เรียนรู้รูปแบบในการแสดงข้อมูลภาพเพื่อใช้ในงานด้านคอมพิวเตอร์วิทัศน์ต่าง ๆ รวมถึงงานด้านการจับคู่ การค้นคืน และการรู้จำข้อมูลภาพ เช่น การจัดประเภทภาพ การตรวจจับ และการระบุตำแหน่งของวัตถุ และการรู้จำทัศนียภาพ สำรวจวิธีการต่าง ๆ ซึ่งเป็นที่รู้จักกัน โดยทั่วไป โดยเริ่มจากวิธีการในการบรรยายภาพด้วยรูปแบบระดับล่าง ไปจนถึงการแสดงรูปแบบ ข้อมูลในระดับกลาง และเข้าใจการประยุกต์ใช้วิธีการดังกล่าวกับงานที่เป็นเป้าหมายสุดท้าย ศึกษวิธีการใช้ข้อมูลในการขับเคลื่อนการแก้ไขปัญหาให้เป็นไปตามวัตถุประสงค์ของงาน โดยใช้ กระบวนการซึ่งได้รับการปรับปรุงให้เหมาะสมผ่านการสอน ทำความเข้าใจโมเดลการเรียนรู้เชิงลึก อย่างละเอียด รวมถึงสถาปัตยกรรมและการออกแบบเครือข่ายการเรียนรู้ อัลกอริทึมการเรียนรู้ กล ยุทธ์การทำให้ถูกต้องและเป็นระเบียบ การปรับให้เป็นรูปแบบทั่วไป การสร้างเครือข่าย การฝึกสอน การแก้ไขจุดผิดพลาด การปรับแต่ง การประเมินและการทดสอบ และการนำไปใช้งานจริง รวมถึงการ ทำความเข้าใจความเชื่อมโยงกับโมเดลแบบเดิม โดยศึกษาจากวิธีการล่าสุดที่ทันสมัยและดีที่สุด สำหรับงานแอปพลิเคชันขนาดใหญ่

Learn visual representations for common computer vision tasks including matching, retrieval, and visual recognition such as image classification, object detection and localization, and scene recognition. Explore well-known methods from low-level description to an intermediate representation, and their dependence on the end task. Study a data-driven approach where the entire pipeline is optimized jointly in a supervised fashion, according to a task-dependent objective. Understand deep learning models in detail including network architectures and design, learning algorithms, regularization strategies, generalization, implementation, training, debugging, fine-tuning, evaluation and testing, and deployment, and interpret them in connection to conventional models. Focus on recent, state-of-the-art methods and large-scale applications.