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。
我们曾经有过有三AI CV春季划，是言有三亲自带领的供零基础初学者学习深度学习和计算机视觉的学习计划，但是当前该季划已经结束，为了帮助新人完全入门计算机视觉，培养后续能够独立进行该领域学习的习惯和能力，本次我们开设新的季划，名为mini cv季划，可以看作是之前春季划的删减版，但是也有更多导师答疑，下面请大家阅读了解详情。
什么是有三AI-mini cv季划
有三AI-mini CV季划，是我们面向学习计算机视觉的初学者准备的有3大导师带领的学习计划，面向群体如下：
(1) 深度学习/计算机视觉/图像处理零基础学生与转行的从业者。
(2) 深度学习/计算机视觉/图像处理基础薄弱，缺少实践，停留在网络视频课级别的选手。
(3) 未能熟练掌握计算机视觉基础领域，不具备能完成从数据准备到模型调试的深度学习/计算机视觉从业者。
有三AI-mini cv季划聚焦的方向包括：深度学习开源框架使用，图像分类，图像分割，目标检测。
有三AI-mini cv季划导师团共有3人，其中郭冰洋与费子昂负责具体的答疑，答疑可以在微信群，也可以私信一对一交流。
mini cv季划的学习内容
总体的学习资料包括几个部分：
(1) 深度学习基础篇，主讲人为言有三，当前内容共计约30个小时。
有三AI与阿里天池联合曾推出了深度学习基础视频，主讲AI基础，神经网络与深度学习基础理论。这是后续所有课程的基础，大家可以阅读了解。
(2) 深度学习开源框架篇，主讲人为言有三与郭冰洋，包括Caffe与Pytorch，当前内容共计约10个小时。
PyTorch是深度学习的主流框架之一，新手入门相对容易。本次课程将算法、模型和基础理论知识进行有机结合，结合CV的实战项目，帮助大家掌握PyTorch框架的基础知识和使用方法，带大家较平稳地入门深度学习领域。让你以最短的时间掌握PyTorch框架的基础知识并进行代码实践。
课程大纲主要包含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，后续还会增加Pytorch模型部署，自定义算子优化等内容。
Caffe是深度学习的主流框架之一，新手入门相对困难，但是掌握好对于自己C++与CUDA编程能力的提升效果显著，是高手必须掌握的内容。在有三AI与阿里天池的联合课程中有Caffe基础使用的介绍，另外我们还有基于Caffe的图像识别课程，也会给大家配置。
课程大纲主要包含Caffe简介与使用，数据获取与整理，数据增强，图像分类，图像分割，目标检测，模型设计与优化快速使用。
(3) 深度学习之图像分类，主讲人为郭冰洋，图像分类课程当前包含的内容共约10个小时。
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。
实践部分包含了4个案例，分别为人脸表情分类实战，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。
(4) 深度学习之图像分割，主讲人为郭冰洋，图像分割课程当前包含的内容共约10个小时。
理论部分涵盖了深度学习之图像分割的各个研究方向，包括传统的图像分割，语义分割、实例分割、图像分割评价指标、提升性能技巧，分割后处理技术。
实践部分包含了2个案例，分别为基于Pytorch的表面缺陷语义分割实战及基于Pytorch的实例分割实战。
(5) 深度学习之目标检测，主讲人为费子昂，目标检测课程当前包含的内容共约30个小时。
理论部分内容包括：two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解（从YOLO v1到YOLO v5），Anchor-free算法系列详解（包括Densebox，CenterNet，CornetNet等）；会非常详细地讲解算法中的细节，帮助彻底消化算法原理；
实践部分内容包括： 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；基于Pytorch框架进行实战，逐行剖析代码，完全掌握实战细节；
下面是实践案例效果图：
以上就是有三AI mini CV春季划包含的内容，除了这些视频课程之外，还会专门配置一个微信群用于日常答疑。
