眼看着2020年上半年已经所剩无几了，大家也经历了一个不一样的学期，许多即将毕业的同学和准备换工作的朋友也在开始准备秋招了。
为了让大家在深度学习与计算机视觉方向上掌握更多硬核的项目能力，有三AI秋季划准备了4个小组，每一个小组有8个方向，供大家深入学习。当你在某一个领域里做到极致，便会成为该领域的专家，从此就真的有了立足之地，下面是4个组的详细介绍。
模型优化组
模型优化小组的目标，就是掌握深度学习模型设计，调参，优化，部署。需要学习的东西包括8大方向：数据使用，模型使用和调参，模型性能分析，紧凑模型设计，模型剪枝，模型量化，模型蒸馏，自动化模型设计，模型部署。
1 数据使用
数据使用项目包括：
(1) 如何针对自己的任务搜集数据(小型和大型数据集爬虫)
(2) 如何学会科学地整理数据(数据去重，质量分析等)
(3) 图像分类，目标检测等基本任务中的数据增强算法以及实战
2 模型使用和调参
模型使用和调参项目包括：
(1) 如何针对自己的任务选择好基准模型架构(主流模型最全解读)
(2) 如何设计和改进模型
(3) 如何对模型进行训练调参
3 模型分析
模型分析项目包括：
(1) 如何对模型进行可视化
(2) 如何对模型的计算量和参数量进行分析
4 紧凑模型设计
紧凑模型设计项目包括：
(1) 如何压缩大模型
(2) 如何设计小模型
(3) 如何保障小模型的性能
5 模型剪枝
模型剪枝项目包括：
(1) 模型剪枝理论学习
(2) Tensorflow等模型剪枝开源框架使用
6 模型量化
模型量化项目包括：
(1) 模型量化理论学习
(2) Tflite/TensorRT等模型量化工具的使用
7 知识蒸馏
知识蒸馏项目包括：
(1) 知识蒸馏基础理论学习
(2) 迁移学习与知识蒸馏相关工具使用
8 自动化模型设计(NAS)
自动化模型设计项目包括：
(1) NAS基础理论学习
(2) NAS相关工具使用
另外，后期还会学习模型部署等内容，包括：
(1) ONNX的熟悉和使用
(2) MACE/MNN的熟悉和使用
不过这要求大家先熟练掌握好C++/Java编程，周期较长。
人脸算法组
人脸算法小组需要掌握当前人脸图像领域的主要算法，学习的东西包括8大方向：人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸分割，人脸美颜，人脸编辑与风格化，三维人脸重建。
1 人脸检测
人脸检测项目包括：
(1) 通用的人脸检测算法，掌握大姿态，遮挡，小脸检测技术原理
(2) 人脸检测项目实践
2 关键点检测
关键点检测项目包括：
(1) 通用的人脸关键点检测算法，大姿态，有遮挡的关键点检测算法，人脸关键点跟踪算法原理
(2) 人脸关键点检测项目实践
3 人脸识别
人脸识别项目包括：
(1) 通用的人脸识别算法，遮挡，跨年龄的人脸识别算法原理
(2) 人脸识别项目实践
4 人脸属性分析
人脸属性分析项目包括：
(1) 人脸表情，颜值，年龄等算法原理
(2) 人脸属性分析项目实践
5 人脸属性分割
人脸属性分割项目包括：
(1) 图像分割模型设计和优化方法
(2) 人脸属性分割项目实践
6 人脸美颜与美妆
人脸美颜项目包括：
(1) 通用美颜技术如磨皮美白，大眼，瘦脸以及化妆算法原理
(2) 人脸美颜项目实践
7 人脸编辑与风格化
人脸编辑项目包括：
(1) 通用的编辑技术，如表情迁移，姿态迁移，换脸等
(2) 人脸编辑项目实践
8 人脸重建
人脸重建项目包括：
(1) 传统优化和深度学习三维人脸重建算法原理
(2) 三维重建项目实践
图像质量组
图像质量小组需要掌握与图像质量相关的内容，学习的东西包括8大方向：图像质量评价，图像构图分析，图像降噪，图像对比度增强，图像去模糊与超分辨，图像风格化，图像深度估计，图像修复。
1 图像质量评价
图像质量评估项目包括：
(1) 图像质量评估，美学评估算法原理
(2) 图像质量评估项目实践
2 图像构图
图像构图分析项目包括：
(1) 显著目标检测
(2) 自动构图算法原理
(3) 自动构图项目实践
3 图像降噪
图像降噪项目包括：
(1) 传统图像与深度学习图像降噪算法原理
(2) 图像降噪项目实践
4 图像对比度与色调增强
图像对比度增强与色调增强算法项目包括：
(1) 传统图像与深度学习图像增强算法原理
(2) 图像增强项目实践
5 图像去模糊与超分辨
图像超分辨项目包括：
(1) 传统图像与深度学习去模糊算法原理
(2) 传统图像与深度学习超分辨算法原理
(3) 去模糊项目实践
(4) 图像超分辨项目实践
6 图像深度估计
图像深度估计项目包括：
(1) 图像深度估计算法原理
(2) 图像深度估计项目实践
7 图像风格化
图像风格化项目包括：
(1) 传统图像与深度学习图像风格化算法原理
(2) 图像风格化项目实践
8 图像修复
图像修复项目包括：
(1) 传统图像与深度学习图像修复算法原理
(2) 图像修复项目实践
GAN小组
包括基础理论，结构设计，图像与视频生成，语音生成，图像增强，风格迁移，图像编辑，综合使用技巧。
1 基础理论
这一部分主要是学习对GAN的基础理论的理解以及评估，包括：
(1) GAN的算法原理
(2) GAN的优化
(3) GAN的评估
(4) GAN的理解
2 图像与视频生成
这一部分主要是学习图像生成和视频生成技术，这是GAN最为人熟知的应用，包括：
(1) 图像生成技术的基本原理
(2) 视频生成技术的基本原理
(3) 如何提高生成图像和视频的质量
(4) 如何使用GAN提高已有数据的质量
3 风格迁移
这一部分主要是学习GAN在图像风格化中的应用：
(1) 图像风格化基础
(2) 人脸的风格化
(3) 通用图像的风格化
4 图像与视频增强
这一部分主要是学习GAN在图像增强领域中的应用：
(1) GAN如何用于图像降噪
(2) GAN如何用于图像去模糊
(3) GAN如何用于图像超分辩
(4) GAN如何用于提升图像的美学质量
5 结构设计
这一部分主要是学习对GAN的各种各样的结构进行设计和调参改进，包括：
(1) GAN的基本结构
(2) GAN中判别器的改进
(3) GAN中生成器的改进
(4) GAN结构单元的使用(归一化层，注意力机制等)
6 语音生成
这一部分主要是学习语音的基础以及GAN在其中的应用，包括：
(1) 语音技术的基础概念
(2) 语音合成的基本原理
(3) 如何使用GAN合成语音
(4) 如何使用GAN提高语音的质量
7 图像编辑
这一部分主要是学习GAN在图像编辑中的应用：
(1) 图像编辑基础
(2) 人脸的编辑，包括人脸年龄，表情，姿态，以及换脸等
(3) 通用图像的编辑，包括深度，纹理等
8 使用技巧
这一部分主要是总结GAN的使用技巧：
(1) 对抗思想在图像经典任务中的使用，包括图像分类，图像分割，目标检测等
(2) GAN的训练技巧
(3) 增强学习与GAN的结合
除了以上的内容，还会学习GAN在模型优化，多模态融合等方向相关的技术。
关于学习方式
学习资料非常丰富，包括：
(1) 非常明确的学习路线图，按照给出的路线和学习资料，推荐的学习时间，可以自主把控学习进度，不限制学习时间，永久有效。
(2) 与项目配套的录制视频，代码和数据，会不断地在群里增加，不仅限于本文介绍的内容。
