2019 暑期高效能運算課程

基本資訊

【日期】 2019/8/19(一)、8/20(二)

【時間】 ■09:10~12:00 ■13:20~16:10

【地點】 計中 106 教室（階梯教室）

【費用】 臺灣大學及國立臺灣大學系統 1000 元，其他 2000 元，名額70人

【主辦單位】國立臺灣大學計算機及資訊網路中心（臺大計中）

【協辦單位】兌全有限公司

師資

兌全有限公司 鄭羽熙 博士

兌全有限公司 總經理

學歷：國立台灣大學 電機系博士 (1992)

經歷：

1. 中山科學研究院簡聘技正
2. 德碩半導體股份有限公司晶片設計經理
3. 麗臺科技股份有限公司副總工程師

專長：

1. Deep learning and Artificial intelligence application
2. Multi-core parallel processing and GPU massive processing
3. Video codec and algorithm
4. Embedded SOC system
5. FPGA and Chip design
6. ECG and HRV application

詳細資料

課程簡介

繼深度學習CNN (Convolutional Neural Network) 類神經網路發展之後，另有一實用的R-CNN (Region-based Convolutional Neural Networks) 類神經網路被開發應用於多物件的識別與偵測(multiple object classification and detection)，其發展過程大致可分成較為精確但無法即時(non-real time)處理的Faster R-CNN及Mask R-CNN與較不精確但可即時(real time)處理的SSD (Single Shot MultiBox Detector)及YOLO(You Only Look Once)等多物件偵測方法。

此四種物件偵測方法結合當代CNN類神經網路機器學習的優點，加上多區域及多解析度的平行辨識能力，使其優於傳統的影像識別方法，成為當今影像物件偵測的主流方法；可應用於機器人與自駕車的視覺辨識、生產線產品的瑕疵辨識、保全系統的自動化辨識等許多與機器視覺相關的領域；等於是賦予人工智慧應用系統一多維度的眼睛，從此人工智慧系統對外界環境不再是瞎子摸象，可確實的感知外界物件的存在及其位置，進而推測其動態的變化。

因此，此多物件偵測技術確實為人工智慧打開了一道視覺的任意門，使人工智慧技術得以實在的融入到我們的生活當中。 本課程以R-CNN為主軸，深入介紹Faster R-CNN、Mask R-CNN、SSD、YOLO等物件偵測方法；課程內容包含演算法講解及其重要設計理念的剖析與彼此相互之間的比較，使學員可以充分的瞭解其設計方法，並實用於與人工智慧視覺辨識相關的產品研發。

課程內容

第一天	第二天
CNN類神經網路介紹 R-CNN與Fast R-CNN類神經網路 Faster R-CNN與Fast R-CNN的異同 Faster R-CNN演算法架構介紹與優缺點說明 Faster R-CNN模型訓練及預估 SSD演算法架構介紹 SSD與Faster R-CNN的異同 SSD優缺點說明 SSD模型訓練及預估	YOLOv3與SSD的異同 YOLOv3演算法架構介紹 YOLOv3優缺點說明 YOLOv3模型訓練及預估 Mask R-CNN與Faster R-CNN的異同 Semantic Segmentation 方法介紹 Mask R-CNN演算法架構介紹 Mask R-CNN優缺點說明 Mask R-CNN模型訓練及預估

對象

具備基本程式語言設計基礎。

未來想從事高階軟體開發工程師、財務分析工程師、電子/電機相關工程師、測試/量測工程師、醫學界研發人員、生物科技研究人員，以及統計/數值分析人員等

備註