1 课程基本信息

2 课程简介

本课程为产业技术类课程，依托华为昇腾AI全栈技术平台，系统讲授深度学习基础技术（包括卷积神经网络、生成对抗网络等）在计算机视觉核心任务（图像分类、目标检测、图像分割、图像生成）中的应用，并涵盖Vision Transformer、扩散模型等大模型技术在计算机视觉中的前沿实践。课程采用“理论+实践”的教学模式，通过基于昇腾开发板的实战项目，帮助学生深入掌握MindSpore框架应用开发、模型转换与端侧部署等关键技术。课程聚焦产业实际需求，致力于培养学生基于昇腾平台实现计算机视觉项目全流程开发与落地的能力，为其胜任人工智能算法工程师、深度学习工程师、图像算法工程师等岗位奠定坚实基础。

3 先修课程要求和能力要求

先修课程：高等数学、线性代数、概率论与数理统计

能力要求：学生具备基本的Python编程能力

选课和遴选方式：自愿选课

4 课程目标和考核方案

  4.1 课程输出目标

PACVA-1：掌握卷积神经网络（CNN）及生成对抗网络（GAN）的核心原理，能够简述典型网络的结构及特点；了解Vision Transformer（ViT）和扩散模型（Diffusion Models）的模型结构和原理。

PACVA-2：能够简述昇腾AI基础软硬件平台的架构；了解MindSpore的整体架构；熟悉MindSpore API文档的使用方法；了解PyTorch模型向MindSpore迁移的完整流程（含算子适配与脚本改写）。

PACVA-3：能够基于MindSpore在昇腾开发板（如OrangePi AIPro/Atlas 200I DK A2）完成端侧CV应用开发全流程；熟练运用API实现数据加载、模型构建、训练评估及超参数调优。

PACVA-4：系统掌握图像分类、目标检测、图像分割、图像生成四大任务的算法原理与评估指标；具备基于MindSpore实现模型训练调优的能力，并能结合医疗影像、工业质检等场景设计端到端解决方案。

课程思政目标：通过昇腾全栈国产化技术实践，深化对自主创新体系（芯片+框架+生态）的认同；结合中国在人工智能领域的突破性成果（如大模型、智能芯片），引导学生认识国产化技术的重要性，培养科技报国的使命感；通过小组协作与案例研讨，强化职业道德、团队协作意识，树立“技术自立自强”价值观，通过产业级案例开发锤炼团队协作与职业道德。

  4.2 课程考核方案

本课程考核平时成绩占40%、期末大作业占60%。其中平时成绩为实验考核。

5 课堂教学内容

本课程课内授课学时16学时，分为7个部分，各部分内容如下：

（1）计算机视觉概述（2学时） 授课人：姜放放

内容说明：计算机视觉的核心定义与基础任务；技术发展脉络及产业应用场景；当前研究趋势与挑战分析。

（2）昇腾AI基础软硬件平台介绍（2学时） 授课人：姜放放

内容说明：昇腾AI全栈体系架构解析；MindSpore整体架构介绍；MindSpore API文档使用方法；基于MindSpore在昇腾开发板完成端侧CV应用开发实战；由PyTorch向MindSpore模型迁移实践。

（3）图像分类理论与实践（2学时） 授课人：姜放放

内容说明：图像分类任务简介及其评估指标；卷积神经网络核心原理；ResNet50架构与迁移学习实战。

（4）图像分割理论与实践（2学时） 授课人：姜放放

内容说明：图像分割任务简介及其评估指标；语义分割与实例分割技术对比；FCN全卷积网络架构剖析；U-Net医学影像分割实战。

（5）目标检测理论与实践（2学时） 授课人：姜放放

内容说明：目标检测任务简介及其评估指标；单阶段与双阶段目标检测模型差异；SSD多尺度特征融合实现；YOLOv8实时检测架构演进。

（6）图像生成理论与实践（2学时） 授课人：姜放放

内容说明：GAN对抗生成网络及其变种；DCGAN漫画头像生成实战。

（7）大模型技术在计算机视觉中的前沿实践（4学时） 授课人：姜放放

内容说明：Vision Transformer(ViT)模型简介；ViT图像分类模型训练与推理；扩散模型DDPM简介；Stable Diffusion文生图案例实践。

6 实验/实践教学任务

本课程设置了16学时实验，均为必修内容，实验内容如下：

7 其他需要说明的问题

学生修读完本课程，学生可以报名以下证书考试和学科竞赛。