有限的错误。D-不能按时提交作业，基本知识点存在一些错误。E-不能按时提交作业，存在大量错误。3M2平时表现40%（见试卷评分标准）4M3课后作业60%A-按时提交作业，基本知识点理解无误。B-按时提交作业，基本知识点理解存在少量错误。C-按时提交作业，基本知识点存在有限的错误。D-不能按时提交作业，基本知