项目背景
图像超分辨率技术（Super-Resolution, SR）能够从低分辨率图像重建出对应的高分辨率图像，不仅可以显著提升图像质量，还能大幅改善特征提取和目标检测的效果，因此在监控设备、卫星成像、生物信息提取及医学影像诊断等领域具有重要应用价值；然而传统方法在视觉质量上仍存在明显不足，往往难以保留图像细节，这在一定程度上制约了该技术的发展。2012年AlexNet在ImageNet大赛夺冠后，图像超分辨率技术正式迈入深度学习时代，先后涌现出SRCNN、SRResNet等突破性技术；随着生成对抗网络（GAN）在深度学习领域的崛起，SRGAN、ESRGAN等创新方法相继问世，这些深度学习技术不仅展现出巨大潜力，更极大地推动了图像超分辨率领域的快速发展。
项目简介
本课程以Python和TensorFlow深度学习框架为基础，系统讲解神经网络原理与编程实现，重点剖析卷积神经网络(CNN)和生成对抗网络(GAN)等前沿技术，并横向对比各类图像超分辨率技术的实际效果；在此理论基础上，学员将构建完整的图像超分辨率重建系统，从基础的SRCNN、SRResNet网络架构出发，逐步进阶到SRGAN和ESRGAN等生成对抗网络的设计与实现。
适合人群
- 大学生
- 对计算机、人工智能、机器学习、深度学习、计算机视觉感兴趣的学生
导师介绍
L老师是中国科学院计算技术研究所副研究员及硕士生导师，主要研究方向为计算机体系结构；他作为第一作者已在CCF A/B类国际顶级期刊和会议上发表论文十余篇，持有多个国际发明专利与软件著作权，并出版专著和译著，同时担任多个国际会议的审稿人与报告主席职务。
任职单位
中国科学院(英文名称为Chinese Academy of Sciences，简称中科院)于1949年11月正式成立，作为中国自然科学领域的最高学术机构，它既是国家科学技术发展的核心智库，也是集自然科学基础研究、高新技术研发于一体的综合性科研中心。
截至2021年11月，中国科学院官网数据显示，该院下设11个分院、100多家科研院所、3所大学（包括中国科学院大学、中国科学技术大学及与上海市共建的上海科技大学），拥有130多个国家级重点实验室和工程中心、68个国家野外观测研究站以及20个国家科技资源共享服务平台，负责30余项国家重大科技基础设施的建设与运行工作，现有正式职工6.9万余人，在学研究生7.9万余人；已构建起完整的自然科学学科体系，其中物理、化学、材料科学、数学、环境与生态学、地球科学等学科整体水平跻身世界前列，部分领域更是展现出冲击世界顶尖水平的强劲势头。作为国家战略科技力量的核心支柱，中科院在解决关系国家全局和长远发展的重大问题上发挥着不可替代的作用，其培养的科研人才不仅在国家级重大科技攻关中担当中流砥柱，更持续活跃在国际科研最前沿，成为彰显中国科技实力的重要代表。
学习内容
- 人工智能背景知识：
人工智能模型优化、深度学习技术背景、图像识别、目标检测、图像分割、超分辨率重建、GAN
- 深度学习训练框架和硬件描述语言verilog：
初步探索神经网络模型、认识梯度、链式求导法则，以及参数更新、Pytorch框架以及verilog语言、认识数据集、硬件高级综合HLS、代码讲解和实践
- 深度学习中的重要模型——卷积神经网络：
卷积层（convolution）、全连接层（fully connected）、池化层（pooling）、Softmax function、损失函数 （loss fuion）、反向传播算法（back propagation）
- 用高级综合工具和PYNQ实现目标检测系统：
Xilinx FPGA硬件平台介绍、PYNQ编程框架、Tcl脚本和vivado开发环境、目标检测模型设计、IP生成和联调
时间安排
- 10小时科研先导课+8小时教授科研课程+4小时英文论文指导
项目收获
- 3000字左右的科研报告
- 教授推荐信（8所网推）
- EI/CPCI国际会议论文（独立一作）
