《计算机视觉》课程教学大纲

《计算机视觉》课程教学大纲
课程名称：计算机视觉课程类别：任意选修课
适用专业：电子信息工程考核方式：考查
总学时、学分：24学时1.5学分
一、课程性质、教学目标
计算机视觉是电子信息工程专业的一门任意选修课，旨在拓宽学生的专业和学术视野，引导学生了解掌握计算机视觉领域基础知识和热点方向，为后续从事相关工作或学术研究奠定基础。

计算机视觉是一门研究用计算机来实现人类视觉功能的学科，其研究目标是使得计算机能够对目标进行分割、分类、识别、检测、跟踪和决策等。

计算机视觉是人工智能领域的重要领域，在工业界有广泛的应用前景，也是科学研究中的一个富有挑战性的研究方向，它包含领域广，综合性强，涉及图像处理、模式识别、计算机科学、统计学、神经生理学和认知科学等多门学科。

通过本课程的学习，使学生了解计算机视觉的发展和应用，掌握学科基础知识和经典算法，培养分析解决相关问题的能力，为后续从事相关工作或学术研究奠定基础。

具体课程教学目标如下：
课程教学目标1：了解计算机视觉的发展历史、相关学科、应用领域和研究方向，培养学生学习兴趣，引导学生关注学科前沿和业界动态。

课程教学目标2：掌握基本的图像预处理和特征提取的原理和方法；掌握卷积神经网络的相关知识（损失函数、正则化和梯度下降优化算法等）；为后续内容提供基础。

课程教学目标3：掌握图像分类、目标检测、语义分割、场景理解和图像生成等的原理和经典算法，使学生具备基本的方向知识和研究方法，并能够自主拓展学习或解决相关问题。

课程教学目标与毕业要求对应的矩阵关系
二、课程教学要求
因计算机视觉涉及领域广、研究方向多、发展日新月异，本课程选取前沿技术深度学习为切入点，讲授计算机视觉的基础知识和基于深度学习的图像分类、目标检测、语义分割、场景理解和图像生成等的原理和经典算法。

执行本大纲应注意的问题：
1、计算机视觉基础知识中，涉及大量的数字图像处理知识，包
含较多复杂公式，在教学过程中要注重原理，深入浅出；
2、本课程的实践性较强,在教学过程中要突出理论与实践的联系，注重培养学生实践能力和综合解决问题的能力；
3、计算机视觉涉及领域广、研究方向多，课程课时有限，在深
度和广度不能全面覆盖，在教学过程中，要引导学习自主学习，探究感兴趣方向；
4、计算机视觉是目前最为前沿和热门的研究方向之一，在教学
过程中，要注意知识的更新和补充，并引导学生关注前沿动态、阅读相关论文、组织讨论分享，提高学生的科技素养。

三、先修课程
高等数学、数字信号处理、计算机仿真（Matlab和Multsim）。

四、课程教学重、难点
教学重点：图像预处理原理与应用、特征提取算法、卷积神经网络、计算机视觉主要领域（图像分类、目标检测、语义分割、场景理解和图像生成等）的原理和算法；
教学难点：图像预处理算法、特征提取算法、卷积、池化、梯度下降法、计算机视觉主要领域（图像分类、目标检测、语义分割、场景理解和图像生成等）的原理和算法。

五、课程教学方法与教学手段
教学方法：讲授式教学方法、讨论式教学方法、探究式教学方法；
教学手段：多媒体辅助教学和课堂分享、讨论等。

六、课程教学内容
第一章绪论（2学时）
1．教学内容
(1) 计算机视概述；
(2) 图像基础：图像类别、表达、显示和存储等；
(3) 像素间联系。

2．重、难点提示
(1) 重点是计算机视觉、图像和像素等相关概念的理解；
(2) 难点是像素的概念和像素间关系的理解。

第二章图像预处理（4学时）
1．教学内容
(1) 图像色彩空间与空间变换；
(2) 图像平滑与去噪；
(3) 图像锐化；
(4) 边缘检测算子；
(5) 形态学处理；
(6) 频域分析及变换。

2．重、难点提示
(1) 重点是各种图像预处理算法的原理和应用；
(2) 难点是频域分析及变换中卷积计算、傅里叶变换等。

第三章特征与分类器（4学时）
1．教学内容
(1) 特征与分类器的重要性；
(2) 传统特征描述符；
(3) 传统手工工程特征的局限性；
(4) 机器学习分类器；
(5) 计算机视觉：传统算法到深度学习。

2．重、难点提示
(1) 重点是特征的理解和经典特征提取算法原理；
(2) 难点是经典特征提取算法原理和应用。

第四章神经网络基础（2学时）
1．教学内容
(1) 神经网络概述；
(2) 与生物视觉的关联；
(3) 多层感知机；
(4) 循环神经网络。

2．重、难点提示
(1) 重点是神经网络的发展和原理；
(2) 难点是多层感知机的理解。

第五章卷积神经网络（4学时）
1．教学内容
(1) 神经网络层；
(2) CNN损失函数；
(3) 权重初始化；
(4) CNN正则化；
(5) 基于梯度的CNN学习；
(6) 深度学习框架介绍。

2．重、难点提示
(1) 重点是卷积神经网络、常用损失函数和优化算法等原理的理解和掌握；
(2) 难点是卷积、池化、交叉熵损失函数、梯度下降法等的理解和掌握。

第六章图像分类与目标检测（3学时）
1．教学内容
(1) 图像分类原理及流程；
(2) 图像分类经典算法框架；
(3) 目标检测原理及流程；
(4) 目标检测经典算法框架。

2．重、难点提示
(1) 重点是图像分类和目标检测的原理、流程及经典算法框架；
(2) 难点是图像分类和目标检测的原理及相关算法。

第七章语义分割与场景理解（3学时）
1．教学内容
(1) 语义分割原理及流程；
(2) 语义分割经典算法框架；
(3) 场景理解原理及流程；
(4) 场景理解经典算法框架。

2．重、难点提示
(1) 重点是语义分割和场景理解的原理、流程及经典算法框架；
(2) 难点是语义分割和场景理解的原理及相关算法。

第八章图像生成与未来发展（2学时）
1．教学内容
(1) 生成对抗网络原理及应用；
(2) 生成对抗网络经典算法框架；
(3) 计算机视觉发展趋势；
(4) 课程总结。

2．重、难点提示
(1) 重点是图像生成的原理、流程及经典算法框架；
(2) 难点是生成对抗网络的原理及相关算法。

七、课时分配
八、课程考核方式
1.考核方式：
笔试；开卷
2.成绩构成：
期末成绩+平时成绩
九、选用教材和参考书目
［1］《卷积神经网络与计算机视觉》, [澳] 萨尔曼·汗（Salman Khan）等编，机械工业出版社，2019年；
［2］《斯坦福CS231n深度学习与计算机视觉讲义》，李飞飞等编；
［3］《计算机视觉教程》（第二版），章毓晋编，人民邮电出版社，2017年；［4］《MATLAB计算机视觉实战》，赵小川等编，清华大学出版社，2018年；［5］《计算机视觉：模型、学习和推理》，[英]西蒙J.D. 普林斯编，机械工业出版社，2017年；
［6］《深度学习》，[美]Ian Goodfellow，人民邮电出版社，2017；
［7］《Computer Vision: A Modern Approach》（Second Edition），David A. Forsyth，Pearson，2011；
［8］《Computer Vision: Algorithms and Applications》，Szeliski，Springer，2010.。