邁向自動駕駛之AI物件偵測技術
張添烜
國立陽明交通大學
教授
張添烜博士於2000年於交大電子獲得博士學位，於2000~2004任職於創意電子擔任副理，於2004年加入交大電子擔任教職至今。於2009年至比利時IMEC擔任訪問學者。張博士曾獲中國電機工程學會優秀年輕電機工程師獎，台灣IC設計學會傑出年輕學者獎。他的專長為VLSI 設計，深度學習與訊號處理。
課程簡介
本課程介紹以深度學習為基礎的物件偵測作法，適用於自動駕駛或輔助駕駛設計。將會介紹各種經典的兩段式與一段式作法，並探討如何加速符合即時應用，與如何增加準確率的各種做法，最後將以實例說明實際應用場景所遇到的問題與效果。
課程目標
預期學生修完本門課，能深入了解以深度學習為基礎的物件偵測背後的原理與其限制，並對實際應用所面臨的即時運算與準確率問題，知道如何解決。
適用對象
本課程建議具備基本深度學習概念即可，無須太多背景知識，適合所有對深度學習於物件偵測有興趣的學習者修習。
課程特色
本課程介紹以深度學習為基礎的物件偵測作法，適用於自動駕駛或輔助駕駛設計。將會介紹各種經典的兩段式與一段式作法，並探討如何加速符合即時應用，與如何增加準確率的各種做法，最後將以實例說明實際應用場景所遇到的問題與效果。
課程進度
第一週
Two stage detection
兩段式物件偵測
1-1 Object Detection
1-2 R-CNN
1-3 Fast R-CNN
1-4 Faster R-CNN
Two stage detection
兩段式物件偵測
1-1 Object Detection
1-2 R-CNN
1-3 Fast R-CNN
1-4 Faster R-CNN
1-5 R-FCN
第二週
Single stage object detection
一段式物件偵測
1-6 Single Stage Object Detection
1-7 SSD: Single Shot MultiBox Detector
1-8 YOLO v2 v3
1-9 RetinaNet
第三週
Fast object detection and small object detection
快速物件偵測與小物件偵測
1-10-1 PVANet
1-10-2 Object Detection at 200FPS
1-11 Comparison
1-12 Mask R-CNN
1-13 Small Object Detection
第四週
Improvement and real case study
效果增進與實例探討
1-14-1 Improvement Over Mask R-CNN and RetinaNet-1
1-14-2 Improvement Over Mask R-CNN and RetinaNet-2
1-15 Uber Event