學習使用 CNN 進行影像分類，了解二元與多類別影像分類模型的差異，以及如何在 PyTorch 中運用遷移學習完成影像分類。

影像分類：二元與多類別

類別數量

二元分類模型

多類別分類模型

影像的卷積層

RGB、灰階，還是 alpha？

新增一個卷積層

建立 sequential 區塊

使用預先訓練的模型

儲存與載入模型

載入預先訓練的模型

使用 ResNet 進行影像分類

使用 CNN 的影像分類

透過為影像中的物體預測邊界框以進行偵測，並評估物件辨識模型的效能。

邊界框（Bounding boxes）

物件辨識

影像張量

繪製邊界框

評估物件辨識模型

計算 IoU

邊界框預測

計算 NMS

使用 R-CNN 進行物體偵測

預先訓練模型的 backbone

分類器區塊

方框回歸器區塊

使用 Faster R-CNN 的區域候選網路

錨點產生器

Faster R-CNN 模型

為 RPN 與 R-CNN 定義損失函式

認識三種影像分割類型（語意、實例與全景）、其應用場景，以及各自適合的機器學習模型架構。

影像分割導論

選項

語意分割

實例分割

全景分割

分割類型

建立二元遮罩

使用遮罩分割影像

使用 Mask R-CNN 進行實例分割

使用預先訓練的 Mask R-CNN 進行分割

分析模型輸出

顯示 Soft Mask

使用 U-Net 進行語意分割

打造 U-Net：層定義

建構 U-Net：forward 方法

執行語意分割

全景式分割（Panoptic segmentation）

建立語意遮罩

覆蓋實例遮罩

影像分割

使用生成對抗網路（GANs）生成全新的影像。學習建置並訓練 Deep Convolutional GAN，及如何評估其輸出的品質與多樣性。

GANs 簡介

GAN 的直覺

產生器（Generator）

判別器（Discriminator）

深度卷積式 GAN

卷積式產生器

卷積式判別器

訓練 GAN

生成器損失

鑑別器損失

訓練迴圈

評估 GAN

產生影像

Fréchet Inception Distance

總結

使用 GANs 進行影像生成

在本課程中，你將使用 PyTorch 學習影像分類、物件辨識、分割與影像生成。你會操作二元與多類別的影像分類模型，並在深度學習任務中運用預先訓練的模型，同時掌握以邊界框進行的物件偵測。除此之外，你還會深入影像分割，包含語意、實例與全景等類型，並對應到實際應用。最後，你將探索生成對抗網路（GANs），並學會評估所生成影像的品質與多樣性。

本課程將帶您深入學習如何運用 PyTorch 進行影像深度學習，幫助您掌握影像分類、物件偵測、分割與生成等實用技能與知識，讓您在相關領域中脫穎而出。 

<h2>使用卷積神經網路（CNN）對影像進行分類</h2>

您將運用CNN進行二元與多類別影像分類，並學習如何在PyTorch中善用預訓練模型。 透過邊界框，您還能夠偵測影像中的物件，並評估物件辨識模型的效能。

<h2>透過套用遮罩來分割影像</h2>

探索影像分割技術，涵蓋語意分割、實例分割與全景分割，學習如何將遮罩應用於影像，並了解各類分割所需的不同模型架構。 

<h2>使用 GAN 生成影像</h2>

最後，您將學習如何使用生成對抗網路（GANs）來產生自己的圖像。 您將學習建立與訓練深度卷積生成對抗網路（DCGANs）的技能，並了解如何評估所生成影像的品質與多樣性。

在本課程結束時，您將具備使用 PyTorch 模型處理各種影像任務的技能與實務經驗。

Intermediate Deep Learning with PyTorch

使用PyTorch對影像進行物件偵測和影像分割，應用深度學習模型生成邊界框。

使用 PyTorch 進行影像深度學習

運用 PyTorch 處理影像，並以深度學習模型進行物件偵測（含邊界框）與影像分割。

深度學習 使用 Python

透過在衛星影像中分割不同地表覆蓋類型，來評估森林砍伐或都市擴張。

醫學影像：在 MRI 或 CT 中識別並圈出特定關注區域，例如腫瘤、血管或器官。

零售：在貨架上識別並計算特定產品，以進行庫存管理。

自駕車：識別行人、車輛與其他障礙物，以便安全導航，並且能隨時間追蹤它們。

都市規劃：分析都市區域，其中建築物以個別方式分割，而道路、樹木等則以類別方式分割。

監控：在擁擠的公共空間中，同時區分個別人員並辨識不同區域或分區。

分割類型

使用 PyTorch 進行影像深度學習

動手互動練習