计算机视觉中大大小小可以包括至少30个以上的方向，在基于深度学习的计算机视觉研究方向中，图像分类，图像分割，目标检测无疑是最基础最底层的任务，掌握好之后可以很快的迁移到其他方向，比如目标识别，目标跟踪，图像增强等。为了让大家能够掌握好相关技术，我们平台开设了若干门相关的视频课程，分别从理论和实践详细讲解了其中的核心技术。
这不是随便拼凑一些案例堆积而成的快消课程，而是真正希望大家可以借助课程完成整个领域的学习，所以课程内容会持续保持更新（今年3月份，就会迎来今年的内容增加！请大家随时关注）
另外，有三还录制了38个课时的免费深度学习基础课程供大家夯实自己的基础知识，下面请听详细介绍：
2021年3月份有三AI与阿里天池联合推出了深度学习基础课程， 课程内容包括人工智能与深度学习发展背景，深度学习典型应用，卷积神经网络，循环神经网络，生成对抗网络，深度学习开源框架等内容，目前已经完结。
本课程不仅讲述神经卷积，卷积神经网络，生成对抗网络等内容，还包括深度学习的典型应用，模型的设计，深度学习框架等内容，具有足够的深度和宽度，通用性强，下面是当前的课程内容。
第1课：人工智能简介
第2课：深度学习崛起背景
第3课：深度学习典型应用与研究方向之语音处理
第3课：深度学习典型应用与研究方向之计算机视觉
第3课：深度学习典型应用与研究方向之自然语言处理
第3课：深度学习典型应用与研究方向之推荐系统
第4课：神经网络（上）
第4课：神经网络（下）
第5课：卷积神经网络（上）
第5课：卷积神经网络（下）
第6课：深度学习优化之激活函数与参数初始化
第6课：深度学习优化之标准化与池化
第6课：深度学习优化之泛化与正则化
第6课：深度学习优化之最优化
第6课：深度学习优化之优化目标与评估指标
第6课：深度学习优化之数据增强
第7课：深度学习框架之Pytorch快速入门与实践
第7课：深度学习框架之Caffe快速入门与实践
第7课：深度学习框架之Tensorflow快速入门与实践
实践课1：从零完成人脸表情分类任务
第8课：循环神经网络之RNN及其改进
第9课：图神经网络基础
第10课：模型设计之网络宽度和深度设计
第10课：模型设计之残差网络
第10课：模型设计之分组网络
第10课：模型设计之卷积核设计
第10课：模型设计之注意力机制
第10课：模型设计之动态网络
第11课：深度生成模型基础
第11课：深度生成模型之自编码器与变分自编码器
第11课：深度生成模型之GAN基础
第11课：深度生成模型之GAN优化目标设计与改进
实践课2: 从零使用GAN进行图片生成
第11课：深度生成模型之数据生成GAN结构与应用
第11课：深度生成模型之图像翻译GAN结构与应用
第11课：深度生成模型之GAN的评估
实践课3：基于GAN的人脸图像超分辨
课程地址为：https://tianchi.aliyun.com/course/279
推荐深度学习基础不好的朋友学习，千万不要再为一些基础内容课程去付费了，这些内容一开始我们平台就提供了海量的免费资料。
有了扎实的深度学习基础后，才能真正进入计算机视觉专业知识的学习。
对于刚接触深度学习计算机视觉的初学者来说，图像分类问题是最常见的问题，如何做好图像分类任务，关系到大家能否正确顺利地入门、如何学习接下来更加高阶的内容。
图像分类课程当前包含的内容共约12个小时，大纲如下。
理论部分：涵盖了深度学习之图像分类的各个研究方向，如图像分类简介、多类别图像分类、细粒度图像分类，多标签图像分类，弱监督图像分类，零样本图像分类等，既有足够的宽度，也具备有足够的深度。
实践部分：一共已经包含了5个实践案例，分别为人脸表情分类基本模型与ResNet实战，动物细粒度分类实战，生活用品多标签图像分类实战，基于血红细胞的图像分类竞赛技巧，从4大方向基于Pytorch实战来详解图像分类任务实践。
课程订阅地址如下：
图像分割是在图像分类基础上更加细粒度的像素级分类问题，在视频直播，电商推荐，自动驾驶，医学图像等行业中有着广泛的应用，是深度学习计算机视觉领域中非常底层的问题，也是必须掌握的核心算法，包含的东西非常多。
图像分割课程当前包含的内容共约13个小时，大纲如下：
理论部分：涵盖了深度学习之图像分割的各个研究方向，如图像分割基础、语义分割、弱监督语义分割，Image Matting，实例分割等，既有足够的宽度，也具备有足够的深度。
实践部分。本次课程中一共已经包含了4个实践案例，分别为人脸嘴唇分割实战，缺陷分割实战，Image Matting人像抠图实战，Mask RCNN实例分割实战，后续可能还会增加其他方向的实战。
目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，对后续的
人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。
目标检测课程当前包含的内容共约28个小时。
理论部分内容包括：目标检测相关基础，包括流程与评价指标，two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解，Anchor-free算法系列详解（包括Densebox，CenterNet，CornetNet等）；
实践部分共包含4个案例，分别是YOLOv3实战（工业缺陷检测）、Faster-RCNN实战（猫脸检测），CenterNet（电路板缺陷检测），MMdetection框架使用；
如果大家想要同时订阅CV基础专栏，推荐用如下的合集：不仅更加优惠，而且合集中还赠送了两套额外的视频，即《深度学习之数据使用：理论实践篇》和《深度学习之Pytorch入门实战》，扫码即可订阅，地址如下：
《深度学习之数据使用：理论实践篇》的内容包括数据的获取，数据的整理，数据的标注，数据增强，数据的分析等领域，覆盖了深度学习中数据使用的各个方向，大纲如下：
课程的完整介绍，请大家点击下图阅读：
《深度学习之Pytorch入门实践篇》的内容包含PyTorch简介、PyTorch环境配置、张量简介、PyTorch中的层结构及初始化、PyTorch中的损失函数、PyTorch中的优化器、PyTorch中的数据读取、PyTorch中的模型加载与保存、基于PyTorch的垃圾图像分类等内容，目前总课时超过6个小时。
课程采用理论加Pytorch实战的方式进行讲解，大纲如下：
本系列课程配套有专门的答疑群，订阅后在课程的订阅详情处可以找到小助手的联系方式入群。
更多内容，请参考有三AI-CV季划，包括但不限于图文，直播与视频，书籍，答疑，项目研发，个人答疑指导，介绍如下：
