计算机视觉教学大纲

《计算机视觉》课程教学大纲（2022版）一、课程基本信息1．课程名称：计算机视觉（ComputerVision）2．学分学时：3学分，48学时（含课堂教学36学时，实验教学12学时）3．考核方式：考查4．课程类别：专业选修课5．适用专业：计算机科学与技术、物联网工程、人工智能、软件工程6．先修课程：矩阵理论与应用、Python程序设计、数字图像处理7．后续课程：计算机视觉项目实践8．开课单位：计算机学院二、课程性质计算机视觉是一门重要的专业课程。本课程以计算机视觉的基本概念和算法为基础，将理论知识、科学研究和工程实践有机结合起来。以具体的图像与视觉案例为引导，讲解计算机视觉问题的一般求解方法。通过学习，使学生能了解图像处理与计算机视觉在各个领域的相关应用，能运用图像处理与计算机视觉的基本原理和方法从事图像分割、目标检测、识别和跟踪等工作，培养学生工程实践能力和技术创新能力。并通过对计算机视觉的发展历史、研究热点的介绍，培养学生的探索精神，赋予其攻克前沿学术问题的勇气。三、课程目标通过本课程学习，学生应达到的预期教学目标如下：1.了解计算机视觉研究目标、研究任务、研究热点和发展趋势；2.掌握常用图像预处理方法、特征提取方法和图像分类算法，培养学生对技术问题的理解能力、归纳总结的能力和自主学习的能力；3.掌握神经网络和深度学习的理论和方法，能够基于相关科学原理和数学模型方法表达和解决复杂工程问题。四、教学内容及学习要求第一单元计算机视觉概述支撑目标：课程目标1教学内容：1．计算机视觉定义；2．计算机视觉任务；3.计算机视觉与其它学科的联系。学习要求：1．了解计算机视觉的定义；2．了解计算机视觉的主要研究内容。第二单元Python和OpenCV运行环境支撑目标：课程目标2教学内容：1．Anaconda的安装；2．编译器安装；3.OpenCV视觉库安装；4.OpenCV图像基本操作学习要求：1．能够熟练配置Python和OpenCV运行环境；2．掌握OpenCV中图像的基本操作。第三单元图像预处理支撑目标：课程目标2教学内容：1．直方图修正；2．空域滤波；3.频域滤波。实验一：图像基础变换和预处理学习要求：1．理解直方图均衡化和规定化原理；2．掌握空域滤波和频域滤波的经典算法。第四单元图像特征提取支撑目标：课程目标2教学内容：1．HOG特征；2．SIFT特征；3.哈希特征。学习要求：1．理解并掌握HOG特征和SIFT特征的原理和实现方法；2．掌握不同类型的哈希特征的实现方法。第五单元图像分类支撑目标：课程目标2教学内容：1．KNN分类；2．贝叶斯分类器；3.SVM分类器；4.分类器评价。学习要求：1．理解并掌握传统分类器的分类机理和实现方法；2．掌握分类器的评价指标。第六单元神经网络基础支撑目标：课程目标3教学内容：1．神经网络基本概念；2．激活函数；3.神经网络设计；4.损失函数；5.梯度下降；6.神经网络反向传播。实验二：神经网络分类学习要求：1．理解神经网络的算法流程和作用机理；2．掌握神经网络的反向传播方式。第七单元卷积神经网络的基本概念支撑目标：课程目标3教学内容：1．卷积层；2．池化层；3.激活函数；4.全连接层；5.卷积神经网络示例；6.卷积的有效性。学习要求：1．理解卷积神经网络各层的作用；2．理解卷积的有效性。第八单元目标检测支撑目标：课程目标3教学内容：1．目标检测发展；2．候选框提取；3.目标定位和分类；4.Two-stage目标检测算法；5.One-stage目标检测算法；6.YOLO目标检测实例。学习要求：1．掌握滑动窗口算法；2．理解R-CNN及其变种、YOLO、SSD算法的原理。第九单元其他深度学习网络支撑目标：课程目标3教学内容：1．循环神经网络；2．深度信念网络；3.生成对抗网络；学习要求：1．掌握LSTM网络的原理和训练方法；2．理解生成对抗网络的目标函数。第十单元人脸表情识别研究支撑目标：课程目标3教学内容：1．人脸表情识别的发展历史；2．人脸表情识别的主要方法；3.人脸表情识别的实现过程；4.人脸表情识别的评价指标；5.人脸表情识别的挑战。学习要求：1．掌握人脸表情识别的算法原理和实现方法；2．理解人脸表情识别的评价指标。五、学时分配课程教学内容各单元建议学时分配如下表，具体实施时应根据学生学习效果做适当调整。教学内容课堂教学课内实验课外实践小计支撑的课程目标第一单元计算机视觉概述221第二单元Python与OpenCV运行环境222第三单元图像预处理4262第四单元图像特征提取6282第五单元图像分类4262第六单元神经网络基础4263第七单元卷积神经网络的基本概念443第八单元目标检测4263第九单元其他深度学习网络443第10单元人脸表情识别研究2243小计361248六、课内实验安排序号实验项目学时性质类型每组生数支撑的课程目标1图像基础变换和预处理2必做验证122图像特征提取2必做验证123传统图像分类2必做设计124神经网络分类2必做设计135目标检测2必做综合136人脸表情识别2必做综合13七、教学环节及方法课程教学包括课堂教学和课内实验两个环节，建议教学方法如下：课堂讲授（36学时）：教学方法包括讲授法、演示法、案例法、练习法，其中（1）讲授法：采用理论与实际相结合的一体化课堂讲授，以多媒体课件教学为主；（2）演示法：不局限在多媒体教室的教学场地，采用实物、录像、图片、视频演示等方法，将复杂的原理用简单的、感性的方法展现出来；（3）案例法：以计算机视觉领域的实际应用为案例，提高学生解决实际问题的能力，为今后实现零距离上岗打下坚实基础；（4）练习法：课程各章讲授结束后，安排若干作业和思考题，以便学生巩固和强化课堂教学内容。课内实验（12学时）：设置6个必修实验项目，包括课前预习、现场操作、实验报告等环节，具体内容和要求在实验指导书中加以说明。八、课程考核课程考核由平时考核（20%）、课内实验考核（20%）和期末考试（60%）四部分组成，考核内容及评价标准如下：1．平时考核重点考核学生对教学内容的掌握情况，主要考查点是3次平时作业。（1）平时作业考核范围和分值权重教学单元及考查点考核内容及要求权重(%)支撑的课程目标第三单元（作业1）直方图均衡化、空域滤波30课程目标2第五单元（作业2）KNN分类器，SVM分类器30课程目标2第六单元（作业3）神经网络反向传播、CNN卷积层参数40课程目标3（2）平时作业评价标准考查点评价标准100-90分89-80分79-70分69-60分59-0分作业1完全掌握直方图均衡化的原理和实现、空域滤波的作用机理和实现，能准确地计算出直方图均衡化和空域滤波之后的结果。过程完整，书写工整、清晰。良好掌握直方图均衡化的原理和实现、空域滤波的作用机理和实现，能良好地计算出直方图均衡化和空域滤波之后的结果。过程较完整，书写工整、清晰。较好掌握直方图均衡化的原理和实现、空域滤波的作用机理和实现，能较好地计算出直方图均衡化和空域滤波之后的结果。过程基本完整，书写基本清晰。基本掌握方图均衡化的原理和实现、空域滤波的作用机理和实现，能基本正确计算出直方图均衡化和空域滤波之后的结果。过程基本完整，书写基本清晰。未能掌握直方图均衡化的原理以及空域滤波的作用机理，不能正确计算出直方图均衡化和空域滤波的结果。过程不完整，书写难以辨认。作业2完全掌握KNN复杂度计算、SVM训练参数设置，能准确地计算出KNN算法的复杂度、精确设置SVM的训练参数。过程完整，书写工整、清晰。良好掌握KNN复杂度计算、SVM训练参数设置，能良好地计算出KNN算法的复杂度和SVM训练参数。过程较完整，书写工整、清晰。较好掌握KNN复杂度计算、SVM训练参数设置，能较好地计算出KNN算法的复杂度、较为精确地设置SVM训练参数。过程基本完整，书写基本清晰。基本掌握KNN复杂度计算、SVM训练参数设置，能基本正确计算出KNN算法的复杂度和SVM训练参数。过程基本完整，书写基本清晰。未能掌握KNN复杂度计算、SVM训练参数设置，不能正确计算出KNN算法的复杂度和SVM训练参数。过程不完整，书写难以辨认。作业3完全掌握神经网络的反向传播和CNN卷积层参数的计算，能准确地计算出神经网络反向传播和CNN卷积层参数。过程完整，书写工整、清晰。良好掌握神经网络的反向传播和CNN卷积层参数的计算，能良好地计算出神经网络反向传播和CNN卷积层参数。过程较完整，书写工整、清晰。较好掌握神经网络的反向传播和CNN卷积层参数的计算，能较好地计算出神经网络反向传播和CNN卷积层参数。过程基本完整，书写基本清晰。基本掌握神经网络的反向传播和CNN卷积层参数的计算，能基本正确计算出神经网络反向传播和CNN卷积层参数。过程基本完整，书写基本清晰。未能掌握神经网络反向传播和CNN卷积层参数计算，不能正确计算出神经网络反向传播和CNN卷积层参数。过程不完整，书写难以辨认。2．课内实验考核重点考核学生对教学内容的实践操作能力，主要考查点是6个实验项目，包括实验准备、实施效果、实验报告等环节，具体内容及评价标准见课内实验教学大纲。3．期末考试期末考试采用开卷或闭卷笔试形式（时间100分钟，满分100分），试卷主要考查点、考核要求、分值权重建议见下表，评价标准见课程考试试卷评分标准。教学单元主要考查点及考核要求权重（%）支撑的课程目标第一单元计算机视觉概述计算机视觉研究内容、研究目标、主要任务和发展趋势（理解概念，熟练掌握）8课程目标1第二单元Python与OpenCV运行环境OpenCV图像基本操作，如图像的几何变换、图像的颜色变换（理解概念和实现方法）5课程目标2第三单元图像预处理直方图均衡化、直方图规定化（理解原理、能实现）、空域平滑和锐化滤波、频域平滑和锐化滤波（理解概念和实现方法）12课程目标2第四单元图像特征提取HOG特征原理和实现方法（理解原理、掌握实现方法）、SIFT特征原理（理解）、哈希特征计算（掌握计算方法）15课程目标2第五单元图像分类KNN分类器的原理、超参设置（理解概念），SVM分类器原理和参数设置（理解概念）、分类器评价指标（能计算评价指标）15课程目标2第六单元神经网络基础神经网络设计（能设计完整的神经网络）、激活函数、损失函数、梯度下降（理解概念）、反向传播（掌握反向传播流程）15课程目标3第七单元卷积神经网络的基本概念卷积层设计、池化层设计、全连接层（理解各层作用）、参数设置（能计算参数数量）、卷积有效性（理解）12课程目标3第八单元目标检测目标检测发展（了解）、候选框提取（掌握方法）、two-stage和one-stage目标检测（理解概念、熟练掌握）、YOLO目标检测实例（掌握）10课程目标3第九单元其他深度学习网络循环神经网络概念（了解）、LSTM（掌握原理和训练方法）、深度置信网络（了解）、对抗生成网络基本概念（了解）、GAN训练过程和目标函数（掌握）8课程目标3九、课程目标达成评价1．课程目标与教学单元及考核方式的对应关系课程目标教学单元作业考核（%）实验考核（%）期末考试（%）课程目标1第一单元计算机视觉概述8课程目标2第二单元Python和OpenCV运行环境5第三单元图像预处理30（作业1）16（实验1）12第四单元图像特征提取16（实验2）15第五单元图像分类30（作业2）16（实验3）15课程目标3第六单元神经网络基础40（作业3）16（实验4）15第七单元卷积神经网络的基本概念12第八单元目标检测18（实验5）10第九单元其他深度学习网络8第十单元人脸表情识别研究18（实验6）总计1001001002．总评成绩各考核环节评价参考分值课程目标考核环节及分值作业考核实验考核期末考试合计课程目标1：了解计算机视觉研究目标、研究任务、研究热点和发展趋势。4.84.8课程目标2：掌握常用图像预处理方法、特征提取方法和图像分类算法，培养学生对技术问题的理解能力、归纳总结的能力和自主学习的能力。6（作业1）10（实验1、2、3）28.250.26（作业2）课程目标3：掌握神经网络和深度学习的理论和方法，能够基于相关科学原理和数学模型方法表达和解决复杂工程问题。8（作业3）10（实验4、5、6）2745总计2020601003．课程目标达成情况定量测算课程分目标达成度=课程总目标达成度=4．课程目标达成情况定性测算课程结束后，采用问卷方式，向上课学生调研课程目标等方面达成情况，分成“完全达成”“达成”“基本达成”“部分达成”和“不达成”五个等级，按下表折算课程目标达成度。评价等级完全达成达成基本达成部分达成不达成折算数值43210十、教学反馈与持续改进1．教学开始前，教师应根据大纲制定授课计划，在第一次上课时将课程教学大纲和授课计划面向全体学生公开，向学生解释本大纲，尤其是课程目标、教学内容和教学进程、考核方法和考核节点，将联系方式和工作时间告知学生，以便其出现问题时及时取得联系。2．教学过程中，学生应通过课外作业、辅导答疑或电子邮件、QQ、微信等途径及时向教师反馈课程学习情况，教师通过随堂小测验等途径主动了解或评价学生的实际学习效果，通过作业讲评、网络课程等途径给予必要的回应。3．理论任课教师须与实验指导教师协调配合，全程参与指导每个实验项目的首批次实验。同时，理论教师、实验教师都应主动