迁移学习进阶

时间安排

2022年05月27日 — 2022年05月30日   

No.1 第一天

  一、​ ​机器学习​​简介与经典机器学习算法介绍

什么是机器学习？

机器学习框架与基本组成

机器学习的训练步骤

机器学习问题的分类

经典机器学习算法介绍

章节目标：机器学习是​ ​人工智能​​的重要技术之一，详细了解机器学习的原理、机制和方法，为学习深度学习与迁移学习打下坚实的基础。

  二、深度学习简介与经典网络结构介绍

神经网络简介

神经网络组件简介

神经网络训练方法

卷积神经网络介绍

经典网络结构介绍

章节目标：深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念，为深度迁移学习奠定知识基础

三、迁移学习基础

迁移学习绪论

基于样本的迁移学习

基于特征的迁移学习

基于分类器适配的迁移学习

章节目标：掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点，掌握迁移学习的适用范围。

四、深度迁移学习介绍

深度迁移学习概述

基于距离函数的深度迁移学习

基于对抗网络的深度迁移学习

深度异构迁移学习方法介绍

深度领域泛化学习介绍

章节目标：掌握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法，对比各种方法的优缺点，掌握深度迁移学习的适用范围。

No.2 第二天

五、迁移学习前沿方法介绍  

深度迁移网络结构设计

深度迁移学习目标函数设计

全新场景下的迁移学习

章节目标：掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法，了解迁移学习在PDA、Source-Free DA上的应用。

六、迁移学习前沿应用  

迁移学习在语义分割中的应用

迁移学习在目标检测中的应用

迁移学习在行人重识别中的应用

图片与视频风格迁移

章节目标：掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用，学习图像/视频风格迁移方法，了解风格迁移在实际生活中的应用。

七、小样本学习、Transformer等前沿方法与应用   

小样本学习概念与基本方法介绍

小样本学习应用

Transformer概念与基本方法介绍

Transformer在图像领域的应用

章节目标：掌握小样本学习、Transformer等前沿方法和基本思想，了解小样本学习、Transformer等在实际场景下的应用。

No.3 第三天

八、实验实操之实操环境搭建  

硬件准备：GPU显存11GB以上

软件准备：Linux​ ​操作系统​​（Ubuntu16.04以上），显卡驱动安装（512.54），CUDA Toolkit（10.1）和cuDNN加速库（7.6.4），VS Code编辑器安装，Jupyter Notebook

编程语言和框架：Python3.8.5、torch==1..07、torchvision==0.8.2、mmcv-full==1.3.7、opencv-python==4.4.0、matplotlib==3.4.2、numpy==1.19.2、Pillow==8.3.1、scikit-learn==1.0.2

数据集准备：Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等

注：硬件准备由主办方提供云服务器

九、实验实操之深度迁移学习实践  

掌握PyTorch中的基本原理和编程思想。

理解在一个新的场景或数据集下，何时以及如何进行迁移学习。

利用PyTorch加载数据、搭建模型、训练网络以及进行网络微调操作。

给定迁移场景，利用daib库和生成对抗技术独立完成图像分类中的领域适配。

迁移效果的可视化，利用机器学习库scikit-learn中的t-SNE对迁移过后的高维数据进行可视化。

十、实验实操之图片与视频风格迁移实践  

掌握基于生成对抗网络的风格迁移技术。

图像/视频风格迁移网络的搭建，重点掌握​ ​编码器​​和解码器的内在逻辑和不同损失函数的运用。

实践​ ​红外​​视频转换到可见光视频的风格迁移。

十一、实验实操之自动驾驶中的跨域语义分割实践   

掌握语义分割发展现状及代表性工作，如FCN，DeepLab系列等。

了解常用的语义分割评价指标（PA、mPA、mIoU、FWIoU）和常见数据集（PASCAL VOC2012，ADE20K、BDD100K、Cityscapes、GTA5、Dark Zurich）。

语义分割工具箱MMSegmentaion的认识和使用。

设计一个分割模型能够从​ ​仿真​​环境中得到的数据迁移到真实场景下产生的数据。

十二、实验实操之目标检测实践  

掌握目标检测算法的基本框架以及目标检测中的经典模型，如R-CNN系列的两阶段检测模型和YOLO系列的单阶段检测模型。

掌握目标检测模型的评测指标（IOU和mAP）、标准评测数据集（Pascal VOC，MS COCO和Cityscapes）以及检测模型中的一些训练技巧，如数据增强、多尺度训练/​ ​测试​​、预测框微调/投票法、在线难例挖掘、软化非极大抑制、RoI对齐和集成。

实践基于Transformer的​ ​端到端​​目标检测框架的搭建，并在新的数据集上与基于CNN的网络进行迁移性能的对比。

【微信号：AI_longteng，微信公众号：​ ​人工​​智能技术与咨询】欢迎添加咨询！