Thị giác máy tính nền tảng

Slide CNN

Notebook

Slide

[TF] 11.1.1. Giới thiệu ảnh

[TF] 11.1.2. Phát hiện cạnh

[TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh

[DL] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

Ảnh là một hàm

[TF] 11.1.4. Bộ lọc

Hướng dẫn lập trình bộ lọc

Bộ lọc

[TF] 11.2.1. Giới thiệu mạng CNN

[TF] 11.2.2. Điểm yếu của mạng nơ ron

[TF] 11.2.3. LeNet

[TF] 11.2.4. Lớp tích chập

[TF] 11.2.5. Công thức lớp tích chập phần 1

[DL] Tính số lượng filter trong mỗi bộ lọc

[TF] 11.2.6. Công thức lớp tích chập phần 2

[TF] 11.2.7. Tính chất lớp tích chập

Lớp tích chập

[TF] 11.3.1. Lớp Pooling

Lớp Pooling

[TF] 13.4.1. Feature Map

Hiển thị Feature Map

[Chuẩn bị trước] Mạng tích chập - Convolutional neural network

<ul><li>Các bài toán trong Computer vision</li><li>Các không gian màu ảnh số</li><li>Xử lý ảnh trong computer vision</li><li>Thực hành xử lý ảnh với OpenCV</li></ul>

LECTURE 1: Giới thiệu chung về Computer vision

<ul><li>Phép toán convolution và các tham số của phép toán convolution</li><li>Các loại layer trong mô hình CNN</li><li>Các mô hình CNN nổi tiếng: VGG, ResNet, MobileNet …</li><li>Dự án mẫu: Giải bài toán Image classification</li></ul>

LECTURE 2: Mô hình Convolution neural network (2 buổi)

Xem kỹ hướng dẫn <a target="_blank" rel="noopener noreferrer nofollow" href="https://docs.google.com/presentation/d/11y7B0SlAjOJtS6T3Ruq7aw0L3QcPn1MY104bbz1pwMk/edit?usp=sharing">tại đây</a>

Bài tập cuối khóa

<ul><li>Giới thiệu chung về bài toán OD, cấu trúc của các bộ dữ liệu giải bài toán OD</li><li>Mô hình two-stage (Faster RCNN), mô hình one-stage (YOLO, RetinaNet)</li><li>Chỉ số đánh giá mô hình Object detection</li><li>Vấn đề tỷ lệ giữa kích thước của đối tượng và kích thước ảnh</li><li>Dự án mẫu: Giải bài toán Object detection sử dụng YOLOv5</li></ul>

LECTURE 3: Bài toán object detection (2 buổi)

<ul><li>Data augmentation cho bài toán image classification và object detection</li><li>Dự án mẫu: Thực hành lập trình data augmentation cơ bản và sử dụng auto-augmentation</li></ul>

LECTURE 4: Kỹ thuật Data augmentation trong computer vision

<ul><li>Bài toán semantic segmentation và instance segmentation</li><li>Mô hình Masked RCNN, UNET</li><li>Chỉ số đánh giá mô hình segmentation</li><li>Dự án mẫu: Giải bài toán image segmentation sử dụng UNET</li></ul>

LECTURE 5: Bài toán image segmentation (2 buổi)

<ul><li>Kỹ thuật image embedding</li><li>Contrastive learning và bài toán face recognition</li><li>Dự án mẫu: Giải bài toán face recognition</li></ul>

LECTURE 6: Bài toán Face recognition (2 buổi)

<ul><li>Mô hình GANs</li><li>Mô hình Stable diffusion</li><li>Chỉ số đánh giá mô hình image generation</li></ul>

LECTURE 7: Bài toán Image generation

<ul><li>Các kỹ thuật trực quan hoá mô hình nói chung</li><li>CAM và GradCAM</li><li>Thực hành trực quan hoá mô hình CNN với GradCAM</li></ul>

LECTURE 8: Trực quan hoá mô hình CNN với GradCAM

<ul><li>Giới thiệu chung về ý tưởng weakly-supervised learning, semi-supervised learning và self-supervised learning</li><li>Kỹ thuật self-supervised learning trên hình ảnh</li></ul>

LECTURE 9: Self-supervised learning với dữ liệu hình ảnh

<ul><li>Convolution 3D, Depth-wise convolution</li><li>Các mô hình trích xuất đặc trưng của video</li></ul>

LECTURE 10: Các mô hình xử lý video

<ul><li>Docker là gì?</li><li>Phân biệt image và container</li><li>Cài đặt Docker</li><li>Xây dựng Docker Image và chạy docker Container</li><li>Docker container</li></ul>

[Chuẩn bị trước] Mạng tích chập - Convolutional neural network

1. Slide

1.1. Slide CNN

1.2. Notebook

2. Ảnh là một hàm

2.1. [TF] 11.1.1. Giới thiệu ảnh

2.2. [TF] 11.1.2. Phát hiện cạnh

2.3. [TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh

2.4. [DL] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

2.5. Slide

3. Bộ lọc

3.1. [TF] 11.1.4. Bộ lọc

3.2. Hướng dẫn lập trình bộ lọc

4. Lớp tích chập

4.1. [TF] 11.2.1. Giới thiệu mạng CNN

4.2. [TF] 11.2.2. Điểm yếu của mạng nơ ron

4.3. [TF] 11.2.3. LeNet

4.4. [TF] 11.2.4. Lớp tích chập

4.5. [TF] 11.2.5. Công thức lớp tích chập phần 1

4.6. [DL] Tính số lượng filter trong mỗi bộ lọc

4.7. [TF] 11.2.6. Công thức lớp tích chập phần 2

4.8. [TF] 11.2.7. Tính chất lớp tích chập

5. Lớp Pooling

5.1. [TF] 11.3.1. Lớp Pooling

6. Hiển thị Feature Map

6.1. [TF] 13.4.1. Feature Map