| 课程号 |
04834050 |
学分 |
3 |
| 英文名称 |
Computation, Mathematics and Statistics for Visual Search Applications |
| 先修课程 |
数值线性代数(Numerical Linear Algebra)
算法和数据结构(Algorithms and Data Structures) |
| 中文简介 |
本课程主要介绍在计算机视觉、机器人中所涉及的视觉检索和识别技术，特别介绍针对监督/无监督机器学习与深度学习方法的计算、数学和统计学基础。掌握课程内容将有助于理解当前应用于条码识别、数值识别、汉字识别、人脸识别及三维物体识别的快速识别算法，学会如何对算法的速度和准确率做出权衡。课程将讲授每个基础知识点及算法的几何内在，以帮助学生的学习、理解与应用。 |
| 英文简介 |
The course shall introduce the necessary computer science, mathematics and
statistics foundations of supervised and unsupervised machine learning and deep
learning techniques deployed in search and identification applications of computer
vision, robotics, processing. Understanding of the topics in this class shall allow
you to trade off speed and accuracy of current algorithms deployed for the rapid
identification of Bar Codes, Numerical and limited Chinese characters, Face and
special 3D Object Recognition. Geometric insight and explanations to aid
understanding, learning and application shall be given for each of the algorithms and
foundational topics. |
| 开课院系 |
信息科学技术学院 |
| 通选课领域 |
|
| 是否属于艺术与美育 |
否 |
| 平台课性质 |
|
| 平台课类型 |
|
| 授课语言 |
英文 |
| 教材 |
教师自编讲义；
无, |
| 参考书 |
|
| 教学大纲 |
本课程主要介绍在计算机视觉、机器人中所涉及的视觉检索和识别技术，特别介绍针对监督/无监督机器学习与深度学习方法的计算、数学和统计学基础。掌握课程内容将有助于理解当前应用于条码识别、数值识别、汉字识别、人脸识别及三维物体识别的快速识别算法，学会如何对算法的速度和准确率做出权衡。课程将讲授每个基础知识点及算法的几何内在，以帮助学生的学习、理解与应用。
本课程以检索和识别在计算机视觉和机器人领域的应用为驱动，介绍计算、数学和统计学基础。同时，课程将会介绍当前广泛应用的条码识别、数值识别、汉字识别、人脸识别及三维物体识别的快速识别算法，理解速度和准确率的权衡关系。学生在学习基础知识的同时完成相关应用，以加强理解和应用能力。
基础知识共含以下四个部分：
1. 数值线性代数。线性代数(Linear Algebra)是关于向量空间和线性映射的数学分支，包括对线、面和子空间的研究，同时涉及到向量空间的一般性质。课程内容包括数据矩阵计算、奇异值分解、自相关/特征值/特征向量、低阶矩阵逼近、支持向量机(SVM)等，共12学时。
2. 概率、分布和采样。概率论(Probability theory)是集中研究概率及随机现象的数学分支，是研究随机性或不确定性等现象的数学。课程内容包括期望/方差/协方差/精确率、均匀和非均匀采样、压缩感知与恢复等，共12学时。
3. 计算优化方法。最优化问题(optimization problem)，指在某些约束条件下，决定某些可选择的变量应该取何值，使所选定的目标函数达到最优的问题。课程内容包括主成分分析、投影和随机梯度下降等，共12学时。
4. 深度学习技术。基于上述数理及统计学知识，课程将介绍深度学习的核心内容，包括卷积和卷积神经网络、池化、损失函数、反向传播等，共12学时。
此外，课程将引导学有余力的学生设计并实现利用手机摄像头完成多物体识别的深度学习框架。
课堂讲授：60%
文献阅读：10%
讨论：20%
报告：10%
上课考勤 (5%)
作业 (15%)
编程实验 (40%)
期末考试 (40%)
|
| 教学评估 |
陈宝权：
学年度学期：18-19-3，课程班：视觉检索与识别的基础理论和方法1，课程推荐得分：0.0，教师推荐得分：8.75，课程得分分数段：95-100；
|