從「辨識」到「創造」，掌握 AI 視覺核心技術。
深度學習 X 生成對抗網絡 (GAN)，打造下一代智能影像應用。
AI 開發路上的技術瓶頸
辨識準度低
模型無法落地？
✅ 深度優化
深入 CNN (卷積神經網絡) 架構，學習 Transfer Learning 與 Data Augmentation 技巧，大幅提升模型在真實場景的準確率。
生成影像品質差
看起來很假？
✅ GAN 實戰
掌握 GAN (生成對抗網絡) 與 Stable Diffusion 原理。透過對抗訓練與參數調校，生成逼真、高品質的合成影像。
資料標註耗時
開發週期長？
✅ 自動化標註
學習使用半監督式學習與自動標註工具，加速 Dataset 建置過程。將繁瑣的人工標註時間縮短 50% 以上。
課程效益
掌握影像辨識
精通人臉辨識、物體偵測與語義分割等核心技術，解決複雜視覺問題。
熟悉生成模型
掌握 GAN 與 Diffusion 應用技巧，創造高品質合成影像，探索 AI 創作可能。
數據處理能力
熟練應用 AI 技術處理與清洗影像大數據，將所學技能轉化為實際應用價值。
拓展應用場景
將技術應用於安防監控、精準行銷、智慧醫療等領域，大幅拓展職涯廣度。
累積實戰經驗
通過專案全程實作 (End-to-End)，建立從資料蒐集到模型部署的完整實務經驗。
課程大綱
01人臉辨識模型訓練
- 人臉偵測與特徵提取原理 (FaceNet, Dlib)
- CNN 卷積神經網絡架構解析
- 模型訓練實作：建立員工考勤或門禁系統模型
- 解決光線、角度與遮蔽問題的優化策略
02語義影像分割 (Semantic Segmentation)
- 像素級分類：U-Net 與 Mask R-CNN 架構
- 應用場景：自動駕駛路況分析、醫療影像診斷
- 資料標註工具使用 (LabelMe)
- 實作：訓練一個能精準分割背景與前景的模型
03多標籤物體偵測 (Object Detection)
- YOLO (You Only Look Once) 系列模型演進與實作
- SSD 與 Faster R-CNN 比較
- 訓練自定義資料集：偵測工安裝備或瑕疵檢測
- 推論效能優化 (Inference Optimization)
04生成式對抗網路 (GAN)
- 生成器 (Generator) 與判別器 (Discriminator) 的博弈
- DCGAN 與 StyleGAN 架構解析
- 應用實作：人臉生成、風格轉換 (Style Transfer)
- 生成式 AI 的倫理與 Deepfake 辨識
05文字偵測與辨識 (OCR)
- 傳統 OCR vs. 深度學習 OCR
- Tesseract 與 EasyOCR 工具應用
- 場景文字偵測：車牌辨識、發票自動化輸入
- 整合專案：打造一個智慧文件掃描系統
量身打造，貼近企業真實需求
我們深知每家企業的技術棧與應用場景皆獨一無二。
上述課程大綱為標準架構，我們將在課前透過顧問諮詢，依據您的組織現況進行彈性調整與設計。
Step 01
技術診斷
與研發主管訪談，釐清目前的技術瓶頸與開發需求。
Step 02
聚焦痛點
鎖定關鍵應用場景（如：瑕疵檢測、安防監控、影像生成）。
Step 03
彈性調整
調整實作比例，融入企業實際數據集 (Dataset) 進行模型訓練。
Step 04
專屬方案
產出符合貴公司環境的 AI 模型原型 (Prototype)。
