결제 취소나 환불은 어떻게 하나요?

결제 취소 및 환불이 필요하신 경우, 고객센터를 통해서 요청해주시기 바랍니다결제 취소 및 환불 내역은 ‘마이페이지 > 거래내역’에서 확인이 가능합니다. 환불 신청 절차 안내 1. 고객센터(help@fastcampus.co.kr)로 수강생 정보(성함 및 아이디), 강의명을 기재하시어 이메일로 환불 접수를 해주세요.2. 결제 수단에 맞춰 환불이 진행되며, 계좌 입금으로 결제하신 경우에는 환불받으실 계좌도 함께 기재해주시기 바랍니다.3. 이메일로 환불을 요청하신 경우, 카드/가상계좌/이니계좌 환불은 메일 답변 후 바로 취소 처리되며 결제사를 통해 실 환불이 진행되기 때문에 환불완료까지는 최대 3~7일 정도 소요될 수 있습니다.4. 무통장 결제건은 목요일까지 환불계좌정보와 함께 help@fastcampus.co.kr 로 환불 접수해주셨을 경우 다음 주 수~목요일 사이쯤 입금될 예정이오니 참고하셔서 추후 확인해 주시기 바랍니다.

현금영수증은 어디에서 발급 요청이 가능한가요?

현금영수증은 온라인 결제 시스템을 통해 결제를 진행하실 때, 해당 결제 시스템을 통해 신청이 가능하며 소득공제용(개인), 지출증빙용(사업자) 중 선택하실 수 있습니다.무통장 입금[우리 1005-902-393657 ㈜패스트캠퍼스)]으로 입금을 해주신 경우에는 고객센터(help@fastcampus.co.kr) 이메일 주소로 현금영수증 혹은 지출증빙 영수증을 발급하실 정보(핸드폰 번호 혹은 사업자번호)를 기재하여 따로 요청해주시기 바랍니다.

회사 비용으로 처리하기 위해 전자세금계산서를 발급받고 싶습니다.

전자세금계산서 발급을 원하실 경우, 무통장입금 방식으로 결제를 해주셔야 하며 입금하실 전용 계좌번호는 다음과 같습니다.패스트캠퍼스는 면세 사업자로 수강료에 별도의 부가세가 부과되지 않습니다. 수강료 입금 계좌 우리은행 1005-902-393657 패스트캠퍼스㈜전자세금계산서를 발급하실 귀사의 사업자등록증을 파일로 첨부하시어 고객센터 이메일 주소로 전자세금계산서 발행을 요청해주시기 바랍니다. 입금 시, 수강생명 혹은 계산서를 발급하신 회사명과 상이한 정보로 입금하시면 꼭 알려주시기 바랍니다. 상세 안내 1) 수강료 입금 후 발행을 원하실 경우전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명/교육과정명 / 아이디(계정정보) / 전자계산서를 발급 받을 담당자 이메일 주소 '를 기재하여 고객센터(help@fastcampus.co.kr)로 요청해주세요.2) 수강료 입금 전 청구 발행 요청 시수강하고자 하는 과정의 '수강신청서 제출 '을 먼저 완료 해 주신 후, 전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명 / 교육과정명 / 아이디(계정정보) / 입금액(수강료) / 입금예정일자 / 전자계산서를 발급 받을 담당자 이메일 주소 '를 상세 기재하여 고객센터(help@fastcampus.co.kr)로 요청해 주시면 입금하실 전용 계좌정보를 안내드립니다. 얼리버드 할인의 경우 결제일자 기준으로 적용됩니다.따라서 전자세금계산서만 발급하시고 입금완료가 되지 않을 경우 수강료는 추후 상향조정될 수 있는 점 참고하시어 할인 마감일을 지켜주시기 바랍니다.

수강신청확인서 및 수료증은 어디에서 발급 요청이 가능한가요?

수강신청확인증은 수강료 결제가 완료된 경우, 수강신청을 증빙하기 위해 발급해드리는 증빙 서류이며수료증명서는 강의를 완강하신 경우에 강의 수료를 증빙하기 위해 발급해드리는 증빙 서류입니다. 수료증명서 발급 기준 안내 1) 오프라인 강의의 경우 : 강의를 완강하신 경우 발급2) 온라인 강의의 경우 : 80% 이상 수강하신 경우에 발급위 증빙 서류 발급을 희망하실 경우 저희 고객센터(help@fastcampus.co.kr) 이메일 주소로 아이디/수강생명 / 과정명을 기재하여 발급을 요청해주시면 PDF 파일을 첨부하여 메일로 안내해드리고 있습니다.

한 번에 끝내는 컴퓨터비전 초격차 패키지 Online.

초격차 패키지 Online.

한 번에 끝내는
컴퓨터 비전

01 컴퓨터비전 특화 커리큘럼

이미지와 영상 데이터를 다루는 컴퓨터비전 분야의 전문가가 되고 싶다면 꼭 알아야 하는 이론과 실습으로만 꽉 채운 140시간!
02 압도적 실습으로 다지는 실력

자율주행, 의료, 보안 등 주목받는 미래 서비스들의 핵심 기술, 컴퓨터비전! 100개 이상의 미니 실습과 단계별 프로젝트 9개 실습 설계
03 최신 기술 활용 High-level Vision 학습

강사님이 선별한 Transformer 및 Graph 기반 연구 논문들을 바탕으로 High-level Vision 관련 최신 기술을 학습하고 코드로 구현까지!

기본 정보

· 6개 대주제, 약 145시간 분량
· 부록으로 제공되는 파이썬 기초(10시간)와 딥러닝을 위한 기초 수학(50시간)은 [초격차 패키지 : 한 번에 끝내는 딥러닝/인공지능]의 Part 1, 2와 동일한 강의입니다.
· 기초 - 실전 - 최신/심화

강의 특성

· 수강료 1회 결제로 평생 소장
· 부가 학습 자료 제공

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

최저가로 수강신청

격이 다른 이 모든 혜택을
강의 하나에 모아서 평생소장

컴퓨터 비전 공부 한 번에 끝내고 싶다면?
빈 틈 없는 커리큘럼의 초격차 강의로!

언제까지 구글링만하며 “개념”만 붙잡고 계실건가요? 실습까지 해봐야 진짜 아는 것이라고 할 수 있죠.
이론 학습과 실습의 완벽한 조화, 초격차 강의로 배우세요!

👇초격차 강의에서 다루는 내용의 일부입니다👇

* 위의 이미지는 예시 이미지이며, 실제 실습 이미지와는 다를 수 있습니다.
*출처 : SoTA Papers with code

컴퓨터비전에 꼭 필요한 딥러닝 기초부터 각종 컴퓨터비전 이론과 실습,
응용분야 프로젝트, 심화 주제까지 다 모았습니다.

각자의 레벨에 맞는 로드맵을 따라가보세요!

👇다루는 내용을 살짝만 보여드릴게요👇

자세한 커리큘럼이 궁금하면 클릭!

컴퓨터비전이 많이 활용되는 세 개의 응용분야 자율주행, 메디컬, 정보보안!
앞서 배운 내용들을 활용해 각 분야 별로 주어진 단계별 프로젝트 실습을 해결해 보세요.

하루가 다르게 발전하며 새로운 기술, 논문이 쏟아지는 컴퓨터비전 분야는 공부를 해도해도 끝이 없어요😭
패캠 ONLY 심화 파트를 통해 직장, 연구실에서 새로운 내용을 만나도 당황하지 않고 해결할 수 있는 역량을 길러보세요!

01. 피쳐 기반에서 상황과 의미, 물체 간의 관계를 이해하는 컴퓨터 비전

Classification

Semantic Segmentation

Object Detection

Instance Segmentation

출처 : towards data science

02. 이미지에 시간이라는 축을 더한 영상을 해석하는 컴퓨터 비전

출처 : towards data science

출처 : 3d print.com

👇다양한 최신 기술들이 포함된 High-level Vision을 배워보세요!👇

쏟아지는 새로운 컴퓨터비전 논문들을
혼자서도 잘 읽고, 잘 이해할 수 있도록!

각 파트에 특화된 컴퓨터비전 전문가 강사님들과 잘 설계된 4 STEP 커리큘럼을 따라가다보면
컴퓨터비전 마스터 문제 없습니다!

* 본 커뮤니티는 Slack으로 운영되며, 온라인 강의장 공지사항에 기재된 링크를 통해 참여 가능합니다.
2022.05.02 ~ 2024.05.01까지 운영 됩니다.

컴퓨터비전 분야의 유일무이한 강의가 되기위해 만든
초격차 구성을 한 눈에 살펴보세요!

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

최저가로 수강신청

강사 소개.

윤준호 님

현) 뷰메진 컴퓨터비전팀 Lead Engineer
--
[저서] 『비전공자를 위한 딥러닝』
[강연]
- 사내 비개발직군을 위한 딥러닝 특강
- 네이버 부스트캠프 AI Tech '부캠에서 살아남기' 특강
[기타] 블로그 '국문과 공대생' 운영

이종민 님

현) POSTECH 컴퓨터공학과 박사과정
현) NRF Global Ph.D 펠로우즈
전) POSCO AI 전문가 양성과정 조교
전) VUNO 의료인공지능 기업 인턴
--
[강연] 네이버 ICCV 2019 paper day, 네이버 테크톡
[연구] 컴퓨터비전 최우수 학술대회 (CVPR, ECCV, ICCV, BMVC, WACV) 논문 출판
[프로젝트] 삼성 종합기술원, 카카오브레인 연구 협업

이준현 님

현) LAB145 연구원
--
[연구]
- ICML, CVPR, NeurIPS 논문 1저자 및 공저자
- ICLR, NeurIPS, ICML 리뷰어 WWW conference workshop program committee

J 강사님

현) 자율주행 전문기업 Computer Vision Engineer
전) 이커머스 플랫폼 기업 CV/ML Engineer

신경식 님

현) [Youtube] Shin’s Lab 운영
전) 비전공자를 위한 파이썬 프로그래밍 및 머신러닝 레슨
--
[강연]
- 광운대학교 파이썬 및 영상처리 강의
- 신호처리, 수학, 머신러닝, 딥러닝 강의
[기타]
- 커텍츠 재단 커텍츠 마스터

커리큘럼.

아래의 모든 강의를 초격차 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!

Part 1. 컴퓨터비전을 위한 딥러닝 기초

01. 딥러닝 개론

▪︎ Overview
▪︎ 인공지능, 머신러닝, 딥러닝
▪︎ 학습(learning)의 개념과 원리
▪︎ 지도학습(supervised learning)과 비지도학습(unsupervised learning)
▪︎ 선형회귀(linear regression)
▪︎ 신경망(neural networks)
▪︎ 가중치 행렬(weight matrix)
▪︎ 경사하강법(gradient descent)
▪︎ Optimizer의 종류
▪︎ 역전파(backpropagation)
▪︎ 소프트맥스(softmax)
▪︎ 크로스엔트로피(cross-entropy)

02. CNN 개론

▪︎ Overview
▪︎ 이미지 필터(filters)
▪︎ 합성곱(convolution) 연산
▪︎ CNN(convolutional neural networks)
▪︎ CNN 역전파
▪︎ CV Task - 이미지 분류(image classification)
▪︎ CV Task - 객체 검출(object detection)
▪︎ CV Task - 객체 추적(object tracking)
▪︎ CV Task - 영역 분할(segmentation)
▪︎ 이미지 전처리(preprocessing)
▪︎ 데이터 불균형(imbalance)
▪︎ 오버피팅(overfitting)
▪︎ 이미지 증강(augmentation)

Part 2. 컴퓨터비전 특화 이론과 실습

01. 이것만은 알고 가자!

▪︎Overview
▪︎Linear algebra basic: vector and matrix
▪︎Probability basic: random variable and Bayes'
▪︎OpenCV, Matplotlib 실습
▪︎PIL, scikit-image 실습
▪︎PyTorch and Torchvision 실습 (1)
▪︎PyTorch and Torchvision 실습 (2)
▪︎Logging, WAN-DB 실습

02. 고전적인 컴퓨터비전 이론

▪︎ Overview
▪︎Local image features
▪︎Convolution
▪︎Edge and Corner
▪︎Edge detection 실습
▪︎Harris corner detection 실습
▪︎Blob
▪︎Blob detection 실습
▪︎Scale-invariant feature transform (SIFT)
▪︎SIFT 실습
▪︎ORB 실습
▪︎Model fitting and least square
▪︎RANSAC
▪︎RANSAC 실습
▪︎DEGENSAC 실습
▪︎Hough transform
▪︎Hough transform 실습
▪︎Fitting and matching
▪︎Image representation with local features
▪︎Classification models

03. 딥러닝과 컴퓨터비전

▪︎Overview
▪︎Neural Network optimization
▪︎CNNs
▪︎Overfitting and Network initialization
▪︎AlexNet, LeNet, VGG
▪︎AlexNet 실습
▪︎VGG 실습
▪︎Explainable CNN 실습
▪︎ResNet
▪︎ResNet 실습
▪︎Skip Connection 실습
▪︎Batch normalization and its' variation 실습
▪︎Beyond ResNet
▪︎DenseNet, SENet 실습
▪︎EfficientNet 실습
▪︎Efficient CNN 개요
▪︎SqueezeNet, Shift
▪︎MobileNetV1, ShuffleNet
▪︎SqueezeNet, ShuffleNetV2 실습
▪︎MobileNetV2, MobileNetV3 실습
▪︎Vision Transformer (1) : Attention Mechanisms
▪︎Vision Transformer (2) : Transformer
▪︎Vision Transformer (3) : ViT
▪︎Multi-head Attention 실습
▪︎Vision Transformer 실습
▪︎Swin Transformer: Hierarchical
▪︎Swin Transformer
▪︎Swin Transformer V2
▪︎MLP-Mixer, ConViT
▪︎Special Issue: Steerable CNNs and Equivariance
▪︎Special Issue: Neural Arcitecture Search

04. 표현학습(Representation learning)

▪︎Overview
▪︎Metric learning (1) : Similarity and Distance
▪︎Metric learning (2) : Classical Metric Learning
▪︎Metric learning (3) : Deep Metric
Learning (Siamese networks and triplet loss)
▪︎Metric learning (4) : Sampling Matters
▪︎Metric learning (5) : Quadruplet Networks
▪︎Metric learning (6) : Visual Applications
▪︎Face Recogntion : FaceNet
▪︎Image Retrieval : Fine-Grained Classification
▪︎Visual Place Recognition: NetVLAD
▪︎Landmark Recognition: DELF
▪︎Average Precision Loss (AP Loss)
▪︎Image clustering (1) : K-means
▪︎Image clustering (2) : Unsupervised Metric Learning
▪︎Image clustering (3) : t-SNE
▪︎Data Augmentation (1) : Rule-based Approach
▪︎Data Augmentation (2) : GAN-based Approach
▪︎Data Augmentation (3) : AutoML-based Approach
▪︎Self-supervised learning (1) : proxy tasks
▪︎Self-supervised learning (2) : contrastive learning
▪︎Semi-supervised learning
▪︎Few-shot learning
▪︎Meta-learning
▪︎Transfer learning
▪︎Knowledge distillation
▪︎Domain adaptation
▪︎Anormaly detection
▪︎Multi-modal represetation learning
▪︎Vision & Language
▪︎Vision & Audio

05. 객체 탐지(Object Detection)과 분할(Segmentation)

▪︎ Overview
▪︎ Basic Concepts of Object Detection
▪︎ Classical Object Detection: SVM
▪︎ Classical Object Detection: HOG
▪︎ Pedestrian Detection 실습
▪︎ Region proposal: Selective Search, EdgeBox
▪︎ R-CNN, Fast R-CNN
▪︎ Faster R-CNN, Mask R-CNN
▪︎ DeConvNet, U-Net
▪︎ DeepLab
▪︎ Mask R-CNN
▪︎ One stage detector: YOLO v1, v2, v3, v4
▪︎ Feature Pyramid Networks (FPN)
▪︎ PANet, EfficientDet
▪︎ Detection Transformer (DETR)
▪︎ Semantic Segmentation: overview
▪︎ Fully convolutional network (FCN), DeepLab
▪︎ DeConvNet, U-Net
▪︎ Instance-Aware Semantic Segmentation
▪︎ Improving Techniques for Segmentation
▪︎ Segmenter: Transformer for Segmentation
▪︎ Weakly-Supervised Learning 1: Overview
▪︎ Weakly-Supervised Learning 2: Detection
▪︎ Weakly-Supervised Learning 3: Segmentation

06. 영상(Video) 데이터

▪︎ Overview
▪︎ Optical Flow 1: Classical Methods
▪︎ Optical Flow 2: FlowNet, PWC-Net, RAFT
▪︎ Action Recognition 1: Sparse Points
▪︎ Action Recognition 2: Dense Trajectory
▪︎ Action Recognition 3: 3D CNNs
▪︎ Action Recognition 4: SlowFastNet, MoViNets, MaskFeat
▪︎ Visual Object Tracking

07. Multiview geometry

▪︎ Overview
▪︎ Model Fitting Techniques
▪︎ 2D Geometric Transformations
▪︎ 3D Geometric Primitives
▪︎ Camera Models: Pinhole Camera
▪︎ Camera Calibration
▪︎ Two View Geometry
▪︎ Epipolar Geometry
▪︎ Essential Matrix
▪︎ Fundamental Matrix
▪︎ Stereo Matching 1: Image Rectification
▪︎ Stereo Matching 2: Depth Estimation
▪︎ Wide-Baseline Matching: Overview
▪︎ Learning Keypoint Detector: KeyNet
▪︎Learning Keypoint and Orientation: REKD
▪︎Learning Patch-based Local Descriptors
▪︎Learning Dense Visual Descriptors
▪︎Joint Detection and Description 1: LIFT, LF-Net, RF-Net
▪︎Joint Detection and Description 2: SuperPoint
▪︎Joint Detection and Description 3: D2-Net
▪︎Joint Detection and Description 4: R2D2
▪︎Learning Local Region Information: OriNet, AffNet
▪︎Learning Local Region Information: SelfScaOri
▪︎Learning to Find Good Correspondences
▪︎Matching with Graph Neural Networks: SuperGlue
▪︎End-to-End Matching: LoFTR, COTR, DKM
▪︎Stereo/Multiview Camera Pose Estimation Summary
▪︎Semantic Matching: Overview
▪︎Spatial Transformer Network
▪︎Semantic Alignment: GeoCNN, A2Net, Weakalign

08. 3D Vision

▪︎ Overview
▪︎ 3D representations: Point cloud, Voxel, Mesh
▪︎ Point Cloud Recognition 1 PointNet
▪︎ Point cloud registration 2PointNet
▪︎ Point Cloud Recognition 3 Point Transformer
▪︎ 3D Point Cloud Registration 1 Surface Registration
▪︎ 3D Point Cloud Registration 2 Sparse Conv, FCGF, DGR
▪︎ Neural Radiance Fields 1 NeRF
▪︎ Neural Radiance Fields 2 mip-NeRF, NeRV, GIRRAFE ...
▪︎ 3D Sensors
▪︎ 3D Scene Datasets
▪︎ 3D Object Datasets
▪︎ 3D Library Open3D, COLMAP
▪︎ 3D Reconstruction Pipeline Overview
▪︎ 3D Human reconstruction

09. 생성모델(Generative Models)과 그래픽스(Graphics)

▪︎ Overview
▪︎ Camera ISP
▪︎ Replace ISP to a single deep model
▪︎ Learning Exposure Times with Digital Gimbal
▪︎ Image restoration (1) : Demosaicking
▪︎ Image restoration (2) : Denoising
▪︎ Deep Joint Demosaicking and Denoising
▪︎ Image enhancement (1) : Deblurring
▪︎ Learning to Deblur
▪︎ Image Enhancement (2) : Super-Resolution (EDSR)
▪︎ Super-Resolution with Generative Adversarial Networks (GAN)
▪︎ Image Enhancement (3) : Low-Light Enlightening (SID)
▪︎ Seeing Motion in the Dark
▪︎ Learning to See Moving Objects in the Dark
▪︎ Optical Flow in the Dark
▪︎ Physics-based Noise Formation Model
▪︎ Video Deblurring with Handheld Cameras
▪︎Burst Image Processing Introduction
▪︎Deep Burst Super-Resolution and Reparametrization
▪︎Burst Image Restoration and Enhancement
▪︎Inpainting, Colorization, I2I translation, style transfer
▪︎VAE, GAN, Diffusion model
▪︎Deepfake, GAN + Alignment, Image quality assessment

Part 3. 컴퓨터비전 응용분야 실습 프로젝트

01. Introduction

▪︎ 실습프로젝트 소개 및 과정

02. Image classfication

▪︎ 문제 정의 및 실습 데이터셋 소개
▪︎ Classification 소개와 적용사례, CNN를 사용하는 이유
▪︎ Covid chest x-ray 데이터셋 살펴보기
▪︎ 데이터셋 구축과 연산을 위한 텐서변환 모듈 적용하기
▪︎ Pretrained VGG19 아키텍처 불러오기
▪︎ Cross-entropy loss fucntion과 SGDM 최적화 적용하기
▪︎ Classifier 학습을 위한 코드 작성하기
▪︎ Top N accuracy 지표 소개 및 Top 1 accuracy 계산하기
▪︎ Classifier 모델 학습과 테스트하기
▪︎ Summary

03. Semantic segmentation

▪︎문제정의 및 실습데이터셋 소개
▪︎ segmentation 소개와 적용사례
▪︎ CT 이미지 데이터셋 살펴보기
▪︎ 데이터셋 구축과 연산을 위한 텐서변환 모듈 작성해보기
▪︎ U-Net 아키텍처 구현해보기
▪︎ Dice similiarity coefficient(DSC) 설명 및 구현하기
▪︎Loss function 구현 및 SGDM 최적화 적용하기
▪︎ Sementic segmentation 학습을 위한 코드 작성해보기
▪︎ 모델 테스트 및 Morphological filtering 적용하기
▪︎Summary

04. Transfer learning

▪︎문제정의 및 실습데이터셋 소개
▪︎Transfer learning 원리와 사용하는 이유
▪︎CT이미지 데이터셋 살펴보기
▪︎데이터셋 구축과 연산을 위한 텐서변환 모듈 작성하기
▪︎VGG16 Backbone 을 이용한 U-Net 아키텍처 구현해보기
▪︎Semantic segmentation Loss와 학습코드 작성하기
▪︎Weight initialization과 transfer learning 적용한 모델 비교해보기
▪︎Summary

05. Object detection

▪︎문제정의 및 실습데이터셋 소개
▪︎Two-stage detection 및 Faster R-CNN 설명
▪︎Bus-truck 데이터셋 살펴보기
▪︎데이터셋 구축과 연산을 위한 텐서변환 적용해보기
▪︎Faster R-CNN detector 아키텍처 불러오기
▪︎Detector 학습을 위한 코드 작성해보기
▪︎Confidence threshold 및 Non-maximum suppresion(NMS) 소개와 적용해보기
▪︎탐지성능검증을 위한 지표 소개 및 적용해보기
▪︎Faster R-CNN 모델 테스트해보기
▪︎Summary

06. Advanced object detection

▪︎문제정의 및 실습데이터셋 소개
▪︎Real-time processing 과 One-stage detection 소개
▪︎Bus-truck 데이터셋 살펴보기
▪︎데이터셋 구축과 연산을 위한 텐서변환 모듈 작성해보기
▪︎YOLOv1 아키텍처 구현해보기
▪︎YOLOv1 Loss function 소개 및 구현해보기
▪︎Detector 학습을 위한 코드 작성해보기
▪︎Confidence threshold 및 Non-maximum suppresion(NMS) 소개와 적용해보기
▪︎탐지성능검증을 위한 지표 소개 및 적용해보기
▪︎YOLOv1 모델 테스트해보기
▪︎Summary

07. Data augmentation

▪︎문제정의 및 실습데이터셋 소개
▪︎Overfitting 현상과 Data augmentation 소개 ▪︎Bus-truck 데이터셋 살펴보기
▪︎데이터셋 구축과 Data augmentation 기법 적용해보기
▪︎YOLOv1 아키텍처와 Loss function 구현해보기
▪︎Detector 학습을 위한 코드 작성해보기
▪︎Data augmentation 적용에 따른 성능 비교해보기
▪︎Data augmentation 적용한 YOLOv1 모델 테스트해보기
▪︎Summary

08. Image similarity

▪︎문제정의 및 실습데이터셋 소개
▪︎Image similarity measure 방법 소개하기
▪︎MNIST 손글씨 숫자이미지 데이터셋 살펴보기
▪︎Euclidean distance와 cosine similarity 구현해보기
▪︎Distance 기반 유사도 평가방식으로 가장 유사한 후보 추출하기
▪︎Summary

09. Few-shot learning

▪︎문제정의 및 실습데이터셋 소개
▪︎Few-shot learning 과 Siamese network 설명
▪︎ORL face 데이터셋 살펴보기
▪︎데이터셋 구축과 연산을 위한 텐서변환 모듈 작성하기
▪︎Siamese network 아키텍처 소개와 구현해보기
▪︎Contrastive loss function 설명 및 구현해보기
▪︎Face recognition 을 위한 학습코드 작성해보기
▪︎학습한 모델을 실제로 테스트해보기
▪︎Summary

10. Feature visualization

▪︎문제정의 및 실습데이터셋 소개
▪︎Embedding space 와 차원축소기법 소개
▪︎ORL face 데이터셋 살펴보기
▪︎데이터셋 구축과 연산을 위한 텐서변환 모듈 작성하기
▪︎Siamese network 아키텍처와 Loss function 구현해보기
▪︎Few-shot learning 을 위한 학습코드 작성해보기
▪︎Tensorboard를 활용하여 embedding
▪︎space 시각화해보기
▪︎Summary

11. Ending

▪︎실습 프로젝트 정리

Part 4. 최신 컴퓨터비전 기술과 논문 코드 구현

01. Context Understanding

▪︎ Overview
▪︎ Transformer
▪︎ Transformer 실습 (1)
▪︎ Transformer 실습 (2)
▪︎ Visual Transformer
▪︎ Transformer for OD and HOI
▪︎ Transformer for OD and HOI 실습 (1)
▪︎ Transformer for OD and HOI 실습 (2)
▪︎ Transformer for OD and HOI 실습 (3)
▪︎ Transformers for Vertical Tasks

02. Scene Understanding

▪︎ Overview
▪︎ Scene Represenstation Learning (data)
▪︎ Convolution on grid and on graph
▪︎ Convolution on grid and on graph 실습 (1)
▪︎ Convolution on grid and on graph 실습 (2)
▪︎ Convolution on grid and on graph 실습 (3)
▪︎ Convolution on grid and on graph 실습 (4)
▪︎ Convolution on grid and on graph 실습 (5)
▪︎ Convolution on grid and on graph 실습 (6)
▪︎ Convolution on grid and on graph 실습 (7)
▪︎ Graph Neural Networks
▪︎ Graph Neural Networks 실습 (1)
▪︎ Graph Neural Networks 실습 (2)
▪︎ Scene Graph in Computer Vision
▪︎ Other 'Vision+Graph' Papers

03. Human Motion Understanding

▪︎ Overview
▪︎ Pose Estimation
▪︎ Human Motion Application
▪︎ Human Motion Application 실습 (1)
▪︎ Human Motion Application 실습 (2)

04. Video Understanding

▪︎ Overview
▪︎ Action Genome
▪︎ High-level Computer Vision for Video Data (1)
▪︎ High-level Computer Vision for Video Data (2)
▪︎Video Understanding 실습

[부록] 데이터 사이언스 기초(파이썬)

01. 환경설정

▪︎ 파이썬개발환경설정
▪︎ 파이썬개발환경설정(Windows)
▪︎ jupyternotebook설치및사용법소개

02. 데이터타입과 컬렉션

▪︎ 기본타입및변수의이해-1
▪︎ 기본타입및변수의이해-2
▪︎ 문자열타입의이해및활용하기
▪︎ 컬렉션타입이해-1(List)
▪︎ 컬렉션타입이해-2(List)
▪︎ 컬렉션타입이해-3(tuple)
▪︎ 컬렉션타입이해-4(dict)
▪︎ 컬렉션타입이해-5(set)

03. 조건문과반복문

▪︎ 조건문(if,elif,else)활용하기
▪︎ 조건문(if,elif,else)활용하기
▪︎ 반복문이해하기(while)-1
▪︎ 반복문이해하기(while)-2
▪︎ 반복문이해하기(for),연습문제-1
▪︎ 반복문이해하기(for),연습문제-2
▪︎ 조건문,반복문연습문제풀이

04. 함수 이해 및 활용

▪︎ 함수의이해및활용,기본파라미터,키워드파라미터이해,변수의스코프이해-1
▪︎ 함수의이해및활용,기본파라미터,키워드파라미터이해,변수의스코프이해-2
▪︎ 함수의이해및활용,기본파라미터,키워드파라미터이해,변수의스코프이해-3
▪︎ 람다(lambda)함수의이해및사용하기
▪︎ 함수연습문제풀이

05. 파이썬 모듈

▪︎ 모듈의이해및사용과import방법

06. 클래스와 인스턴스

▪︎ 클래스&오브젝트(object)이해하기
▪︎ 클래스정의및사용하기
▪︎ 생성자(__init__)이해및사용하기
▪︎ self키워드의이해및사용하기
▪︎ method,staticmethod정의및사용하기
▪︎ 클래스상속의이해(코드를재사용하기2)
▪︎ 클래스연산자재정의이해및사용
▪︎ 클래스연습문제풀이

07. 정규표현식

▪︎ 정규표현식과re모듈의사용-1
▪︎ 정규표현식과re모듈의사용-2
▪︎ 정규표현식과re모듈의사용-3
▪︎ 정규표현식연습문제풀이

[부록] 데이터 사이언스 기초(수학)

01. 딥러닝 네트워크의 연산

▪︎ CH00_00. Orientation
▪︎ CH00_01. Introduction
▪︎ CH00_02. CoLaboratory
▪︎ CH01_01. [이론강의]Parameteric Functions and Datasets
▪︎ CH01_02. [이론강의]Artificial_Neurons
▪︎ CH01_03. [구현강의]Affine_Functions
▪︎ CH01_04. [구현강의]Artificial_Neurons
▪︎ CH02_01. [이론강의]_Dense_Layers
▪︎ CH02_02. [이론강의]_The_First_Dense_Layer.
▪︎ CH02_03. [이론강의]_Generalized_Dense_Layers.
▪︎ CH02_04. [이론강의]_Minibatches_in_Dense_Layers.
▪︎ CH02_05. [구현강의]_Dense_Layers
▪︎ CH02_06. [구현강의]_Cascaded_Dense_Layers
▪︎ CH02_07. [구현강의]_Model_Implementation_with_Dense_Layers
▪︎ CH03_01. [이론강의]_Logit_and_Sigmoid.
▪︎ CH03_02. [이론강의]_Softmax_Layer
▪︎ CH03_03. [구현강의]_Binary_Classifiers
▪︎ CH03_04. [구현강의]_Multiclass_Classifiers
▪︎ CH04_01. [이론강의]_Mean_Squared_Error.
▪︎ CH04_02. [이론강의]_Binary_Cross_Entropy.
▪︎ CH04_03. [이론강의]_Categorical_Cross_Entropy
▪︎ CH04_04. [구현강의]_Toy_Datasets_for_Regression_and_Binary_Classification
▪︎ CH04_05. [구현강의]_Toy_Datasets_for_Multiclass_Classification.
▪︎ CH04_06. [구현강의]_MSE_and_BCE
▪︎ CH04_07. [구현강의]_SCCE_and_CCE
▪︎ CH05_01. [이론강의]_Image_Tensors_and_Classical_Correlation.
▪︎ CH05_02. [이론강의]_Computations_of_Conv_Layers.
▪︎ CH05_03. [이론강의]_Conv_Layers_for_Multichannel_Input
▪︎ CH05_04. [구현강의]_Conv2D_Layers
▪︎ CH05_05. [구현강의]_Conv2D_with_Filters
▪︎ CH05_06. [구현강의]_Model_Implementation_with_Conv2D_Layers
▪︎ CH06_01. [이론강의]_Pooling_Layers
▪︎ CH06_02. [구현강의]_Max_and_Average_Pooling_Layers
▪︎ CH06_03.[구현강의]_Padding_and_Strides
▪︎ CH07_01.[이론강의]_Convolutional_Neural_Networks
▪︎ CH07_02.[구현강의]_Shapes_in_CNNs.
▪︎ CH07_03. [구현강의]_CNN_Implementation
▪︎ CH07_04. [구현강의]_LeNet_Implementation

02. Jacobian Matrix와 Backpropagation

▪︎ CH00_01.Orientation
▪︎ CH01_01.Trainable_Variables_and_Gradients
▪︎ CH01_02.Gradient-based_Learning_Implementation
▪︎ CH01_03.Backpropagation
▪︎ CH01_04.Why_Jacobian_Matrices
▪︎ CH02_01.Rate_of_Changes
▪︎ CH02_02.Differentiation_and_Derivatives
▪︎ CH02_03.Diff_of_Constant_and_Power_Functions
▪︎ CH02_04.Diff_of_Log_and_Exp_Functions
▪︎ CH02_05.Diff_of_Trigonometric_and_Piece-wise_Defined_Functions
▪︎ CH02_06.Constant_Multiplie_and_Sum_Rules
▪︎ CH02_07.LTI_System_and_Differentiation
▪︎ CH02_08.Product_and_Quotient_Rules
▪︎ CH02_09.Composite_Functions_and_Chain_Rule
▪︎ CH02_10.Backpropagation_Modules
▪︎ CH03_01.Multivariate_Functions
▪︎ CH03_02.Partial_Derivatives_and_Parameter_Updates
▪︎ CH03_03.Partial_Derivatives_and_Gradients
▪︎ CH03_04.Gradient_and_Parameter_Update
▪︎ CH03_05.Jacobians_of_Affine_Functions
▪︎ CH03_06.Artificial_Neuron_and_Backpropagation
▪︎ CH03_07.Jacobians_for_Minibatches
▪︎ CH03_08.Jacobians_of_MSE_and_BCEE
▪︎ CH03_09.Jacobians_of_CCEE
▪︎ CH03_10.Jacobians_of_Softmax
▪︎ CH04_01.Linear_Regression_(Theory)
▪︎ CH04_02.Linear_Regression_(Implementation, 1 Feature)
▪︎ CH04_03.Linear_Regression_(Implementation, N Features)
▪︎ CH04_04.Logistic_Regression_(Thoery)_and_SIgmoid_s_Params
▪︎ CH04_05.Properties_of_Logistic_Regression
▪︎ CH04_06.Logistic_Regression_(Implementation, 1 Feature)
▪︎ CH04_07.Logistic_Regression_(Implementation, n Features)
▪︎ CH05_01.Vector_Functions
▪︎ CH05_02.Jacobians_of_Vector_Functions
▪︎ CH05_03.Affine_Function_as_a_Vector_Function1
▪︎ CH05_04.Affine_Function_as_a_Vector_Function2
▪︎ CH05_05.Jacobians_of_Softmax
▪︎ CH06_01.Diagonal_Matrices
▪︎ CH06_02.Unary_Element-
wise_Operations ▪︎ CH06_03.Jacobians_of_Activation_Functions
▪︎ CH06_04.Backpropagation_within_Dense_Layers
▪︎ CH06_05.Artificial_Neuron_and_Mini-batches
▪︎ CH06_06.Binary_Element-wise_Operations
▪︎ CH06_07.Backpropagation_within_Loss_Functions
▪︎ CH07_01.Linear_Regression_with_Mini-batches_Theory
▪︎ CH07_02.Linear_Regression_with_Mini-batches_Implementation
▪︎ CH07_03.Logistic_Regression_with_Mini-batches
▪︎ CH08_01.Multipath_of_Functions
▪︎ CH08_02.Total_Derivative1
▪︎ CH08_03.Total_Derivative2
▪︎ CH08_04.Vector_Functions_and_Total_Derivative
▪︎ CH08_05.Linear_Logistics_Regression_and_Total_Derivatives
▪︎ CH09_01.Introduction_to_Expanded_Jacobians
▪︎ CH09_02.Keypoints_of_Expanded_Jacobians
▪︎ CH09_03.Unary_Element-wise_Operations_and_Expanded_Jacobians
▪︎ CH09_04.Binary_Element-wise_Operations_and_Expanded_Jacobians
▪︎ CH10_01.MSE_BCEE_and_Expanded_Jacobians
▪︎ CH10_02.CCEE_and_Expanded_Jacobians
▪︎ CH10_03.Softmax_and_Expanded_Jacobians
▪︎ CH10_04.Matrix_Multiplication_Revisited
▪︎ CH10_05.Matrix_Multiplication_and_Expanded_Jacobians
▪︎ CH10_06.Bias_Addition_and_Expanded_Jacobians
▪︎ CH11_01.MLP_Theory
▪︎ CH11_02.Training_MLP_Using_Expanded_Jacobians

03. [Appendix] 기초수학

▪︎ CH01_01. Orientation
▪︎ CH01_02. Algebraic Properties
▪︎ CH01_03. Identities and Inverses
▪︎ CH01_04. Equations
▪︎ CH02_01. Sets
▪︎ CH02_02. Usages of Set
▪︎ CH02_03. Cardinality of Sets
▪︎ CH02_04. Inclusion and Exclusion
▪︎ CH02_05. Unary Set Operations
▪︎ CH02_06. Intersections and Unions1
▪︎ CH02_07. Intersections and Unions2
▪︎ CH02_08. Set Differences1
▪︎ CH02_09. Set Differences2
▪︎ CH02_10. Cartesian Products
▪︎ CH02_11. Partitions
▪︎ CH03_01. Propositions
▪︎ CH03_02. Logical Operations1
▪︎ CH03_03. Logical Operations2
▪︎ CH03_04. Logical Implications1
▪︎ CH03_05. Logical Implications2
▪︎ CH03_06. Logical Computations1
▪︎ CH03_07. Logical Computations2
▪︎ CH04_01. Linear Equations
▪︎ CH04_02. Linear Inequalities
▪︎ CH04_03. Powers
▪︎ CH04_04. Calculations of Powers
▪︎ CH04_05. Quadratic Expressions
▪︎ CH04_06. Multiplication Rules of Quadratic Expressions
▪︎ CH04_07. Factorizations of Quadratic Expressions
▪︎ CH04_08. Two Representations of Quadratic Expressions
▪︎ CH04_09. Cubic Expressions
▪︎ CH04_10. Polynomials
▪︎ CH04_11. Multiplications, Divisions of Polynomials
▪︎ CH04_12. Solutions of Quadratic Equations
▪︎ CH04_13. Solutions of Cubic Equations
▪︎ CH04_14. Solutions of Polynomial Equations
▪︎ CH05_01. intervals
▪︎ CH05_02. operations on intervals
▪︎ CH05_03. the coordinate plane
▪︎ CH05_04. functions
▪︎ CH05_05. Composite, Inverse Functions
▪︎ CH05_06. Univariate Functions
▪︎ CH05_07. Linear Functions(Slope a)
▪︎ CH05_08. Linear Functions(y-intercept b)
▪︎ CH05_09. Fixed Parameters and Linear Functions
▪︎ CH05_10. Parallel, Perpendicular Lines
▪︎ CH05_11. Quadratic Functions
▪︎ CH05_12. Vertex Form and Graphs
▪︎ CH05_13. Vertices and Discriminants
▪︎ CH05_14. Cubic Functions
▪︎ CH05_15. Polynomial Functions
▪︎ CH05_16. Reflection of Functions
▪︎ CH05_17. Translations of Functions
▪︎ CH05_18. Dilations of Functions.
▪︎ CH05_19. Concatenations of Transformations
▪︎ CH05_20. Piecewise-defined Functions
▪︎ CH05_21. Symmetric Functions
▪︎ CH05_22. Properties of Symmetric Functions.
▪︎ CH05_23. Decomposing Functions into Even, Odd Functions
▪︎ CH05_24. Functions and Inequalities
▪︎ CH06_01. Rational Expressions
▪︎ CH06_02. Rational Expressions
▪︎ CH06_03. Rational Rational Functions
▪︎ CH06_04. More General Rational Functions
▪︎ CH06_05. Rational Expressions and Inequalities
▪︎ CH06_06. Irrational Expressions
▪︎ CH06_07. Properties of Roots
▪︎ CH06_08. Irrational Functions
▪︎ CH07_01. Exponentiations
▪︎ CH07_02. Exponentiations(2)
▪︎ CH07_03. Logarithms
▪︎ CH07_04. Properties of Logarithm
▪︎ CH07_05. Properties of Logarithm(2)
▪︎ CH07_06. Properties of Logarithm(3)
▪︎ CH07_07. Exponential Functions
▪︎ CH07_08. Logarithmic Functions
▪︎ CH07_09. Exponential, Logarithmic Equations
▪︎ CH07_10. Increasing, Decreasing Functions
▪︎ CH07_11. Exponential, Logarithmic Inequalities
▪︎ CH08_01. Degrees and Radians
▪︎ CH08_02. Deg2Rad and Rad2Degree
▪︎ CH08_03. Trigonometric Ratios
▪︎ CH08_04. Trigonometric Ratios on the Coord. Plane
▪︎ CH08_05. Trigonometric Functions
▪︎ CH08_06. Trigonometric Functions(2)
▪︎ CH08_07. Transforms of Trigonometric Functions
▪︎ CH08_08. Inverse Trigonometric Functions
▪︎ CH08_09. Reciprocal Trigonometric Functions
▪︎ CH08_10. Trigonometric Formulas(1)
▪︎ CH08_11. Trigonometric Formulas(2)
▪︎ CH09_01. Conic Sections
▪︎ CH09_02. Circles
▪︎ CH09_03. Mathematical Definition of Parabola
▪︎ CH09_04. More General Parabolas
▪︎ CH09_05. Parabola Exercises
▪︎ CH09_06. Mathematical Definition of Ellipse
▪︎ CH09_07. Equations of Ellipses
▪︎ CH09_08. Hyperbolas
▪︎ CH10_01. Bivariate Functions
▪︎ CH10_02. Lines, Planes in the Coord. Space
▪︎ CH10_03. Multivariate Functions
▪︎ CH10_04. Linearity
▪︎ CH10_05. Linear Systems
▪︎ CH11_01. System of Equations
▪︎ CH11_02. Systems of Linear Equations(1)
▪︎ CH11_03. Systems of Inequalities
▪︎ CH12_01. Composite Functions
▪︎ CH12_02. Decomposing Composite Functions
▪︎ CH12_03. Domains, Codomains of Composite Functions

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

최저가로 수강신청

이 강의도 추천해요.

[이벤트 주의사항 및 환불규정 ]

이벤트 주의사항 및 환불규정 바로가기 ☞

주의사항 * 본 상품은 동영상 형태의 강의를 자유롭게 수강하는 상품입니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.

– 총 학습기간 :
정상 수강기간(유료 수강기간) 최초 3개월(90일), 무료 수강 기간은 91일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 145시간 분량(부록 60시간 포함)으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일 :
수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 일정 만큼 수강 시작일이 연기됩니다.
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
– 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.
- 질의응답 서비스는 2022/05/02(1차 오픈일)~2024/05/01 기간 동안 수강 내용 범위 안에서 이루어집니다.

환불규정 – 수강시작 후 7일 이내, 5강 미만 수강 시에는 100%환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강시 수강기간인 3개월(90일) 대비 잔여일에 대해 아래 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 8일 ~30일 이하 경과시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 31일~45일 이하 경과시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 45일 초과 시, 환불금액 없음
* 위 환불규정은 부록 60시간을 포함합니다.

패스트캠퍼스 아이디 공유 금지 정책 안내 아이디 공유란?
1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다. 패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다.
동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.



기본 정보

강의 특성

윤준호 님

이종민 님

이준현 님

J 강사님

신경식 님

01. 딥러닝 개론

02. CNN 개론

01. 이것만은 알고 가자!

02. 고전적인 컴퓨터비전 이론

03. 딥러닝과 컴퓨터비전

04. 표현학습(Representation learning)

05. 객체 탐지(Object Detection)과 분할(Segmentation)

06. 영상(Video) 데이터

07. Multiview geometry

08. 3D Vision

09. 생성모델(Generative Models)과 그래픽스(Graphics)

01. Introduction

02. Image classfication

03. Semantic segmentation

04. Transfer learning

05. Object detection

06. Advanced object detection

07. Data augmentation

08. Image similarity

09. Few-shot learning

10. Feature visualization

11. Ending

01. Context Understanding

02. Scene Understanding

03. Human Motion Understanding

04. Video Understanding

01. 환경설정

02. 데이터타입과 컬렉션

03. 조건문과반복문

04. 함수 이해 및 활용

05. 파이썬 모듈

06. 클래스와 인스턴스

07. 정규표현식

01. 딥러닝 네트워크의 연산

02. Jacobian Matrix와 Backpropagation

03. [Appendix] 기초수학

상세 커리큘럼.

이 강의도 추천해요.

수강료.