مجموعه‌ی دانش‌بنیان شناسا، فعال در حوزه ی هوش مصنوعی، بینایی ماشین و یادگیری عمیق به عنوان حامی چالش فیس‌کاپ دوره ی تخصصی بازشناسی چهره عمیق را برگزار کرده و حالا فیلم های مجدد ضبط شده و تدوین شده ی آن حالا در اختیار عموم قرار گرفته است.
پیش‌نیاز دوره
- آشنایی با مفاهیم پایه شبکه عصبی
- آشنایی با شبکه های کانولوشنالی
- توانایی پیاده سازی شبکه های عصبی عمیق در فریم‌ورک keras / Tensorflow
می‌توانید برای تسلط به مفاهیم پایه از دوره مقدماتی سایت استفاده کنید.
جهت آشنایی بیشتر با این دوره آفلاین و همچنین مشاهده نجوه تدریس و ارائه مطالب، می‌توانید از کانال آپارات، ۱۲ قسمت ابتدایی دوره را به صورت رایگان مشاهده فرمایید و با نظرات سازنده خود ما را در برگزاری و تولید دوره‌های تخصصی یادگیری عمیق، یاری بفرمایید.
سرفصل های دوره
۱ – معرفی دوره
Introduction to the course
۲ – کاربردها و نمونه‌های بازشناسی چهره
Applications and examples of face recognition
۳ – مراحل در روند تشخیص چهره
Steps in the facial recognition process
۴ – بازشناسی چهره و پروتکل‌های ارزیابی
Face recognition and evaluation protocols
۵ – مجموعه داده های محدود شده و بدون محدودیت
Constrained and unconstrained datasets
۶ – دیتاست‌های ارزیابی بازشناسی چهره
Evaluation datasets
۷ – دیتاست‌های آموزش بازشناسی چهره
Train datasets
۸ – یادگیری یک مرحله‌ای (one-shot) و چند مرحله‌ای (few-shot)
One-Shot Learning and few-shot learning
۹ – شبکه‌های عصبی سایامیس
Siamese neural networks
۱۰ و ۱۱ و ۱۲ – پیاده سازی شبکه‌های سایامیس (قسمت ۱ و ۲ و ۳)
Implementation of Siamese networks
۱۳ – سایر کاربردهای شبکه های سایامیس
Other uses of Siamese networks
۱۴ – تابع زیان تریپلت
Triplet loss
۱۵ – پیاده سازی تابع زیان تریپلت در تنسرفلو/کراس
Implementation of Triplet Loss in Tensorflow / Keras
۱۶ – بصری سازی لایه‌ی بازنمایی
Visualization of representation layer
۱۷ – خلاصه تابع زیان تریپلت
Summary of Triplet loss
۱۸ – ویژگی های افتراقی و ویژگی های قابل تفکیک جداپذیر
Discriminative features and separable features
۱۹ – تابع Center Loss
Center loss function
۲۰ – پیاده سازی Center Loss در تنسرفلو/کراس
Implementation of Center loss in Tensorflow / Keras
۲۱ – خلاصه Center Loss
Summary of Center Loss
۲۲ – تابع زیان SphereFace
SphereFace loss function
۲۳ – تابع زیان AMSoftMax
AMSoftMax loss function
۲۴- تابع زیان ArcFace
ArcFace loss function
۲۵- مقاله‌ی AdaptiveFace
AdaptiveFace paper
۲۶ – توسعه بازشناسی چهره
Development of face recognition
۲۷ – برخی از پیاده سازی های رایج
Some common implementations
۲۸ – پیاده سازی Face Recognation در کراس
Implement of Face Recognition in Keras
۲۹ – شناسایی چهره
Face Detection
۳۰ – متریک‌های شناسایی چهره
Face detection metrics
۳۱ – چالش‌های شناسایی چهره
Face detection challanges
۳۲ – الگوریتم ویولا-جونز
Viola–Jones algorithm
۳۳ – الگوریتم شناسایی چهره‌ی MTCNN
MTCNN face detection algorithm
۳۴ – پیاده سازی MTCNN
Implement of MTCNN
۳۵ – پیاده سازی بازشناسی چهره
Implement of face recognition
۳۶ – تراز چهره با دو چشم
Face Alignment with two eyes
۳۷ – تراز چهره با پنج نقطه نشانه‌های چهره
Face Alignment with 5 face landmarks
۳۸ – ترفندهای افزایش دقت در زمان تست
Tricks to increase accuracy during testing
۳۹ – روش‌های افزایش دقت در زمان آموزش
Tricks to increase accuracy during training
۴۰ – جمع‌بندی دوره
Course Wrap-Up
در صورت هرگونه مشکل در دانلود فایلها با ادمین تماس بگیرید.
@cvision_support (در تلگرام)
کدها در آدرس:
http://github.com/alireza-akhavan/deep-face-recognition
اسلایدها در آدرس:
https://docs.google.com/presentation/d/10xwd5wik8xrSB_Eh2Pb213tf9RhITt5IyTrwP8htYm0/edit?usp=sharing
مدرس دوره
علیرضا اخوان پور، مدیر فنی مجموعه دانش بنیان شناسا، فعال در ارائه سرویس های هوش مصنوعی و توسعه نرم افزارهای مبتنی بر هوش مصنوعی و بینایی ماشین. مدرس دانشگاه شهید رجایی و منتور در شتاب دهنده هوش مصنوعی همتک. مدرس هوش مصنوعی و یادگیری عمیق با ۴ سال سابقه تدریس در موسسه ها و دانشگاههای برتر نظیر سابقه ارائه کارگاههای آموزشی در دانشگاه امیر کبیر، شریف، یازدهمین کنفرانس ملی و اولین کنفرانس بین المللی بینایی ماشین و پردازش تصویر ایران، صندوق نوآوری شکوفایی و سابقه تدریس دوره های آزاد آموزشی در جهاد دانشگاه شریف و دانشگاه تهران.