主要研究方向

学术分支：元学习、流行学习、联邦学习、强化学习、迁移学习

    计算机视觉
  
三，计算机视觉研究体系

  第一章：计算机视觉数字图像
    1、计算机视觉研究的意义
    2、计算机视觉的难点 
    3、当前研究的问题热点
    4、数字图像的相关开源库（opencv、tensorflow、keras、pytorch）
    
  第二章：图像预处理
    1、图像的平滑和去燥（高斯滤波、中值滤波、曲率驱动滤波等）
    2、基于直方图的对比度增强：CLAHE
    3、颜色图像HSV变化
    4、边缘检测算子（sobel、canny、拉普拉斯算子、RFC、EGB、MCG、SE、OEF、HFL、RFC-MS）
    5、高斯及拉普拉斯金字
    6、频域分析和变换（卷积计算、傅立叶变化、小波变换）
    7、应用实践：边缘分割，平滑、边缘检测、CIAHE、FFT等
    
  第三章：图像特征提取
    1、颜色特征（直方图、聚类直方图）
    2、几何特征（Edge、Corner、Blob等）
    3、Harris角点和FAST角点
    4、基于关键点的特征描述（SIFT、SURF、ORB、FLANN）
    
    5、其他特征描述方法（LBP、Gabo）
    
    6、应用SIFT、图像拼接
 
 第四章：特征预处理
    1、基于灰度图分割（阈值分割、区域生长、分水岭算法）
    
    2、基于图论：graph-cut、grab-cut
    
    3、用于人脸检测的Harr-like特征与级联分类器
    
    4、用于行人检测的HOG+SVM
    
    5、用于行人检测的多尺度形变部件模型（DPM）
    
    6、应用案例：人脸检测和行人检测
    
 第五章：神经网络与误差反传算法 
    1、人工神经元及感知机模
    2、目标函数（MSE）
    3、激励函数（sigmoid，tanh）
    4、误差反传算法的推导
    5、应用案例：可以手算的BP神经网络
    6、深度学习与神经网络的区别与联系
    
  第六章：深度学习的基础
    1、深度学习中的目标函数和激活函数
    2、深度学习中的求解方法（Adagrad，RMSprop，Adam等）
    3、深度学习中的技巧（dropout，BN、weight decay等
    4、应用案例：利用tensorflow实现手写体数字识别
    5、卷积神经网络介   
    6、递归神经网络介绍（细粒度）
    7、注意力机制和显著性介绍
    8、卷积层反向传播
    9、池化层的误差反向传播
    
  第七章：图像分类
   1、 竞赛中的分类问题
   
   2、CNN的发展概述
   
   3、开山之作：lenet5，alexnet
   
   4、5层变5组的VGG
   
   5、深度和宽度之外的改进方向的：ResNext
   
   6、组合所以可能模型的Googlenet
   
   7、残差网络：Resnet
   
   8、应用案例：Resnet、VGG
   
 第八章：图像检索
   1、检索特征（基于颜色、纹理、形状、局部特征）
   
   2、特征相似度量（EMD）
   
   3、建立深度学习的检索索引
   
   4、知识点：迁移学习的一种实现（fine-tune）
   
   5、索引加速：KD-tree
   
   6、大数据条件下的索引加速：Locality Sensitive Hash
   
   7、应用案例：CBIR的应用
   
 第九章：目标检测（上）
    1、目标检测任务概述（一步法和两步法，基于区域和全卷积神经网络）
    
    2、区域卷积神经：R-CNN
    
    3、共享卷积层与多尺度：SPP-Net
    
    4、多任务的目标函数：Fast R-cnn
    
    5、SS改成RPN：faster R-cnn
    
    6、yolo、ssd cornernet、mask-cnn、Vnet
    
    7、其他数据集介绍：行人检测、人脸检测
    
    8、应用案例：faster-rcnn目标检测
    
  第十章：目标检测（下）  
    1、目标检测之前方法和最新方案整理对比
    
    2、ROI-wise子网络继续共享：R-FCN
    
    3、回归解决一切：yolov1
    
    4、八大改进：yolov2
    
    5、对尺度预测：yolov3
    
    6、应用案例：darknet实现yolo
    
  第十一章：通用场景下的分割
    1、语义分割
    
    2、全卷积语义分割：FCN
    
    3、知识点：反卷积、转置卷积与空洞（膨胀）卷积

    4、Deeplabv1（含CRF）
    
    5、Deeplabv2（多尺度）
    
    6、Deeplabv3和v3+（多尺度级联）
    
    7、PASCAL、MS COCO、Cityscapes等数据集的介绍
    
    8、应用案例：deeplab、denseCRF
    
  第十二章：医学影响分割
    1、U-net
    
    2、3D U-Net和V-Net
    
    3、FC-DenseNet
    
    4、病理切片分析任务概述与数据集
    
    5、病理切片分析实现
    
    6、医学影像分析任务概述和分子医学
    
    7、应用案例：利用unet实现器官分割
    
  第十三章：图像描述（图说） 
    1、深度学习的语言模型RNN
    
    2、知识点介绍：LSTM和GRU
    
    3、图说模型原理与结构
    
    4、模型增强：注意力机制
    
    5、图说效果的评价标准
    
    6、数据集介绍（MS COCO  Flikr等）
    
    7、应用案例：RNN简单实例，图像描述：show and Tell
    
  第十四章：图像生成 
    1、变分自编码器（VAE）
    
    2、生成对抗GAN
    
    3、知识点：KL散度与JS散度
    
    4、改进的GAN ：DCGAN
    
    5、最强大的GAN：bigGAN
    
    6、从跟本上解决训练难：Wasserstein GAN
    
    7、超分辨率问题：SRGAN
    
    8、应用案例：GAN和DCGAN实现等
    
  第十五章：三维深度学习中的目标检测与分割 
    1、point coloud 点云 pointnet
    
    2、mesh 网格
    
    3、Voxel 体素
    
    4、Multi-View Images：多视角图片
    
    5、全息图片模型
    
  第十六章：Ray和ONNX及忆阻器
   
  数据科学与智能计算
    
    第一章：社交网络概述
      1.社交网络的发展历史
      2.当前常用的网络介绍（在线社交网络，互联网网络、道路网络）
      3.社交网络的基本模型和定义
      应用案例：使用pythopython分析社交网络
      
    第二课：社交网络分析工具
      1.pythopython库NetworkX介绍
      2.可视化工具Gephi介绍
      应用案例：使用NetworkX介绍
      应用案例：使用Gephi对社交网络进行可视化分析
      
    第三课：六度分割理论
      1.六度分离理论的介绍
      2.Bocon number距离介绍
      应用案例：使用python NetworkX验证真是的社交网络中的六度分离理论
   
   第四课：信息传播介绍
      1、感染模型介绍（SI，SIR等模型）
      2、影响力模型介绍（IC，LT模型）
      应用案例：基于IC模型和SI模型模拟社交网络上的信息传递
   
   第五课：社交网络影响力最大化问题
      1、影响力最大化问题介绍简介影响力评估
      2、一种简单高效的解决方案：贪心策略
      应用案例：寻找社交网络中的流量之王
   
   第六课：网页排序
      1、google之基石PageRank简介
      2、一个简化版的PageRank
      3、完整的PageRank算法
      应用案例：使用PageRank对网页进行排序
   
   第七课：链接预测
      1、链接预测问题简介
      2、链接预测的各种经典算法（共同邻居法、Jaccard系数法等）
      3、链接预测性能评估
      应用案例：社交网络中的好友推荐
   
   第八课：社区发现
      1、社区发现问题简介
      2、社区的特征与定义
      3、社区发现各种经典的方法（最小割法，层次划分法）
      4、社区发现性能评估
      应用案例：真实的社交网络中的社区发现
   
   第九课：节点分类
      1、基于近邻居的节点分类算法
      2、基于表情传递一致性的节点分类算法
      应用案例：网络结构中的节点分类实践
   
   第十课：网络表示学习
      1、深度学习V.S.网络表示学习
      2、网络表示经典方法：矩阵分解法
      3、网络表示学习方法：DeepWalk
      应用案例：基于网络表示学习的节点分类算法实践