《计算机视觉》课程大纲一、课程名称：计算机视觉二、课程性质：选修、理论+实践课三、学时与学分：24学时理论+16学时实验2.5学分四、课程先导课：线性代数、概率论与数理统计、微积分、Python或Matlab（或C++）、算法设计与分析五、课程介绍“计算机视觉”是一门理论性、工程性、技术性和实践性都很强的专业选修课程，为学生未来从事计算机视觉、人工智能相关研究和工程技术奠定基础。该课程使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术，以及深度学习中的卷积神经网络原理、训练和典型网络结构。着重讲述计算机中的几个主要任务：图像特征与匹配、图像分类、目标检测、人脸识别中的卷积神经网络模型及学习过程。同时，将方法与理论（卷积神经网络，计算视觉理论）紧密结合，理论与实践相结合。培养学生对图像的处理、利用深度学习解决计算机视觉当前的一些热点问题的能力。课程的难点是如何帮助计算机专业的学生使用一些深度学习平台开展计算机视觉方面的实验和解决实际问题或任务的能力。六、课程目标《计算机视觉》的具体目标包括：目标1：使学生理解深度学习、计算机视觉、概率论、统计等基础交叉学科知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质。为毕业要求1提供支持。目标2：使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术。为毕业要求2提供支持。目标3：根据所学卷积神经网络，解决图像分类、目标检测、人脸识别的实际问题，能进行算法和模型的训练，从而锻炼自主学习的能力。为毕业要求4提供支持。目标4：能认识到计算机视觉日新月异的发展特点，以及我们课程所使用的深度学习平台和神经网络发展为例，使学生认同自主学习和终身学习的必要性。为毕业要求12提供支持
《计算机视觉》课程大纲 一、课程名称：计算机视觉 二、课程性质：选修、理论+实践课 三、学时与学分：24 学时理论 + 16 学时实验 2.5 学分 四、课程先导课：线性代数、概率论与数理统计、微积分、Python 或 Matlab （或 C++）、算法设计与分析 五、课程介绍 “计算机视觉”是一门理论性、工程性、技术性和实践性都很强的专业选修 课程，为学生未来从事计算机视觉、人工智能相关研究和工程技术奠定基础。该 课程使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、卷积神经 网络及其在图像处理中的应用等基本思想原理、流行算法和技术，以及深度学习 中的卷积神经网络原理、训练和典型网络结构。着重讲述计算机中的几个主要任 务：图像特征与匹配、图像分类、目标检测、人脸识别中的卷积神经网络模型及 学习过程。同时，将方法与理论（卷积神经网络，计算视觉理论）紧密结合，理 论与实践相结合。培养学生对图像的处理、利用深度学习解决计算机视觉当前的 一些热点问题的能力。课程的难点是如何帮助计算机专业的学生使用一些深度学 习平台开展计算机视觉方面的实验和解决实际问题或任务的能力。 六、课程目标 《计算机视觉》的具体目标包括： 目标 1: 使学生理解深度学习、计算机视觉、概率论、统计等基础交叉学科 知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质。为 毕业要求 1 提供支持。 目标 2：使学生掌握计算机视觉的基本概念、图像处理、图像特征与匹配、 卷积神经网络及其在图像处理中的应用等基本思想原理、流行算法和技术。为毕 业要求 2 提供支持。 目标 3：根据所学卷积神经网络，解决图像分类、目标检测、人脸识别的实 际问题，能进行算法和模型的训练，从而锻炼自主学习的能力。为毕业要求 4 提 供支持。 目标 4:能认识到计算机视觉日新月异的发展特点，以及我们课程所使用的 深度学习平台和神经网络发展为例，使学生认同自主学习和终身学习的必要性。 为毕业要求 12 提供支持
七、课程目标对毕业要求的支撑关系支撑的毕业要求二级指标点课程目标1.1能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题目标1的表述。2.1能综合运用数学、自然科学、工程科学以及计算机科学的基本原理，目标2识别、判断和表达计算机复杂工程问题的关键环节：4.2能根据计算机复杂工程问题解决方案的特定对象特征，选择研究路目标3线，设计实验方案、构建实验系统，并进行实验和正确采集实验数据。12.1能认识到计算机技术日新月异的发展特点，认同自主学习和终身学目标4习的必要性12.2具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括目标5理解能力，归纳总结的能力和提出问题的能力等5.1了解计算机专业常用的现代仪器、信息技术工具、工程工具和模拟目标6软件的使用原理和方法，并理解其局限性3.2能为计算机复杂工程问题解决方案设计满足特定需求的软/硬件模目标7块10.1能就专业问题，以口头、文稿、图表等方式，准确表达自己的观点，回应质疑，理解与同行和社会公众等不同对象及不同方式交流的目标8差异性八、教学设计及对课程目标的支持第一章计算机视觉本章主要知识点包括计算机视觉概述，计算机视觉发展史，计算视觉研究方向，计算机视觉典型应用等。1.教学目标1）了解计算机视觉发展历程2）了解计算机视觉研究方向及典型应用3）了解计算机视觉主要技术及方法本章教学支持课程目标1和课程目标2。2.教学重点1）计算机视觉研究发展2）研究及应用3.教学难点1）理解计算机视觉的主要研究技术与方法。4.教学环节设计结合人工智能方法以及计算机视觉的发展，开展文献阅读与讨论，较全面地介绍计算机视觉领域的核心概念、任务和方法
七、课程目标对毕业要求的支撑关系 支撑的毕业要求二级指标点 课程目标 1.1 能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题 的表述。 目标 1 2.1 能综合运用数学、自然科学、工程科学以及计算机科学的基本原理， 识别、判断和表达计算机复杂工程问题的关键环节； 目标 2 4.2 能根据计算机复杂工程问题解决方案的特定对象特征，选择研究路 线，设计实验方案、构建实验系统，并进行实验和正确采集实验数据。 目标 3 12.1 能认识到计算机技术日新月异的发展特点，认同自主学习和终身学 习的必要性 目标 4 12.2 具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括 理解能力，归纳总结的能力和提出问题的能力等 目标 5 5.1 了解计算机专业常用的现代仪器、信息技术工具、工程工具和模拟 软件的使用原理和方法，并理解其局限性 目标 6 3.2 能为计算机复杂工程问题解决方案设计满足特定需求的软/硬件模 块 目标 7 10.1 能就专业问题，以口头、文稿、图表等方式，准确表达自己的观 点，回应质疑，理解与同行和社会公众等不同对象及不同方式交流的 差异性 目标 8 八、教学设计及对课程目标的支持 第一章 计算机视觉 本章主要知识点包括计算机视觉概述，计算机视觉发展史，计算视觉研究 方向，计算机视觉典型应用等。 1.教学目标 1) 了解计算机视觉发展历程 2) 了解计算机视觉研究方向及典型应用 3) 了解计算机视觉主要技术及方法 本章教学支持课程目标 1 和课程目标 2。 2.教学重点 1) 计算机视觉研究发展 2) 研究及应用 3.教学难点 1) 理解计算机视觉的主要研究技术与方法。 4.教学环节设计 结合人工智能方法以及计算机视觉的发展，开展文献阅读与讨论，较全面地介 绍计算机视觉领域的核心概念、任务和方法
第二章图像处理本章主要知识点包括点操作、滤波和几何变换等。1.教学目标1）理解点操作、线性滤波和几何变换的基本原理和用途；2）能够对图像开展点操作、线性滤波和几何变换的实验。。本章教学支持课程目标1、目标2和课程目标3。2.教学重点1）点操作、线性滤波和几何变换；2）相关实验方法。3.教学难点点操作、线性滤波和几何变换；4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第三章特征检测与匹配本章主要知识点包括特征检测器、特征描述、特征匹配、边缘检测和其他类型特征检测与匹配方法。1.教学目标理解常见特征检测与匹配的原理，并能应用到实际任务中。本章教学支持课程目标1、目标2和课程目标3。2.教学重点掌握典型局部特征点检测和特征描述的技术原理和思想。3.教学难点SIFT特征检测与描述提取、ORB特征检测与描述提取4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第四章前馈神经网络本章主要知识点包括神经网络结构、损失函数、训练学习及优化等。·神经网络部分l：结构建立NeuralNetworksPartl：Settingupthe Architecture
第二章 图像处理 本章主要知识点包括点操作、滤波和几何变换等。 1.教学目标 1) 理解点操作、线性滤波和几何变换的基本原理和用途； 2) 能够对图像开展点操作、线性滤波和几何变换的实验。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 1) 点操作、线性滤波和几何变换； 2) 相关实验方法。 3.教学难点 点操作、线性滤波和几何变换； 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第三章 特征检测与匹配 本章主要知识点包括特征检测器、特征描述、特征匹配、边缘检测和其他 类型特征检测与匹配方法。 1.教学目标 理解常见特征检测与匹配的原理，并能应用到实际任务中。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 掌握典型局部特征点检测和特征描述的技术原理和思想。 3.教学难点 SIFT 特征检测与描述提取、ORB 特征检测与描述提取 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第四章 前馈神经网络 本章主要知识点包括神经网络结构、损失函数、训练学习及优化等。 神经网络部分 1：结构建立 Neural Networks Part 1: Setting up the Architecture
·生物学上的神经元模型modelof abiologicalneuron·激活函数activation functions，neural netarchitecture·神经网络部分2：数据及损失函数NeuralNetworksPart2：Dataand Loss·预处理preprocessing·权重初始化weightinitialization·批量标准化，正则化batchnormalization，regularization(L2/dropout)·损失函数lossfunctions·神经网络部分3：学习与评价NeuralNetworksPart3：Learningand Evaluation1.教学目标理解神经网络结构原理和掌握训练方法，并能应用到实际任务中。本章教学支持课程目标1、目标2和课程目标3。2.教学重点掌握神经网络结构的技术原理和训练方法。3.教学难点神经网络结构的网络层的理解，损失函数设计及训练方法。4.教学环节设计对应设计了第1个实验环节。第五章卷积神经网络本章主要知识点包括卷积神经网络原理、结构、反向传播等。Convolutional Neural Networks: Architectures, Convolution/PoolingLayers. layers, spatial arrangement, layer patterns, layer sizing patternsAlexNet/ZFNet/VGGNet case studies, computational considerationsUnderstanding and Visualizing Convolutional Neural Networks. tSNE embeddings, deconvnets, data gradients, fooling ConvNetshuman comparisons.Transfer Learning and Fine-tuning Convolutional Neural Networks
生物学上的神经元模型 model of a biological neuron 激活函数 activation functions, neural net architecture 神经网络部分 2：数据及损失函数 Neural Networks Part 2: Data and Loss 预处理 preprocessing 权重初始化 weight initialization 批量标准化，正则化 batch normalization, regularization (L2/dropout) 损失函数 loss functions 神经网络部分 3：学习与评价 Neural Networks Part 3: Learning and Evaluation 1.教学目标 理解神经网络结构原理和掌握训练方法，并能应用到实际任务中。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 掌握神经网络结构的技术原理和训练方法。 3.教学难点 神经网络结构的网络层的理解，损失函数设计及训练方法。 4.教学环节设计 对应设计了第 1 个实验环节。 第五章 卷积神经网络 本章主要知识点包括卷积神经网络原理、结构、反向传播等。 Convolutional Neural Networks: Architectures, Convolution / Pooling Layers layers, spatial arrangement, layer patterns, layer sizing patterns, AlexNet/ZFNet/VGGNet case studies, computational considerations Understanding and Visualizing Convolutional Neural Networks tSNE embeddings, deconvnets, data gradients, fooling ConvNets, human comparisons Transfer Learning and Fine-tuning Convolutional Neural Networks
1.教学目标理解卷积神经网络原理、结构、反向传播原理和掌握训练方法，并能应用到实际任务中。本章教学支持课程目标2、目标3和课程目标4。2.教学重点掌握卷积神经网络结构的技术原理和训练方法。3.教学难点卷积神经网络结构及反向传播原理，损失函数设计及训练方法。4.教学环节设计对应设计了第1个实验环节。第六章循环神经网络本章主要知识点包括非线性自回归模型、简单循环神经网络、LSTM、递归循环神经网络、图神经网络、循环神经网络应用等。1.教学目标了解常用的循环神经网络、掌握常见的循环神经网络结构和原理。本章教学支持课程目标2、目标3。2.教学重点掌握卷积常见的循环神经网络结构和原理。3.教学难点常见的循环神经网络结构和原理，损失函数设计及训练方法。4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第七章人脸识别本章主要知识点包括常见的人脸识别方法、最新趋势和进展。·人脸检测方法Facedetection·人脸对齐Facealignment·人脸识别Facerecognition·常见的方法DeepID、Facenet、ShpereFace、CosFace、ArcFace
1.教学目标 理解卷积神经网络原理、结构、反向传播原理和掌握训练方法，并能应用 到实际任务中。 本章教学支持课程目标 2、目标 3 和课程目标 4。 2.教学重点 掌握卷积神经网络结构的技术原理和训练方法。 3.教学难点 卷积神经网络结构及反向传播原理，损失函数设计及训练方法。 4.教学环节设计 对应设计了第 1 个实验环节。 第六章 循环神经网络 本章主要知识点包括非线性自回归模型、 简单循环神经网络、LSTM、 递归循环神经网络、图神经网络、循环神经网络应用等。 1.教学目标 了解常用的循环神经网络、掌握常见的循环神经网络结构和原理。 本章教学支持课程目标 2、目标 3。 2.教学重点 掌握卷积常见的循环神经网络结构和原理。 3.教学难点 常见的循环神经网络结构和原理，损失函数设计及训练方法。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第七章 人脸识别 本章主要知识点包括常见的人脸识别方法、最新趋势和进展。 人脸检测方法 Face detection 人脸对齐 Face alignment 人脸识别 Face recognition 常见的方法 DeepID、Facenet、ShpereFace、CosFace、ArcFace
1.教学目标了解常见的人脸识别方法的技术原理和发展历程。本章教学支持课程目标2、目标3。2.教学重点掌握常见的人脸识别算法技术原理。3.教学难点常见的人脸识别网络结构和技术原理，损失函数设计及训练方法4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法。第八章行人再识别本章主要知识点包括常见的行人再识别方法、最新趋势和进展。·基于监督学习的行人再识别方法·基于无监督学习的行人再识别方法·相关应用1.教学目标了解常见的行人再识别方法的技术原理和发展历程。本章教学支持课程目标2、目标3。2.教学重点掌握常见的行人再识别算法技术原理。3.教学难点常见的行人再识别网络结构和技术原理，损失函数设计及训练方法。4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思维方法
1.教学目标 了解常见的人脸识别方法的技术原理和发展历程。 本章教学支持课程目标 2、目标 3。 2.教学重点 掌握常见的人脸识别算法技术原理。 3.教学难点 常见的人脸识别网络结构和技术原理，损失函数设计及训练方法。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法。 第八章 行人再识别 本章主要知识点包括常见的行人再识别方法、最新趋势和进展。 基于监督学习的行人再识别方法 基于无监督学习的行人再识别方法 相关应用 1.教学目标 了解常见的行人再识别方法的技术原理和发展历程。 本章教学支持课程目标 2、目标 3。 2.教学重点 掌握常见的行人再识别算法技术原理。 3.教学难点 常见的行人再识别网络结构和技术原理，损失函数设计及训练方法。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，培养学生的科学思 维方法
八、实验内容序号教学内容教学目标教学方式课程目标理解神经网络和卷积神经网络的理论基础与数学推导。理解神经网络和卷积神经网络的训练学习方法、尤其需要理解反向传实验+教目标1基于神经网络的播的思想。师指导+目标2手写体识别实验学会使用深度学习平台Pytorch或检查目标3其他平台完成后在训练集训练和测试集上验证理解基于CNN的图像分类算法；自主查找较新文献，复现State-of-实验+教目标1基于CNN的图像目标22the-Art 的图像分类算法，鼓励在师指导+分类实验检查目标3分析后改进该算法，进行对比；进一步理解深度神经网络架构，掌基于剪枝算法的握中间层特征学习及可视化方法实验+教目标1深度神经网络压师指导+目标2理解并实现神经元剪枝算法检查目标3通过实验验证模型大小和模型准确缩率之间的关系理解训练数据与模型泛化性能之间的关系目标1实验+教深度神经网络后掌握并实现后门触发器设计、训练目标2师指导+目标3门攻击数据污染和后门攻击的方法检查目标4通过实验验证数据污染类别和模型攻击准确率之间的关系九、教学方法本课程的教学过程中将采用理论与实际问题相结合的方法进行教学，充分调动学生的学习积极性，实施课内和课外相结合的学习方式，体现研究性学习，提高学习效果。同时结合计算机视觉和深度学习的发展，开展文献阅读与讨论，让学生了解本课程在学科发展中的地位以及前沿发展趋势。主要的教学环节包括课堂授课、课后作业、专题实验、课程论文/课程项目等环节。本课程的教学与学习过程中，要牢固树立问题建模与求解的观点，首先，要将“计算机视觉”的学习与“深度学习”、“程序设计”、“线性代数”、“概率论与数理统计”、“微积分”等课程有机结合起来，为计算机视觉的理论学习和课程实践提供必要的基础、工具和方法，在理论知识的讲解与推导
八、实验内容 序号 教学内容 教学目标 教学方式 课程目标 1 基于神经网络的 手写体识别实验 理解神经网络和卷积神经网络的理 论基础与数学推导。 理解神经网络和卷积神经网络的训 练学习方法、尤其需要理解反向传 播的思想。 学会使用深度学习平台 Pytorch 或 其他平台 完成后在训练集训练和测试集上验 证 实验+教 师指导+ 检查 目标 1 目标 2 目标 3 2 基于 CNN 的图像 分类实验 理解基于 CNN 的图像分类算法； 自主查找较新文献，复现 State-ofthe-Art 的图像分类算法，鼓励在 分析后改进该算法，进行对比； 实验+教 师指导+ 检查 目标 1 目标 2 目标 3 3 基于剪枝算法的 深度神经网络压 缩 进一步理解深度神经网络架构，掌 握中间层特征学习及可视化方法 理解并实现神经元剪枝算法 通过实验验证模型大小和模型准确 率之间的关系 实验+教 师指导+ 检查 目标 1 目标 2 目标 3 4 深度神经网络后 门攻击 理解训练数据与模型泛化性能之间 的关系 掌握并实现后门触发器设计、训练 数据污染和后门攻击的方法 通过实验验证数据污染类别和模型 攻击准确率之间的关系 实验+教 师指导+ 检查 目标 1 目标 2 目标 3 目标 4 九、教学方法 本课程的教学过程中将采用理论与实际问题相结合的方法进行教学，充分 调动学生的学习积极性，实施课内和课外相结合的学习方式，体现研究性学 习，提高学习效果。同时结合计算机视觉和深度学习的发展，开展文献阅读与 讨论，让学生了解本课程在学科发展中的地位以及前沿发展趋势。主要的教学 环节包括课堂授课、课后作业、专题实验、课程论文/课程项目等环节。 本课程的教学与学习过程中，要牢固树立问题建模与求解的观点，首先， 要将“计算机视觉”的学习与“深度学习”、“程序设计”、“线性代数”、 “概率论与数理统计”、“微积分”等课程有机结合起来，为计算机视觉的理 论学习和课程实践提供必要的基础、工具和方法，在理论知识的讲解与推导
中，让学生明白计算机的科学研究不只是编程，更多的是分析与证明；其次应注重将各章节知识有机结合：另外教学过程中要注重建立本课程与其他课程尤其是“机器学习”，“深度学习”的联系，例如在问题求解时，如何将模型转化成优化问题，特别是转化为凸优化问题，如何利用高效算法进行求解。十一、学时分配序号主要内容学时分配1计算机视觉概论222图像处理34图像特征提取与匹配44神经网络56卷积神经网络26循环神经网络72人脸识别82行人再识别9实验14104实验2114实验312实验44总计40十二、课程考核与成绩评定1.课程成绩构成课程最终成绩由考勤与课后作业、实验报告及课程结课报告成绩综合而成，各部分成绩的比例如下：1）考勤与作业成绩：15%。考勤主要检查学生遵守学习相关规定，按时参加课堂学习的情况：作业主要布置一些小作业，考查完成情况；2）实验报告：四次实验共计15%*4=60%。主要考核学生对理论知识的掌握程度和动手实践能力，结合实验要求开展实验并撰写实验报告；3）课程报告成绩：25%。主要考核对计算机视觉课程的掌握和应用程度结合实际应用需求，开展相关方案的设计和实验训练、测试与结果分析，撰写报告。2.考核与评价标准1）作业与考勤成绩考核与评价标准表1计算机视觉课程作业与考勤考核与成绩评定课程评价标准目标优秀良好及格不及格
中，让学生明白计算机的科学研究不只是编程，更多的是分析与证明；其次应 注重将各章节知识有机结合；另外教学过程中要注重建立本课程与其他课程尤 其是“机器学习”，“深度学习”的联系，例如在问题求解时，如何将模型转 化成优化问题，特别是转化为凸优化问题，如何利用高效算法进行求解。 十一、学时分配 序号 主要内容 学时分配 1 计算机视觉概论 2 2 图像处理 2 3 图像特征提取与匹配 4 4 神经网络 4 5 卷积神经网络 6 6 循环神经网络 2 7 人脸识别 2 8 行人再识别 2 9 实验 1 4 10 实验 2 4 11 实验 3 4 12 实验 4 4 总计 40 十二、课程考核与成绩评定 1.课程成绩构成 课程最终成绩由考勤与课后作业、实验报告及课程结课报告成绩综合而 成，各部分成绩的比例如下： 1）考勤与作业成绩：15%。考勤主要检查学生遵守学习相关规定,按时参 加课堂学习的情况；作业主要布置一些小作业，考查完成情况； 2）实验报告：四次实验共计 15%*4=60%。主要考核学生对理论知识的掌握 程度和动手实践能力，结合实验要求开展实验并撰写实验报告； 3）课程报告成绩：25%。主要考核对计算机视觉课程的掌握和应用程度， 结合实际应用需求，开展相关方案的设计和实验训练、测试与结果分 析，撰写报告。 2.考核与评价标准 1）作业与考勤成绩考核与评价标准 表 1 计算机视觉课程作业与考勤考核与成绩评定 课程 目标 评价标准 优秀 良好 及格 不及格
按时参加课堂学按时参加课堂学基本上按时参加课未按时参加课目标堂学习，能完成部习，在规定的时间习，完成全部作堂学习，作业1分作业，结果存在内完成作业，实现业，部分效果优未提交或完成目标效果优秀，课堂回秀，课堂回答问少量问题，课堂回情况差，存在2答问题准确、清题较清晰。答问题基本清楚。较多问题，课目标晰。堂回答问题不3清楚。2）实验评价标准表2课程实验评价标准优秀良好不及格中等-及格Pytorch等深度学习能正确使用Pytorch能使用Pytorch等深不能使用Pytorch等平台使用熟练，很好等深度学习平台完度学习平台较好完深度学习平台完成完成实验任务并进成实验任务。成实验任务。实验任务。行适度拓展。3）结课报告评价标准表3结课报告评价标准良好优秀中等-及格不及格设计方案较合理，实设计方案合理，具有设计方案合理，实验未能完成实验的主独特性和先进性，实性能良好，能在规定现基本的识别效果，体，结课报告简短。验性能优秀，能在规时间内完成全部实能在规定时间内完定的时间内高效、完验任务，结课报告撰成主体实验，结课报成全部实验任务，结写格式基本正确，内告基本涵盖实验主题。课报告撰写格式正容充实。确、行文流畅严谨。计算机视觉课程组2015年6月制定2020年12月修订2021年5月修订2021年11月修订
目标 1 目标 2 目标 3 按时参加课堂学 习，在规定的时间 内完成作业，实现 效果优秀，课堂回 答问题准确、清 晰。 按时参加课堂学 习，完成全部作 业，部分效果优 秀，课堂回答问 题较清晰。 基本上按时参加课 堂学习，能完成部 分作业，结果存在 少量问题，课堂回 答问题基本清楚。 未按时参加课 堂学习，作业 未提交或完成 情况差，存在 较多问题，课 堂回答问题不 清楚。 2) 实验评价标准 表 2 课程实验评价标准 优秀 良好 中等-及格 不及格 Pytorch 等深度学习 平台使用熟练，很好 完成实验任务并进 行适度拓展。 能正确使用 Pytorch 等深度学习平台完 成实验任务。 能使用 Pytorch 等深 度学习平台较好完 成实验任务。 不能使用 Pytorch 等 深度学习平台完成 实验任务。 3）结课报告评价标准 表 3 结课报告评价标准 优秀 良好 中等-及格 不及格 设计方案合理，具有 独特性和先进性，实 验性能优秀，能在规 定的时间内高效、完 成全部实验任务，结 课报告撰写格式正 确、行文流畅严谨。 设计方案合理，实验 性能良好，能在规定 时间内完成全部实 验任务，结课报告撰 写格式基本正确，内 容充实。 设计方案较合理，实 现基本的识别效果， 能在规定时间内完 成主体实验，结课报 告基本涵盖实验主 题。 未能完成实验的主 体，结课报告简短。 计算机视觉课程组 2015 年 6 月制定 2020 年 12 月修订 2021 年 5 月修订 2021 年 11 月修订