เรียนรู้รูปแบบในการแสดงข้อมูลภาพเพื่อใช้ในงานด้านคอมพิวเตอร์วิทัศน์ต่าง ๆ รวมถึงงานด้านการจับคู่ การค้นคืน และการรู้จำข้อมูลภาพ เช่น การจัดประเภทภาพ การตรวจจับและการระบุตำแหน่งของวัตถุ และการรู้จำทัศนียภาพ สำรวจวิธีการต่าง ๆ ซึ่งเป็นที่รู้จักกันโดยทั่วไป โดยเริ่มจากวิธีการในการบรรยายภาพด้วยรูปแบบระดับล่าง ไปจนถึงการแสดงรูปแบบข้อมูลในระดับกลาง และเข้าใจการประยุกต์ใช้วิธีการดังกล่าวกับงานที่เป็นเป้าหมายสุดท้าย ศึกษาวิธีการใช้ข้อมูลในการขับเคลื่อนการแก้ไขปัญหาให้เป็นไปตามวัตถุประสงค์ของงาน โดยใช้กระบวนการซึ่งได้รับการปรับปรุงให้เหมาะสมผ่านการสอน ทำความเข้าใจโมเดลการเรียนรู้เชิงลึกอย่างละเอียด รวมถึงสถาปัตยกรรมและการออกแบบเครือข่ายการเรียนรู้ อัลกอริทึมการเรียนรู้ กลยุทธ์การทำให้ถูกต้องและเป็นระเบียบ การปรับให้เป็นรูปแบบทั่วไป การสร้างเครือข่าย การฝึกสอน การแก้ไขจุดผิดพลาด การปรับแต่ง การประเมินและการทดสอบ และการนำไปใช้งานจริง รวมถึงการทำความเข้าใจความเชื่อมโยงกับโมเดลแบบเดิม โดยศึกษาจากวิธีการล่าสุดที่ทันสมัยและดีที่สุดสำหรับงานแอปพลิเคชันขนาดใหญ่

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.