• 跳到主要內容區塊
  • 經濟部工業局

::: 首頁> 業務活動訊息
列印

基於電腦視覺之物體偵測與辨識

  • 發布日期:2020-05-05
  • 更新日期:2020-05-05
  • 活動地點:館前大樓
  • 活動地址:臺北市中正區館前路65號7樓 地圖
  • 活動期間:
    • 開始2020-05-22 08:00
    • 結束2020-05-29 17:00

一、課程簡介:

十幾年前由美國國防高等研究計劃署(Defense Advanced Research Projects Agency, DARPA)舉辦的無人車Grand Challenge開啟了自動駕駛汽車研發熱潮,近年來各大車廠無不積極發展自駕車技術,基於電腦視覺之物體偵測與辨識更是自駕車之核心技術之一,以色列大廠Mobileye即為本領域中之技術領先者,其它國家包含台灣也正急起直追發展此技術。本課程首先將介紹傳統的機器學習物體偵測演算法,也就是特徵(Feature)+分類器(Classifier)之手法,並運用到汽車偵測之應用中。

從2010年開始,Imagenet所舉辦的大規模視覺辨識競賽( Imagenet Large Scale Visual Recognition Competition, ILSVRC )以前所未有的資料量(>1 million)帶起了深度學習(Deep Learning)的熱潮,從2012年開始,各種不同的卷積神經網路(Convolutional Neural Network, CNN),如Alexnet, GoogLenet, VGG,ResNet等分類器即是此比賽的產物,其圖像分類之能力在2015年正式由ResNet突破了人類判斷的精準度。

近年來,基於CNN之物體偵測亦從Two-Stage的R-CNN, Fast R-CNN, Faster R-CNN, 一路進化One-Stage的YOLO(You Only Look Once)與SSD( Single Shot Multibox Detector)與其進階版YOLOv2與YOLOv3,而這樣的單一CNN即可同時偵測多類(行人、腳踏車、汽車、機車、巴士等)物體。然而這些模型往往需要極為強大的GPU才能達到即時運算,基於輕、薄、短、小CNN之物體偵測模型(SSD-Mobilenet, SSDLite-MobilenetV2, YOLOv3-MobilenetV2, Pelee)之辨識率雖無法達到State-Of-The-Art,但在嵌入式系統上的效能(NVIDIA TX2或NVIDIA Jetson Nano)已經大略能符合各式物體偵測應用之需求。

在2014年,Ian Goodfellow提出了生成式對抗網路(Generative Adversarial Network, GAN),這種類神經網路被CNN之父Yann Lecun喻為是機器學習領域中,十年來最有趣的想法,本課程將會從其基本概念開始,內容包括了各種GAN模型(Pix2Pix, CycleGAN, UNIT, MUNIT, Pix2Pix HD, Video-to-Video, BigGAN)之差別以及 GAN如何應用在物體偵測這個電腦視覺最重要的應用上。

本課程將分別從感測器、開發平台、演算法等角度切入物體偵測與辨識系統,並著重在機器學習及深度學習原理之介紹,期待學員能藉由此課程進入視訊監控系統、影像式先進駕駛輔助系統甚至是自駕車之研發領域。

二、招生對象:

車用影像安全系統技術發展相關人員。

三、上課時數:12小時

四、預定人數:15人

五、費用:學員負擔6000元,政府負擔6000元

六、執行計畫名稱:金屬產業智機化提升計畫

七、開班單位:工業技術研究院

八、課程聯絡人/聯絡電話:陳先生/02-23701111-315

九、相關網址:https://college.itri.org.tw/course/all-events/3CBC3DE1-6F36-4576-A05A-4C494B4AD951.html

十、開班單位保留調整課程內容之權利,以上資訊若有更動,依上述網站公告為準,恕不另行通知,敬請見諒。

  • 聯絡單位:工業技術研究院
  • 聯絡人:陳先生
  • 聯絡單位電話:02-23701111-315
  • 聯絡單位Email:
點閱次數:67
  • 服務時間:AM8:30~PM5:30
  • 服務熱線:0800-000-256
  • 聯絡電話:(02)2754-1255
  • 行動電話:0972-630-223
經濟部工業局 版權所有 © 2019   10651 台北市大安區信義路三段41-3號
建議使用 Edge/Firefox/Chrome/Opera/Safari 1024x768 以上解析度瀏覽 
版面最近修改日期:2020/01/21
 檢視無障礙標章  我的e政府
回頁首