基本資訊
| 日期 | 2020/9/3(四)-2020/9/4(五) |
|---|---|
| 時間 | ■09:10~12:00 ■13:20~16:10 |
| 地點 | 計中 212 教室（電腦教室） |
| 費用 | 臺灣大學及國立臺灣大學系統 1000 元，其他 2000 元，名額40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 |
| 對象 | 具備基本程式語言設計基礎，未來想從事人工智慧開發工程師、高階軟體開發工程師、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 | 本課程不供餐，不提供上課證明或證書 |
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：
中山科學研究院簡聘技正
德碩半導體股份有限公司晶片設計經理
麗臺科技股份有限公司副總工程師
專長：
Deep learning and Artificial intelligence application
Multi-core parallel processing and GPU massive processing
Video codec and algorithm
Embedded SOC system
FPGA and Chip design
ECG and HRV application
課程簡介
多物件識別與偵測 (multiple object classification and detection) 的目的是在影像中找到目標物件，將物件以方形框 (Bounding Box) 標註起來以便做進一步的場景或意圖分析。如果想要在圖中取得更多的資訊，就必須再進一步取得物件的外型及姿態，也就是必須加入物件切割 (Segmentation) 方法，將物件與背景分離。Mask R-CNN (Region-based Convolutional Neural Networks) 的方法就整合了物件偵測與含意切割 (Semantic Segmentation ) 等技術，成功的一同完成物件偵測及其外型切割等工作。因其優異的演算整合及偵測效果，目前已經廣泛的被應用於人工智慧機器視覺等相關領域；然而由於其演算方法中使用了廣泛的影像處理技術，提高了許多理解的門檻，因此本課程除了詳細解說其演算法的精神之外，同時提供實作環境，讓學員能夠親自實作一簡單的計畫，以便能夠確實的將此工具應用於日後的研究領域上。
課程內容
| Mask R-CNN AI Objection Detection Step-by-Step hands on practice | |
|---|---|
| 第一天 | 第二天 |
|
R-CNN 與 Fast R-CNN 類神經網路介紹 Faster R-CNN 演算法架構介紹 Semantic Segmentation 方法介紹 Mask R-CNN 演算法架構介紹 Mask R-CNN 優點說明 Mask R-CNN 物件偵測實作計畫說明 |
影像資料收集及標註 Mask R-CNN 程式使用方法說明 Mask R-CNN 模型訓練 模型訓練準度評估 Mask R-CNN 模型預估 Mask R-CNN 物件偵測實作檢驗 |