เรียนรู้โครงสร้างข้อมูลที่จำเป็นในการเก็บข้อมูลภาพ รวมถึงสามารถดำเนินการกับข้อมูลเหล่านั้นไม่ว่าจะเป็นการดำเนินการบางส่วนการเลือกบางส่วนของภาพในบริเวณต่างๆ การตัดขอบส่วนที่ไม่ต้องการออก การวาดรูปทรงหรือข้อความบนภาพ และการประมวลผลทั้งภาพเช่น การย่อภาพและการหมุนภาพเป็นต้น ซึ่งสามารถดำเนินการโดยตรงกับตัวแปรเก็บข้อมูลภาพหรือการสร้างฟังก์ชันมาใช้งานเฉพาะ

เนื้อหา (Contents) : 

• List, Tuple,  Function
• 2D and 3D numpy array, Tensor
• Basic OpenCV
• Image slicing and cropping
• Image resizing
• Image rotation
• Drawing on image
• Image frame from video

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• เขียนโปรแกรมเพื่ออ่านภาพนิ่งและภาพเคลื่อนไหวได้
• ประมวลผลข้อมูลเชิงตำแหน่งบนภาพหรือวีดีโอได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

เนื้อหา (Contents) : 

• Color Space
• Brightness and contrast appointment
• Convolutional operator
• Image smoothing
• Masking and bitwise operation
• Frequency domain transformation

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• ประมวลผลภาพให้ได้ภาพมีความราบเรียบมีความสว่างและความต่างสีที่เหมาะสมได้
• ใช้ข้อมูลเชิงความถี่ช่วยในการปรับภาพโดยใช้เป็นคุณลักษณะของภาพได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การแยกองค์ประกอบของภาพจะช่วยให้คอมพิวเตอร์สามารถประมวลผลตามองค์ประกอบหรือวัตถุที่สนใจได้ หัวข้อนี้จะได้เรียนรู้การระบุองค์ประกอบของภาพด้วยการใช้ข้อมูลสีขององค์ประกอบที่สนใจ ซึ่งเป็นการประมวลผลที่มีความรวดเร็ว รวมถึงเรียนรู้เกี่ยวกับการดำเนินการที่จำเป็นเพื่อเพิ่มประสิทธิภาพให้กับการแยกองค์ประกอบของภาพ

เนื้อหา (Contents) :

• Thresholding on color spaces
• Morphological transformation
• Template matching
• Distance transform
• Edge detection
• Image contour
• Watershed segmentation

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• แยกองค์ประกอบของภาพโดยใช้ข้อมูลสีขององค์ประกอบที่ต้องการได้
• ประมวลผลหลังจากการแยกองค์ประกอบเพื่อลดสัญญาณรบกวน หรือเพื่อนำไปใช้เป็นคุณลักษณะของภาพได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       ปัจจุบันการเรียนรู้เชิงลึกได้พิสูจน์ตัวเองถึงประสิทธิภาพเมื่อเทียบกับการเรียนรู้ของเครื่องแบบอื่น โดยเฉพาะการจำแนกประเภทของภาพเนื้อหาส่วนนี้จะเป็นการเรียนรู้ สร้าง และฝึกแบบจำลองเครือข่ายประสาทเทียบแบบคอนโวลูชัน รวมถึงการใช้วิธีการถ่ายโอนองค์ความรู้เพื่อนำแบบจำลองเชิงลึกที่ฝึกไว้ดีแล้วมาใช้งานต่อ เพื่อเพิ่มประสิทธิภาพและลดเวลาในการฝึกแบบจำลอง

เนื้อหา (Contents) :

• Introduction to supervised learning and Artificial Neural Network
• Convolution operator and kernels
• Convolutional Neural Network (CNN)
• Transferred learning
• Output interpretation

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• สร้างโมเดลการเรียนรู้เชิงลึกที่เหมาะสมเพื่อใช้ในการจำแนกประเภทของภาพได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การจำแนกประเภทของภาพที่มีการเพิ่มประเภทบ่อยจำเป็นต้องใช้แบบจำลองที่เหมาะสมเพื่อลดขั้นตอนในฝึกแบบจำลองใหม่ทุกครั้งหากมีการเพิ่มประเภทของข้อมูล หัวข้อที่จะเรียนรู้การสกัดคุณลักษณะที่เหมาะสมโดยใช้เทคโนโลยีทาง Deep Learning เพื่อช่วยให้การเปรียบเทียบด้วยการจำแนกประเภทของภาพแบบการเทียบตัวอย่างซึ่งไม่จำเป็นต้องฝึกแบบจำลองใหม่เมื่อมีการเพิ่มประเภทของข้อมูลใหม่ให้มีความถูกต้องมากยิ่งขึ้น

เนื้อหา (Contents) : 

• Distance and similarity
• Triplet-loss model and
• Triplet-loss model training
• Instance based classification

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• สกัดคุณลักษณะของภาพเป็นเวกเตอร์บน Euclidean Space ได้
• สร้างและนำโมเดลแบบจำลองการจำแนกประเภทของภาพแบบเทียบตัวอย่างไปใช้งานได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การตรวจจับใบหน้าเป็นหนึ่งในวิธีการตรวจจับวัตถุในภาพโดยใช้วิธีแบบมีผู้สอน สามารถใช้ได้หลายวิธีซึ่งมีประสิทธิภาพขึ้นอยู่กับสภาพแวดล้อมของการนำไปใช้ เนื้อหาส่วนนี้จะได้เรียนรู้วิธีการต่าง ๆ และสถานการณ์ที่เหมาะสมกับการใช้วิธีการเหล่านั้น

เนื้อหา (Contents) : 

• การตรวจจับองค์ประกอบใบหน้าโดยใช้ Haarcascade feature
• การตรวจจับองค์ประกอบใบหน้าโดยใช้ Deep learning
• การสร้างโมเดลรู้จำใบหน้าบุคคล

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• สกัดใบหน้าของบุคคลที่อยู่ในภาพทั้งภาพนี่งและภาพเคลื่อนไหวได้
• สร้างโมเดลรู้จำใบหน้าบุคคลได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การจำแนกภาพผิดปกติสามารถนำไปใช้ได้หลากหลาย ทั้งการตรวจสอบภาพที่ไม่เกี่ยวข้องสำหรับการจำแนกภาพ รวมไปถึงใช้ในการตรวจจับความผิดปกติของภาพและวิดีโอที่มีลักษณะแตกต่างไปจากเดิม เนื้อหาส่วนนี้จะได้เรียนรู้การตรวจสอบความผิดปกติทางจากผลลัพธ์โมเดลที่สร้างขึ้นมาแล้วเพื่อจำแนกภาพ และการสร้างโมเดลขึ้นมาใหม่เพื่อใช้ในการตรวจจับความผิดปกติโดยเฉพาะ  

เนื้อหา (Contents) : 

• Anomaly detection
• Autoencoder model
• Anomaly detection using reconstruction error
• Anomaly detection using distribution of density
• Anomaly in image classification output

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• สร้างโมเดลเพื่อจำแนกประเภทของภาพที่ผิดปกติจะภาพส่วนมากได้
• วิเคราะห์ความผิดปกติของการทำนายจากการกระจายตัวความหนาแน่นของผลการทำนายได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การตรวจจับวัตถุในภาพไม่ว่าจะเป็นภาพนิ่งและภาพเคลื่อนไหว สามารถนำไปประยุกต์ใช้ได้อย่างหลากหลาย หัวข้อนี้จะเรียนรู้ตั้งแต่การเตรียมข้อมูล  การฝึกโมเดล การจัดการกับข้อมูลที่ได้จากโมเดล โดยใช้เทคโนโลยี Deep Learning

เนื้อหา (Contents) : 

• Deep learning model for object detection
• Labeling and training object detection model
• Transferred learning
• Object detection in video

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• เตรียมข้อมูลเพื่อใช้ในการฝึกโมเดล object detection ได้
• ฝึกโมเดลเพื่อใช้ในการ detect object ที่สนใจได้
• นำผลลัพธ์ไปใช้งานร่วมกับการวิเคราะห์ภาพเคลื่อนไหวได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       การแปลงภาพเป็นข้อความช่วยให้การประยุกต์ใช้งาน Computer Vision ได้กว้างขวางขึ้นในหัวข้อนี้จะเรียนรู้เกี่ยวกับการนำแบบจำลองการแปลงอักษรมาใช้เพื่อนำไปใช้งานร่วมกับ application ที่เกี่ยวข้องต่อไป

เนื้อหา (Contents) : 

• OCR model
• License plate recognition application
• Label recognition

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• ประยุกต์ใช้เทคโนโลยีกับการรู้จำตัวอักษรได้
• ผลลัพธ์ที่ได้ไปใช้ร่วมกับ Application ที่เกี่ยวข้องได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

เนื้อหา (Contents) : 

• Web service technology
• API server using Python
• API with query parameters
• Working with JSON

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• ติดตั้งโปรแกรมเครื่องแม่ข่ายเพื่อให้บริการ API Server ได้
• นำ Machine Learning Modelมา deploy เป็น API เพื่อใช้งานได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี

       ภาพเป็นหนึ่งในข้อมูลแบบไม่มีโครงสร้าง ต้องการการประมวลผลสูง ต้องการพื้นที่ในการจัดเก็บเยอะ การนำเทคโนโลยีทางBig data ที่เหมาะสมมาช่วยในการจัดการ จะช่วยให้การทำงานเป็นไปอย่างราบรื่นและทันเวลา หัวข้อนี้จะได้เรียนรู้เครื่องมือที่เกี่ยวข้อง รวมถึงการออกแบบโครงสร้างพื้นฐานที่เหมาะสมโดยใช้เทคโนโลยีที่  Big data เพื่อช่วยในการจัดการภาพและภาพเคลื่อนไหว

เนื้อหา (Contents) : 

• Hadoop and it’s eco system
• NoSQL databases
• Kafka
• Big data architecture

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

• ออกแบบโครงสร้างพื้นฐานสำหรับการประมวลผลภาพด้วยเทคโนโลยี Big data ได้

ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี