Computer Vision with Deep Learning

• HV đã tham gia khóa “Machine Learning with Python”  hoặc có kiến thức tương đương
• HV muốn áp dụng AI/Computer Vision vào công việc
• HV có định hướng sẽ làm việc trong lĩnh vực Machine Learning/Computer Vision

• Hiểu và vận dụng các thuật toán Deep Learning trong việc giải quyết các vấn đề Computer Vision thực tế, cụ thể
• Triển khai ứng dụng
• Lựa chọn, áp dụng và triển khai các ứng dụng Computer Vision một cách phù hợp dựa trên yêu cầu công việc.

• Tổng số giờ: 42 giờ - 56 tiết (5 tuần)
• Học phí: 5.800.000đ (có chế độ miễn giảm của mỗi khóa, xem chi tiết trong Thời Khóa Biểu)

• Tổng quan Deep Learning & Computer Vision
  • Giới thiệu Deep Learning
  • Lịch sử, sự phát triển của các phương pháp Deep Learning & Neural Network
  • Deep Learning & Computer Vision
  • Giới thiệu công cụ & môi trường phát triển Deep Learning
  • Các nhóm bài toán phổ biến trong lĩnh vực Computer Vision
• Tổng quan Neural Network
  • Giới thiệu Neural Network
  • Thuật toán Backpropagation
  • Loss function, vai trò loss function
  • Optimizer
  • Hyperparameters trong Neural Network
• CNN - Image Classification
  • Giới thiệu CNN và các loại layers
  • Các kĩ thuật huấn luyện: Regularization, LR Scheduler, Adaptive Optimizer, Focal Loss, Squeeze and Excitation, Data Augmentation pipeline with Albumentations, Class weight
  • Các kĩ thuật xử lý dữ liệu, xử lý mô hình, chuẩn hóa khác: Test time augmentation, Ensemble, Cutout, BatchNorm
• Transfer learning và Pretrained model
  • Giới thiệu Transfer Learning
  • Các tình huống nên & không nên dùng transfer learning
  • Các mô hình pretrained: VGG Net, Resnet*, EfficientNet*, Vision Transformer*
  • Sử dụng transfer learning cho việc phân loại hình ảnh
  • Giới thiệu các metrics cho mô hình image classification
• Object Detection với Deep Learning
  • Giới thiệu Object Detection và các khái niệm cơ bản trong object detections (ROI, anchors, …)
  • Giới thiệu các Object Detection model: Yolov8, Yolox, MaskRCNN…
  • Inference object detection models với ONNX*
• Image Segmentation
  • Giới thiệu Segmentation, các loại Segmentation (Semantic vs Instance Segmentation)
  • Các mạng Segmentation phổ biến: UNet, Mask RCNN,
  • Các kĩ thuật hay dùng trong huấn luyện Segmentation models: Focal loss, Dice loss, Watershed
  • Các metrics thường dùng để đánh giá segmentation models: IoU, Dice score,...
  • Các ứng dụng trong Segmentation
• Real case project 1: Medical Imaging - giải pháp multimodel
  • Thực hành xây dựng giải pháp multimodel để giải quyết các bài toán thực tế (multimodel: stacking multiple models)
• Real case project 2: Chấm công qua khuôn mặt
  • Giới thiệu bài toán
  • Các phương pháp xây dựng dataset: dựa trên loại camera - góc nhìn, dựa trên smartphone camera...
  • Nhận diện gương mặt bằng phương pháp truyền thống: Haar-features & EigenFaces
  • Triển khai ứng dụng trên hệ thống AzureWebsites with Flask API
  • Các khó khăn trong thực tế triển khai: variants in pose, illumination, scale… (Face in the wild)
  • Giải pháp kết hợp giữa Face Detection -> Face Processing (Face alignment & preprocessing) -> Face Recognition
  • Nhận diện và align Face với MTCNN
  • Sử dụng ArcFace để ghép khớp gương mặt (Matching) trong face in the wild
  • Xử lý False positive, non-existing query, Multi-face
• Generative AI
  • Giới thiệu GAN
  • Cơ chế hoạt động của GAN, cách huấn luyện mô hình GAN
  • Các kiến trúc GAN phổ biến: CycleGAN, StyleGAN, Vanilla GAN
  • Đánh giá kết quả GAN: Fréchet Inception Distance (FID), Inception Score (IS),Number of statistically-Different Bins (NDB)
  • Stable diffusion
• Real case project 3: Deconvolution với Deep Learning
  • Khái niệm deconvolution
  • Ứng dụng deconvolution: image deblur, image uncensor, image inpainting
  • Xây dựng mạng deconvolution để giải mã ảnh bị mờ với mô hình Deblur GAN
  • Cách đánh giá mô hình deconvolution
  • Xây dựng mô hình giải mã hình ảnh bị mờ bằng Deblur GAN
• Xây dựng ứng dụng Optical Character Recognition (OCR) / Text in the Wild bằng Deep Learning
  • Giới thiệu vấn đề
  • Xây dựng giải pháp multi-stage: Text detection, Text recognition
  • Triển khai ứng dụng thành API với Streamlit
  • Các vấn đề trong OCR/Text in the Wild: Text correction, Text alignment
• Triển khai ứng dụng AI (deployment & monitor) với Azure
  • Model-in-service
  • Xây dựng API từ model với Streamlit/Flask
  • Dependencies management với Docker
  • Concurrency management (Speed up model delivery services)
  • Thực hành với Azure

Học viên thi đạt kết quả cuối môn học sẽ được cấp chứng nhận "Computer Vision with Deep Learning - Thị giác máy tính với Học sâu" do Trung Tâm Tin Học - Trường ĐH Khoa Học Tự Nhiên cấp.