在計算機視覺領域，Transformer通過自注意力機制，能夠在單層網絡內直接建模圖像所有像素間的長程依賴關系，突破了傳統CNN的局部感知局限，其在圖像分類、目標檢測、圖像分割等任務中展現出顯著優勢，正在快速取代傳統CNN，成為解決復雜視覺任務的首選方案。

ViT、DETR、SegFormer、BEVFormer、CLIP等模型受到廣泛關注，并被實際落地應用，比如使用DETR開發工業質檢系統，用CLIP搭建智能搜索平臺，BEVFormer承擔智能駕駛的感知任務等。

盡管上述算法大都已經開源，但在實際使用中仍然存在較大問題：

1.

在不同的數據或者應用場景中，模型的性能差距較大，如何分析原因并制定優化策略；

2.

不同的模型到底哪部分算子起到了提升精度的關鍵作用，以及為什么會提升；

3.

不同模型的優劣勢是什么，導致這些優劣勢的原因又是什么。

想要系統化地掌握上述知識，我推薦深藍學院的《視覺Transformer理論與實踐》。課程系統解析Transformer核心原理及其在視覺和多模態領域的創新應用，涵蓋ViT/DETR/SETR/CLIP等經典模型原理，幫助掌握視覺Transformer核心技術，實現從“局部感知到“全局理解”的能力躍遷，最終具備復現和優化先進模型的實踐能力。并且對于探索端到端智駕(DriveVLM)、VLA機器人交互等前沿技術，也有非常大的幫助。

掃碼添加，了解課程

備注【0507】，搶占學習名額

講師介紹

利物浦大學長聘副教授

前商湯自動駕駛感知團隊研發副總監

2017年博士畢業于中國科學院自動化研究所模式識別國家重點實驗室，2017-2023擔任商湯科技自動駕駛感知團隊研發副總監，帶領團隊完成多個大項目交付。

目前發表SCI和EI學術論文近80篇，被引用量近4000次，其中CCFA類國際期刊和會議(T-PAMI、IJCV、TIP、CVPR、ICCV、ECCV、AAA1、MultiMedia等)近30篇。申請國內及國外專利申請30個以上。

現主要研究方向為圖像/視頻場景理解，Deepfake Detection，機器人-自動駕駛感知算法，以及語言-視覺聯合學習等?，F主持(PI)一項Alan Turing Institute項目基金，并聯合主持(Co-1)一項歐盟Horizion project。

課程大綱

課程亮點

1.全棧式知識體系構建

從Transformer核心原理到CV經典任務(分類、檢測、分割)再到多模態最前沿應用，覆蓋ViT、DETR、SegFormer、CLIP、LLaVA等模型。

2.工業級實踐能力培養

通過大量代碼解析與實踐案例，強化動手實踐能力，確保理論落地。

3.學術與工業雙棲講師

講師曾任商湯科技研究副總監，6年工業界工作經驗，現為英國利物浦大學計算機科學系副教授，TACPS實驗室負責人，IEEETPAMI、CVPR、ICCV等頂刊和頂會審稿人，主持過億級參數視覺大模型研發。

課程收獲

1.系統掌握Transformer在計算機視覺中的核心技術，重點剖析自注意力機制原理，并深入講解基于Transformer的圖像分類、目標檢測與語義分割等算法的理論框架及工程實踐；

2.全面解析CLIP、BLIP系列及LLaVA等多模態模型的架構設計思想與技術實現細節，結合典型應用場景進行實踐探討；

3.深度剖析新一代架構Mamba的技術原理及其在視覺任務中的應用優勢，同時前瞻性探討多模態大模型的研究進展與產業落地案例；

4.創新性地融合算法理論與工程實踐，通過典型工業案例解析，為學術研究與產業應用提供雙向賦能。

適合人群

1.計算機視覺領域工作者；

2.對Transformer在圖像理解、多模態交互等領域感興趣的高校學生；

3.僅具備傳統深度學習基礎的CV從業者；

4.想在計算機視覺領域進行科學研究，并發表相關論文的學生/學者。

*你將收獲的優質學習圈子

伙伴們大多是來自985、211及海外院校碩博，在這里大家一起學習、進行討論與研究。獨一無二的優質圈子將是你未來學習與就業的寶貴資源。

（學員院校/企業展示）

課程服務

1.作業批改：助教1V1批改作業，定期針對作業中的“通病”進行點評；

2.結業證書：本課程將根據作業完成情況評選結業學員及優秀學員，頒發證書；

3.實時答疑：講師/助教微信群答疑，及時解決大家遇到的問題；

4.班班督學：班主任全程帶班，不定時“關照”未交作業的同學，克服拖延。

掃碼了解課程詳情

備注【0507】，搶占學習名額