不断推动教学改革是持续提升教育质量提升并适应时代发展的重要途径。新时期基于技术赋能，促进教学体系优化升级，依托现代科技与先进设备促进实践教学提质增效，已然成为加速教育改革的关键路径。这一背景下，人工智能技术备受青睐，深度学习是其中最具影响力和代表性的技术之一。在计算机视觉课程教学中，深度学习扮演重要角色，基于深度学习加速计算机视觉课程教学改革，成为实践工作重点。这一目标的实现需要教育工作者积极探索改革与实践路径。因此对基于深度学习的计算机视觉课程教学改革的要点和措施加以分析具有显著意义。
1计算机视觉技术发展现状
眼睛是人类感知世界的重要渠道，视觉是人们认识世界的过程中最不可或缺的感官体验。随着现代科技发展，让机器人拥有与人类相似乃至相同的视觉感知能力已不再是天方夜谭，计算机视觉的出现成功地将生物视觉神经融入智能设备中，让机器获得了实现单一任务的初级视觉。计算机视觉技术的发展深受人类生物视觉启发，以卷积神经网络为支撑的深度学习理论便是在模仿生物视觉神经系统的情况下诞生；随着该技术发展，计算机视觉已经逐步脱离初始阶段，拥有了理解复杂场景的能力，其应用范围也在不断拓展。目前，计算机视觉技术已经被成功应用于多个方面，主要可完成以下几项任务：
第一，图像分类。图像分类是计算机视觉技术的重要应用环节，也是其最基本的任务。基于深度学习进行计算机视觉研究时，图像分类是最为关键的视觉任务场景，在各种算法加持下的计算机视觉图像分类能力早已超过人类，拥有极高的准确率和效率。目前，GoogleNet、FGIC、AlexNet、VGG、FCOS等图像分类模型共同组成了计算机视觉技术的基础网络。
第二，目标检测。在图像中定位和分类出感兴趣对象，对其标签和边界方框进行有效输出是计算机视觉技术目标检测的重点内容。单阶段网络TOLO以及二阶段目标检测网络R-CNN是现阶段主要的基于深度学习的计算机视觉网络，目标检测算法则以Transformer模型为主。
第三，图像分割。图像分割也是计算机视觉的重要应用场景，图像分割主要有三种类型。其一是语义分割，即按像素所属类别完成图像的像素级分类，主要使用PSPNet、Deep-Lab模型；其二是实例分割，即依托语义分割完成同类个体划分，主要使用PANet、DeepMask、MASKSDD等模型；其三是全景分割；即立足图像整体进行像素级分类，主要使用UPSNet、TASCNet模型。
2基于深度学习的计算机视觉课程教学改革要点
2.1理论方法
从当前情况来看，计算机视觉的深度发展与深度学习理论的应用发展密切相关，后者是驱动前者发展、引领前者进步的关键力量。基于深度学习的计算机视觉课程教学要立足深度学习理论应用，从理论方法层面加以创新。这一背景下，计算机视觉课程教学要以深度神经网络充当视觉系统的骨干网络，还要充分发挥大数据优势以及深度学习特征表示能力。依托海量数据场景解决现实问题，利用深度神经网络抽取图像以及语音文字特征，实现多任务学习与多模态学习是在计算机视觉课程中引入深度学习后课程教学的新要求。深度学习视域下的计算机视觉课程教学，要关注端对端的训练，基于深度神经网络直接实现输入和输出。
2.2实验平台
深度学习对计算机视觉课程教学的要求不仅体现在理论方法层面，同样表现在实验平台层面。基于深度学习的实践教学需要构建个性化平台，必须满足以下要求：（1）大数据集；（2）充分支持大规模并行计算的硬件系统（CPU，特别是先进GPU并行算力）；（3）深度学习软件框架。在硬件平台建设方面，需要使用高配置的服务器以及CPU电脑；软件框架建设环节，相关工作人员可基于TensorFlow、PaddlePaddle、Jitter等框架完成针对性设计。
3基于深度学习的计算机视觉课程教学改革措施
3.1优化教学内容
教学内容的优化是实现教学改革的第一步。在计算机视觉课程中有机融入深度学习，是当前人工智能大背景下的教学改革趋势，加入深度学习理论内容势在必行。实践中，科学调整各方面内容占比，进一步压缩类似“特征提取+分类器”的传统视觉方法教学内容是教师应当关注的重点。此部分内容已经被深度学习较多地替代，所以无需过多讲解，只要简单介绍理论知识，让学生对此拥有基础了解即可。当然，为保持内容充实、有用，教师也要适度增加深度学习相关的教学内容。以图像处理教学内容优化为例，教师可压缩图像形态学处理、图像的频域增强、二维傅里叶变换等知识点，也要结合深度学习调整图像的空域增强以及图像几何变换知识点教学内容，基于深度学习重新开展图像数据扩增以及图像平滑和锐化相关知识教学。除此之外，相关工作人员也要进一步扩充知识体系中的深度学习知识点，从深度学习网络模型、模型训练与优化以及深度学习框架三个维度着手，详细讲解BP神经网络、卷积神经网络、图像分割模型、模型训练、多种深度学习框架等具体知识点。
3.2构建教学平台
以深度学习为基础的计算机视觉课程教学改革中，加强教学资源与平台建设可让教学内容与教学过程优化将事半功倍。在此期间，可立足已有深度学习框架搭建服务于理论与实践教学的平台。比如，使用PaddlePaddle框架基于AI Studio一站式开发实训平台、EasyDL零基础训练服务平台与EasyEdge端计算模型生成平台，搭建深度学习框架。这一框架实现多种编程方式（动态图+静态图）、工具组件、视觉算法预训练模型集成。实际作业环节，相关工作人员也要重点关注教学资源建设，为基于AI Studio平台的知识技能教学提供有力支持。此时，主要通过案例设计辅助教学，教师要分别从入门案例、竞赛案例、前沿案例等维度着手，进行进阶式案例设计，基于案例教学法促进课程教学提质增效。
3.3创新教学模式
从教学模式创新的角度出发探讨教学改革路径同样极具必要性，计算机视觉课程教学工作者要着力丰富教学方法和手段，积极探索多元化教学路径，以提高教学吸引力和实效性为根本目标实现教学创新。比如，践行以学生为本原则，运用OBE理念指导教学模式的创新；依托多元化教学方法，构建“案例教学+实践教学+理论教学”的组合式教学模式，以“理论+实践”教学的全过程覆盖促进教学改革与创新；依托现代化信息平台、实践教学平台完善信息化教学过程，打造线上线下融合教学体系；鼓励学生参与教师的工程项目或自主开发计算机视觉工程项目，运用以赛促学、实践项目化教学、实验室项目科研等方式培养工程化应用型人才。
结论：综上所述，将深度学习的相关内容运用到计算机视觉课程教学改革中，不仅能起到丰富教学资源、创新教学模式的作用，还能在兼顾理论方法与实践平台发展的基础上全面推动教学优化升级和提质增效。对于任课教师而言，充分利用案例教学法，遵循以生为本原则引导学生主动参与基于深度学习的计算机视觉技术研究，可实现高质量教学与学生的高质量学习。这一期间，教师要始终坚持以产出为导向，着眼于学生的理论基础与实践能力发展，以培养工程化应用型人才为目标运用深度学习开展计算机视觉课程教学。
作者简介：秦大辉，博士，教授，西南石油大学土木工程与测绘学院。于冰，博士，副教授，西南石油大学土木工程与测绘学院。
