古泡人工智能P5第5期2022年资源大小共:177.56G,该课程资源共1414个文件,其中包含1398个高清视频,0相关文档,详见下面资源目录。
资源目录:
1_直播课回放[16.56G]
1_直播1:开班典礼[1.88G]
1人工智能CVNLP高薪实战班.mp4[1.88G]
10_直播7:GPT系列算法与实战[660.77M]
GPT系列算法与实战.mp4[660.77M]
11_额外补充:GPT建模与预测流程[357.96M]
1.生成模型可以完成的任务概述.mp4[36.23M]
2-数据样本生成方法.mp4[85.45M]
3-训练所需参数解读.mp4[68.88M]
4-模型训练过程.mp4[67.76M]
5-部署与网页预测展示.mp4[99.65M]
12_额外补充:文本摘要建模[298.64M]
1-中文商城评价数据处理方法.mp4[77.95M]
2-模型训练与测试结果.mp4[125.90M]
3-文本摘要数据标注方法.mp4[58.38M]
4-训练自己标注的数据并测试.mp4[36.40M]
13_直播8:知识抽取实战[716.88M]
知识抽取实战.mp4[716.88M]
14_直播9:OpenaiCLIP模型[1.16G]
OpenaiCLIP模型.mp4[1.16G]
15_直播10:DeformableDetr算法解读[905.29M]
DeformableDetr算法解读.mp4[905.29M]
16_直播11:OCR算法解读[1.80G]
OCR算法解读.mp4[1.80G]
17_直播12:KIE关键信息抽取与视频超分辨率重构[1.04G]
KIE关键信息抽取与视频超分辨率重构.mp4[1.04G]
18_直播13:对比学习[1.31G]
1对比学习.mp4[1.31G]
2_Pycharm环境配置与Debug演示(没用过的同学必看)[125.39M]
Pycharm环境配置与Debug演示(没用过的同学必看).mp4[125.39M]
3_直播2:深度学习必备基础-神经网络与卷积网络[1.06G]
1.深度学习必备基础-神经网络与卷积网络.mp4[1.06G]
4_直播3:Transformer原理及其各领域应用分析[517.48M]
Transformer原理及其各领域应用分析.mp4[517.48M]
5_额外补充:时间序列预测[527.17M]
额外补充:时间序列预测.mp4[527.17M]
6_直播4:Informer时间序列预测源码解读[2.04G]
Informer时间序列预测源码解读.mp4[2.04G]
7_额外补充:Huggingface与NLP(讲故事)[245.97M]
Huggingface与NLP(讲故事).mp4[245.97M]
8_直播5:Huggingface核心模块解读[814.97M]
Huggingface核心模块解读.mp4[814.97M]
9_直播6:BERT系列模型与命名实体识别实例[1.21G]
BERT系列模型与命名实体识别实例.mp4[1.21G]
10_图神经网络实战[1.81G]
1_图神经网络基础[99.37M]
1-图神经网络应用领域分析.mp4.mp4[26.40M]
2-图基本模块定义.mp4.mp4[10.51M]
3-邻接矩阵的定义.mp4.mp4[16.06M]
4-GNN中常见任务.mp4.mp4[19.17M]
5-消息传递计算方法.mp4.mp4[14.23M]
6-多层GCN的作用.mp4.mp4[13.00M]
2_图卷积GCN模型[65.30M]
1-GCN基本模型概述.mp4.mp4[13.24M]
2-图卷积的基本计算方法.mp4.mp4[12.56M]
3-邻接的矩阵的变换.mp4.mp4[18.38M]
4-GCN变换原理解读.mp4.mp4[21.12M]
3_图模型必备神器PyTorchGeometric安装与使用[186.66M]
1-PyTorchGeometric工具包安装与配置方法.mp4.mp4[45.07M]
2-数据集与邻接矩阵格式.mp4.mp4[51.92M]
3-模型定义与训练方法.mp4.mp4[41.92M]
4-文献引用数据集分类案例实战.mp4.mp4[47.75M]
4_使用PyTorchGeometric构建自己的图数据集[267.86M]
1-构建数据集基本方法.mp4.mp4[13.47M]
2-数据集与任务背景概述.mp4.mp4[21.63M]
3-数据集基本预处理.mp4.mp4[31.50M]
4-用户行为图结构创建.mp4.mp4[36.67M]
5-数据集创建函数介绍.mp4.mp4[34.87M]
6-网络结构定义模块.mp4.mp4[36.87M]
7-TopkPooling进行下采样任务.mp4.mp4[31.30M]
8-获取全局特征.mp4.mp4[25.70M]
9-模型训练与总结.mp4.mp4[35.84M]
5_图注意力机制与序列图模型[95.59M]
1-图注意力机制的作用与方法.mp4.mp4[16.53M]
2-邻接矩阵计算图Attention.mp4(1).mp4[21.40M]
2-邻接矩阵计算图Attention.mp4.mp4[21.40M]
3-序列图神经网络TGCN应用.mp4.mp4[12.59M]
4-序列图神经网络细节.mp4.mp4[23.67M]
6_图相似度论文解读[311.37M]
1-要完成的任务分析.mp4.mp4[47.79M]
2-基本方法概述解读.mp4.mp4[52.67M]
3-图模型提取全局与局部特征.mp4.mp4[47.42M]
4-NTN模块的作用与效果.mp4.mp4[41.09M]
5-点之间的对应关系计算.mp4.mp4[51.22M]
6-结果输出与总结.mp4.mp4[71.18M]
7_图相似度计算实战[216.19M]
1-数据集与任务概述3.mp4.mp4[18.11M]
2-图卷积特征提取模块3.mp4.mp4[55.92M]
3-分别计算不同Batch点的分布3.mp4.mp4[31.70M]
4-获得直方图特征结果.mp4.mp4[21.11M]
5-图的全局特征构建.mp4.mp4[31.45M]
6-NTN图相似特征提取.mp4.mp4[39.25M]
7-预测得到相似度结果.mp4.mp4[18.64M]
8_基于图模型的轨迹估计[448.56M]
1-数据集与标注信息解读.mp4.mp4[57.53M]
2-整体三大模块分析.mp4.mp4[71.83M]
3-特征工程的作用与效果.mp4.mp4[41.75M]
4-传统方法与现在向量空间对比.mp4.mp4[51.83M]
5-输入细节分析.mp4.mp4[49.96M]
6-子图模块构建方法.mp4.mp4[42.55M]
7-特征融合模块分析.mp4.mp4[47.67M]
8-VectorNet输出层分析.mp4.mp4[85.45M]
9_图模型轨迹估计实战[164.09M]
1-数据与环境配置4.mp4.mp4[35.36M]
2-训练数据准备4.mp4.mp4[27.69M]
3-Agent特征提取方法4.mp4.mp4[37.87M]
4-DataLoader构建图结构4.mp4.mp4[28.61M]
5-SubGraph与Attention模型流程4.mp4.mp4[34.55M]
11_3D点云实战[2.26G]
1_3D点云实战3D点云应用领域分析[334.41M]
1-点云数据概述.mp4.mp4[47.69M]
2-点云应用领域与发展分析.mp4.mp4[85.97M]
3-点云分割任务.mp4.mp4[74.47M]
4-点云补全任务.mp4.mp4[34.06M]
5-点云检测与配准任务.mp4.mp4[63.03M]
6-点云数据特征提取概述与预告.mp4.mp4[29.21M]
2_3D点云PointNet算法[216.34M]
1-3D数据应用领域与点云介绍.mp4.mp4[60.10M]
2-点云数据可视化展示.mp4.mp4[46.06M]
3-点云数据特性和及要解决的问题.mp4.mp4[42.97M]
4-PointNet算法出发点解读.mp4.mp4[24.66M]
5-PointNet算法网络架构解读.mp4.mp4[42.54M]
3_PointNet++算法解读[171.90M]
10-分类与分割问题解决方案.mp4.mp4[29.48M]
11-遇到的问题及改进方法分析.mp4.mp4[17.55M]
6-PointNet升级版算法要解决的问题.mp4.mp4[30.37M]
7-最远点采样方法.mp4.mp4[28.28M]
8-分组Group方法原理解读.mp4.mp4[44.71M]
9-整体流程概述分析.mp4.mp4[21.50M]
4_Pointnet++项目实战[533.98M]
10-分类任务总结.mp4.mp4[27.64M]
11-分割任务数据与配置概述.mp4.mp4[61.58M]
12-分割需要解决的任务概述.mp4.mp4[38.05M]
13-上采样完成分割任务.mp4.mp4[58.55M]
1-项目文件概述.mp4.mp4[35.90M]
2-数据读取模块配置.mp4.mp4[41.15M]
3-DEBUG解读网络模型架构.mp4.mp4[29.93M]
4-最远点采样介绍.mp4.mp4[24.42M]
5-采样得到中心点.mp4.mp4[40.64M]
6-组区域划分方法.mp4.mp4[31.56M]
7-实现group操作得到各中心簇.mp4.mp4[44.63M]
8-特征提取模块整体流程.mp4.mp4[50.91M]
9-预测结果输出模块.mp4.mp4[49.03M]
5_点云补全PF-Net论文解读[231.22M]
1-点云补全要解决的问题.mp4.mp4[25.36M]
2-基本解决方案概述.mp4.mp4[23.51M]
3-整体网络概述.mp4.mp4[26.29M]
4-网络计算流程.mp4.mp4[35.72M]
5-输入与计算结果.mp4.mp4[120.34M]
6_点云补全实战解读[346.68M]
1-数据与项目配置解读.mp4.mp4[63.87M]
2-待补全数据准备方法.mp4.mp4[36.16M]
3-整体框架概述.mp4.mp4[64.34M]
4-MRE特征提取模块.mp4.mp4[48.04M]
5-分层预测输出模块.mp4.mp4[29.87M]
6-补全点云数据.mp4.mp4[41.87M]
7-判别模块.mp4.mp4[62.53M]
7_点云配准及其案例实战[292.05M]
1-点云配准任务概述.mp4.mp4[20.82M]
2-配准要完成的目标解读.mp4.mp4[23.13M]
3-训练数据构建1.mp4.mp4[33.85M]
4-任务基本流程.mp4.mp4[19.39M]
5-数据源配置方法.mp4.mp4[53.00M]
6-参数计算模块解读.mp4.mp4[25.96M]
7-基于模型预测输出参数.mp4.mp4[31.52M]
8-特征构建方法分析.mp4.mp4[43.67M]
9-任务总结.mp4.mp4[40.70M]
8_基础补充-对抗生成网络架构原理与实战解析[190.83M]
1-对抗生成网络通俗解释.mp4.mp4[23.10M]
2-GAN网络组成.mp4.mp4[15.10M]
3-损失函数解释说明.mp4.mp4[49.36M]
4-数据读取模块.mp4.mp4[36.74M]
5-生成与判别网络定义.mp4.mp4[66.54M]
12_目标追踪与姿态估计实战[3.13G]
1_课程介绍[38.37M]
课程介绍2.mp4.mp4[38.37M]
2_姿态估计OpenPose系列算法解读[455.03M]
10-匹配方法解读.mp4.mp4[26.12M]
11-CPM模型特点.mp4.mp4[27.67M]
12-算法流程与总结.mp4.mp4[73.29M]
1-姿态估计要解决的问题分析.mp4.mp4[67.23M]
2-姿态估计应用领域概述.mp4.mp4[27.80M]
3-传统topdown方法的问题.mp4.mp4[67.61M]
4-要解决的两个问题分析.mp4.mp4[12.54M]
5-基于高斯分布预测关键点位置.mp4.mp4[35.37M]
6-各模块输出特征图解读.mp4.mp4[21.77M]
7-PAF向量登场.mp4.mp4[15.04M]
8-PAF标签设计方法.mp4.mp4[32.97M]
9-预测时PAF积分计算方法.mp4.mp4[47.62M]
3_OpenPose算法源码分析[443.97M]
10-多阶段输出与预测.mp4.mp4[65.84M]
1-数据集与路径配置解读.mp4.mp4[34.94M]
2-读取图像与标注信息.mp4.mp4[48.45M]
3-关键点与躯干特征图初始化.mp4.mp4[44.36M]
4-根据关键点位置设计关键点标签.mp4.mp4[65.79M]
5-准备构建PAF躯干标签.mp4.mp4[35.98M]
6-各位置点归属判断.mp4.mp4[35.91M]
7-特征图各点累加向量计算.mp4.mp4[40.10M]
8-完成PAF特征图制作.mp4.mp4[41.98M]
9-网络模型一阶段输出.mp4.mp4[30.62M]
4_deepsort算法知识点解读[350.11M]
10-sort与deepsort建模流程分析.mp4.mp4[36.01M]
11-预测与匹配流程解读.mp4.mp4[35.33M]
12-追踪任务流程拆解.mp4.mp4[40.38M]
1-卡尔曼滤波通俗解释.mp4.mp4[30.49M]
2-卡尔曼滤波要完成的任务.mp4.mp4[24.18M]
3-任务本质分析.mp4.mp4[25.11M]
4-基于观测值进行最优估计.mp4.mp4[23.96M]
5-预测与更新操作.mp4.mp4[30.86M]
6-追踪中的状态量.mp4.mp4[21.59M]
7-匈牙利匹配算法概述.mp4.mp4[23.24M]
8-匹配小例子分析.mp4.mp4[29.17M]
9-REID特征的作用.mp4.mp4[29.78M]
5_deepsort源码解读[541.22M]
10-匹配结果与总结.mp4.mp4[92.04M]
1-项目环境配置4.mp4.mp4[45.66M]
2-参数与DEMO演示.mp4.mp4[49.43M]
3-针对检测结果初始化track.mp4.mp4[55.75M]
4-对track执行预测操作.mp4.mp4[46.93M]
5-状态量预测结果.mp4.mp4[43.85M]
6-IOU代价矩阵计算.mp4.mp4[39.72M]
7-参数更新操作.mp4.mp4[60.48M]
8-级联匹配模块.mp4.mp4[49.58M]
9-ReID特征代价矩阵计算.mp4.mp4[57.78M]
6_YOLO-V4版本算法解读[247.68M]
10-PAN模块解读.mp4.mp4[27.77M]
11-激活函数与整体架构总结.mp4.mp4[26.19M]
1-V4版本整体概述.mp4.mp4[18.20M]
2-V4版本贡献解读.mp4.mp4[11.50M]
3-数据增强策略分析.mp4.mp4[35.08M]
4-DropBlock与标签平滑方法.mp4.mp4[26.44M]
5-损失函数遇到的问题.mp4.mp4[19.87M]
6-CIOU损失函数定义.mp4.mp4[13.11M]
7-NMS细节改进.mp4.mp4[21.25M]
8-SPP与CSP网络结构.mp4.mp4[18.42M]
9-SAM注意力机制模块.mp4.mp4[29.83M]
7_V5版本项目配置[208.50M]
1-整体项目概述.mp4.mp4[40.93M]
2-训练自己的数据集方法.mp4.mp4[46.78M]
3-训练数据参数配置.mp4.mp4[60.39M]
4-测试DEMO演示.mp4.mp4[60.41M]
8_V5项目工程源码解读[922.68M]
10-完成配置文件解析任务.mp4.mp4[69.88M]
11-前向传播计算.mp4.mp4[36.66M]
12-BottleneckCSP层计算方法.mp4.mp4[39.91M]
13-Head层流程解读2.mp4.mp4[30.98M]
13-SPP层计算细节分析.mp4.mp4[38.56M]
14-上采样与拼接操作.mp4.mp4[24.77M]
15-输出结果分析.mp4.mp4[57.56M]
16-超参数解读.mp4.mp4[42.44M]
17-命令行参数介绍.mp4.mp4[56.24M]
18-训练流程解读.mp4.mp4[56.57M]
19-各种训练策略概述.mp4.mp4[47.37M]
1-数据源DEBUG流程解读.mp4.mp4[53.75M]
20-模型迭代过程.mp4.mp4[52.69M]
2-图像数据源配置.mp4.mp4[43.87M]
3-加载标签数据.mp4.mp4[33.62M]
4-Mosaic数据增强方法.mp4.mp4[30.61M]
5-数据四合一方法与流程演示.mp4.mp4[52.99M]
6-getItem构建batch.mp4.mp4[42.08M]
7-网络架构图可视化工具安装.mp4.mp4[40.86M]
8-V5网络配置文件解读.mp4.mp4[42.17M]
9-Focus模块流程分析.mp4.mp4[29.10M]
13_面向深度学习的无人驾驶实战[5.53G]
1_深度估计算法原理解读[399.87M]
10-损失计算.mp4.mp4[48.42M]
1-深度估计效果与应用.mp4.mp4[81.59M]
2-kitti数据集介绍.mp4.mp4[61.77M]
3-使用backbone获取层级特征.mp4.mp4[27.45M]
4-差异特征计算边界信息.mp4.mp4[35.08M]
5-SPP层的作用.mp4.mp4[19.56M]
6-空洞卷积与ASPP.mp4.mp4[25.65M]
7-特征拼接方法分析.mp4.mp4[28.68M]
8-网络coarse-to-fine过程.mp4.mp4[33.97M]
9-权重参数预处理.mp4.mp4[37.71M]
10_NeuralRecon项目源码解读[462.52M]
1-Backbone得到特征图.mp4.mp4[42.75M]
2-初始化体素位置.mp4.mp4[47.33M]
3-坐标映射方法实现.mp4.mp4[33.58M]
4-得到体素所对应特征图.mp4.mp4[60.47M]
5-插值得到对应特征向量.mp4.mp4[40.85M]
6-得到一阶段输出结果.mp4.mp4[46.01M]
7-完成三个阶段预测结果.mp4.mp4[56.55M]
8-项目总结2.mp4.mp4[134.98M]
11_TSDF算法与应用[178.87M]
1-TSDF整体概述分析.mp4.mp4[27.69M]
2-合成过程DEMO演示.mp4.mp4[27.44M]
3-布局初始化操作.mp4.mp4[15.36M]
4-TSDF计算基本流程解读.mp4.mp4[26.04M]
5-坐标转换流程分析.mp4.mp4[38.15M]
6-输出结果融合更新.mp4.mp4[44.20M]
12_TSDF实战案例[126.68M]
1-环境配置概述.mp4.mp4[39.03M]
2-初始化与数据读取.mp4.mp4[25.67M]
3-计算得到TSDF输出.mp4.mp4[61.98M]
13_轨迹估计算法与论文解读[539.33M]
1-数据集与标注信息解读.mp4.mp4[76.67M]
2-整体三大模块分析.mp4.mp4[58.83M]
3-特征工程的作用与效果.mp4.mp4[53.67M]
4-传统方法与现在向量空间对比.mp4.mp4[65.57M]
5-输入细节分析.mp4.mp4[48.31M]
6-子图模块构建方法.mp4.mp4[64.32M]
7-特征融合模块分析.mp4.mp4[54.87M]
8-VectorNet输出层分析.mp4.mp4[117.09M]
14_轨迹估计预测实战[209.46M]
1-数据与环境配置..mp4.mp4[41.89M]
2-训练数据准备.mp4.mp4[37.57M]
3-Agent特征提取方法.mp4.mp4[49.50M]
4-DataLoader构建图结构.mp4.mp4[37.27M]
5-SubGraph与Attention模型流程.mp4.mp4[43.22M]
15_特斯拉无人驾驶解读[776.38M]
15-特斯拉无人驾驶解读.mp4.mp4[776.38M]
2_深度估计项目实战[637.28M]
10-模型DEMO输出结果.mp4.mp4[112.62M]
1-项目环境配置解读1.mp4.mp4[63.27M]
2-数据与标签定义方法.mp4.mp4[102.60M]
3-数据集dataloader制作.mp4.mp4[39.80M]
4-使用backbone进行特征提取.mp4.mp4[43.50M]
5-计算差异特征.mp4.mp4[37.71M]
6-权重参数标准化操作.mp4.mp4[49.18M]
7-网络结构ASPP层.mp4.mp4[50.16M]
8-输出深度估计结果.mp4.mp4[34.58M]
8-特征拼接方法解读.mp4.mp4[56.28M]
9-损失函数通俗解读.mp4.mp4[47.59M]
3_车道线检测算法与论文解读[218.70M]
1-数据标签与任务分析.mp4.mp4[38.60M]
2-网络整体框架分析.mp4.mp4[42.87M]
3-输出结果分析.mp4.mp4[19.38M]
4-损失函数计算方法.mp4.mp4[39.13M]
5-论文概述分析.mp4.mp4[78.73M]
4_基于深度学习的车道线检测项目实战[560.29M]
10-车道线规则损失函数限制.mp4.mp4[57.08M]
11-DEMO制作与配置.mp4.mp4[53.54M]
1-车道数据与标签解读.mp4.mp4[77.67M]
2-项目环境配置演示.mp4.mp4[35.14M]
3-制作数据集dataloader.mp4.mp4[67.70M]
4-车道线标签数据处理.mp4.mp4[38.39M]
5-四条车道线标签位置矩阵.mp4.mp4[29.01M]
6-grid设置方法.mp4.mp4[61.50M]
7-完成数据与标签制作.mp4.mp4[32.93M]
8-算法网络结构解读.mp4.mp4[61.68M]
9-损失函数计算模块分析.mp4.mp4[45.65M]
5_商汤LoFTR算法解读[346.35M]
10-总结分析.mp4.mp4[73.58M]
1-特征匹配的应用场景.mp4.mp4[47.24M]
2-特征匹配的基本流程分析.mp4.mp4[22.15M]
3-整体流程梳理分析.mp4.mp4[23.29M]
4-CrossAttention的作用与效果.mp4.mp4[22.27M]
5-transformer构建匹配特征.mp4.mp4[44.75M]
6-粗粒度匹配过程与作用.mp4.mp4[35.10M]
7-特征图拆解操作.mp4.mp4[18.51M]
8-细粒度匹配的作用与方法.mp4.mp4[26.80M]
9-基于期望预测最终位置.mp4.mp4[32.66M]
6_局部特征关键点匹配实战[479.19M]
10-得到精细化输出结果.mp4.mp4[23.44M]
11-通过期望计算最终输出.mp4.mp4[53.63M]
1-项目与参数配置解读.mp4.mp4[52.85M]
2-DEMO效果演示.mp4.mp4[31.22M]
3-backbone特征提取模块.mp4.mp4[32.19M]
4-注意力机制的作用与效果分析.mp4.mp4[36.27M]
5-特征融合模块实现方法.mp4.mp4[34.51M]
6-cross关系计算方法实例.mp4.mp4[35.81M]
7-粗粒度匹配过程.mp4.mp4[56.45M]
8-完成基础匹配模块.mp4.mp4[73.14M]
9-精细化调整方法与实例.mp4.mp4[49.69M]
7_三维重建应用与坐标系基础[269.16M]
1-三维重建概述分析.mp4.mp4[128.09M]
2-三维重建应用领域概述.mp4.mp4[16.15M]
3-成像方法概述.mp4.mp4[21.24M]
4-相机坐标系.mp4.mp4[23.83M]
5-坐标系转换方法解读.mp4.mp4[28.24M]
6-相机内外参.mp4.mp4[24.24M]
7-通过内外参数进行坐标变换.mp4.mp4[20.65M]
8-相机标定简介.mp4.mp4[6.73M]
8_NeuralRecon算法解读[164.65M]
1-任务流程分析.mp4.mp4[27.61M]
2-基本框架熟悉.mp4.mp4[38.08M]
3-特征映射方法解读.mp4.mp4[45.98M]
4-片段融合思想.mp4.mp4[22.57M]
5-整体架构重构方法.mp4.mp4[30.41M]
9_NeuralRecon项目环境配置[291.77M]
1-数据集下载与配置方法.mp4.mp4[58.73M]
2-Scannet数据集内容概述.mp4.mp4[41.13M]
3-TSDF标签生成方法.mp4.mp4[67.69M]
4-ISSUE的作用.mp4.mp4[58.24M]
5-完成依赖环境配置.mp4.mp4[65.98M]
14_缺陷检测实战[4.10G]
1_课程介绍[35.73M]
课程介绍3.mp4.mp4[35.73M]
10_基于视频流水线的Opencv缺陷检测项目[240.61M]
1-数据与任务概述.mp4.mp4[20.05M]
2-视频数据读取与轮廓检测.mp4.mp4[23.00M]
3-目标质心计算.mp4.mp4[40.39M]
4-视频数据遍历方法.mp4.mp4[39.37M]
5-缺陷区域提取.mp4.mp4[41.49M]
6-不同类型的缺陷检测方法.mp4.mp4[47.20M]
7-检测效果演示.mp4.mp4[29.11M]
11_图像分割deeplab系列算法[142.90M]
1-deeplab分割算法概述.mp4.mp4[19.15M]
2-空洞卷积的作用.mp4.mp4[21.17M]
3-感受野的意义.mp4.mp4[26.43M]
4-SPP层的作用.mp4.mp4[25.97M]
5-ASPP特征融合策略.mp4.mp4[17.01M]
6-deeplabV3Plus版本网络架构.mp4.mp4[33.17M]
12_基于deeplabV3+版本进行VOC分割实战[271.48M]
1-PascalVoc数据集介绍.mp4.mp4[56.87M]
2-项目参数与数据集读取.mp4.mp4[69.80M]
3-网络前向传播流程.mp4.mp4[39.57M]
4-ASPP层特征融合.mp4.mp4[61.87M]
5-分割模型训练.mp4.mp4[43.37M]
13_Deeplab铁质材料缺陷检测与开源项目应用流程[452.34M]
1-数据集与任务概述..mp4.mp4[36.80M]
2-开源项目应用方法.mp4.mp4[39.79M]
3-github与kaggle中需要注意的点.mp4.mp4[41.20M]
4-源码的利用方法.mp4.mp4[100.06M]
5-数据集制作方法.mp4.mp4[85.89M]
6-数据路径配置.mp4.mp4[62.92M]
7-训练模型.mp4.mp4[38.10M]
8-任务总结.mp4.mp4[47.59M]
2_物体检框架YOLO-V4版本算法解读[188.03M]
10-PAN模块解读.mp4.mp4[20.64M]
11-激活函数与整体架构总结.mp4.mp4[19.19M]
1-V4版本整体概述.mp4.mp4[15.06M]
2-V4版本贡献解读.mp4.mp4[10.06M]
3-数据增强策略分析.mp4.mp4[24.70M]
4-DropBlock与标签平滑方法.mp4.mp4[19.36M]
5-损失函数遇到的问题.mp4.mp4[14.26M]
6-CIOU损失函数定义.mp4.mp4[10.82M]
7-NMS细节改进.mp4.mp4[16.66M]
8-SPP与CSP网络结构.mp4.mp4[14.81M]
9-SAM注意力机制模块.mp4.mp4[22.48M]
3_物体检测框架YOLOV5版本项目配置[179.04M]
1-整体项目概述.mp4.mp4[35.77M]
2-训练自己的数据集方法.mp4.mp4[41.32M]
3-训练数据参数配置.mp4.mp4[51.48M]
4-测试DEMO演示.mp4.mp4[50.47M]
4_物体检测框架YOLOV5项目工程源码解读[763.15M]
10-完成配置文件解析任务.mp4.mp4[58.80M]
11-前向传播计算.mp4.mp4[30.80M]
12-BottleneckCSP层计算方法.mp4.mp4[33.82M]
13-1SPP层计算细节分析.mp4.mp4[38.62M]
13-2Head层流程解读.mp4.mp4[31.05M]
14-上采样与拼接操作.mp4.mp4[21.48M]
15-输出结果分析.mp4.mp4[41.71M]
16-超参数解读.mp4.mp4[34.94M]
17-命令行参数介绍.mp4.mp4[44.26M]
18-训练流程解读.mp4.mp4[46.81M]
19-各种训练策略概述.mp4.mp4[38.43M]
1-数据源DEBUG流程解读.mp4.mp4[48.13M]
20-模型迭代过程.mp4.mp4[38.42M]
2-图像数据源配置.mp4.mp4[34.65M]
3-加载标签数据.mp4.mp4[26.33M]
4-Mosaic数据增强方法.mp4.mp4[28.19M]
5-数据四合一方法与流程演示.mp4.mp4[41.69M]
6-getItem构建batch.mp4.mp4[33.03M]
7-网络架构图可视化工具安装.mp4.mp4[34.33M]
8-V5网络配置文件解读.mp4.mp4[35.74M]
9-Focus模块流程分析.mp4.mp4[21.93M]
5_基于YOLOV5的钢材缺陷检测实战[250.44M]
1-任务需求与项目概述.mp4.mp4[15.53M]
2-数据与标签配置方法.mp4.mp4[43.06M]
3-标签转换格式脚本制作.mp4.mp4[38.66M]
4-各版本模型介绍分析.mp4.mp4[37.05M]
5-项目参数配置.mp4.mp4[30.25M]
6-缺陷检测模型训练.mp4.mp4[32.65M]
7-输出结果与项目总结.mp4.mp4[53.24M]
6_Semi-supervised布料缺陷检测实战[381.61M]
1-任务目标与流程概述.mp4.mp4[61.15M]
2-论文思想与模型分析.mp4.mp4[158.48M]
3-项目配置解读.mp4.mp4[68.80M]
4-网络流程分析.mp4.mp4[43.01M]
5-输出结果展示.mp4.mp4[50.16M]
7_Opencv图像常用处理方法实例[395.05M]
1-腐蚀操作.mp4.mp4[28.72M]
1-计算机眼中的图像.mp4.mp4[39.96M]
1-图像阈值.mp4.mp4[40.59M]
2-膨胀操作.mp4.mp4[17.01M]
2-视频的读取与处理.mp4.mp4[60.10M]
2-图像平滑处理.mp4.mp4[34.23M]
3-ROI区域.mp4.mp4[19.56M]
3-高斯与中值滤波.mp4.mp4[28.67M]
3-开运算与闭运算.mp4.mp4[11.89M]
4-边界填充.mp4.mp4[28.99M]
4-梯度计算.mp4.mp4[10.11M]
5-礼帽与黑帽.mp4.mp4[22.87M]
5-数值计算.mp4.mp4[52.36M]
8_Opencv轮廓检测与直方图[509.59M]
1-图像金字塔定义.mp4.mp4[27.14M]
1-直方图定义.mp4.mp4[30.23M]
2-金字塔制作方法.mp4.mp4[32.30M]
2-均衡化原理.mp4.mp4[40.43M]
3-均衡化效果.mp4.mp4[35.90M]
3-轮廓检测方法.mp4.mp4[26.61M]
4-傅里叶概述.mp4.mp4[60.92M]
4-轮廓检测结果.mp4.mp4[44.02M]
5-轮廓特征与近似.mp4.mp4[52.89M]
5-频域变换结果.mp4.mp4[35.20M]
6-低通与高通滤波.mp4.mp4[36.25M]
6-模板匹配方法.mp4.mp4[60.42M]
7-匹配效果展示.mp4.mp4[27.31M]
8_Opencv梯度计算与边缘检测实例[211.19M]
1-Canny边缘检测流程.mp4.mp4[26.31M]
1-Sobel算子.mp4.mp4[37.16M]
2-非极大值抑制.mp4.mp4[20.51M]
2-梯度计算方法.mp4.mp4[41.75M]
3-scharr与lapkacian算子.mp4.mp4[34.47M]
3-边缘检测效果.mp4.mp4[51.00M]
9_基于Opencv缺陷检测项目实战[175.21M]
1-任务需求与环境配置.mp4.mp4[18.41M]
2-数据读取与基本处理.mp4.mp4[33.28M]
3-缺陷形态学操作.mp4.mp4[33.41M]
4-整体流程解读.mp4.mp4[27.53M]
5-缺陷检测效果演示.mp4.mp4[62.58M]
15_行人重识别实战[2.56G]
1_行人重识别原理及其应用[178.45M]
1-行人重识别要解决的问题.mp4.mp4[23.15M]
2-挑战与困难分析.mp4.mp4[46.71M]
3-评估标准rank1指标.mp4.mp4[16.66M]
4-map值计算方法.mp4.mp4[20.51M]
5-triplet损失计算实例.mp4.mp4[34.48M]
6-Hard-Negative方法应用.mp4.mp4[36.94M]
2_基于注意力机制的Reld模型论文解读[193.43M]
1-论文整体思想及注意力机制的作用解读.mp4.mp4[47.72M]
2-空间权重值计算流程分析.mp4.mp4[28.01M]
3-融合空间注意力所需特征.mp4.mp4[28.87M]
4-基于特征图的注意力计算.mp4.mp4[88.83M]
3_基于Attention的行人重识别项目实战[521.06M]
1-项目环境与数据集配置.mp4.mp4[58.03M]
2-参数配置与整体架构分析.mp4.mp4[83.28M]
3-进入debug模式解读网络计算流程.mp4.mp4[37.25M]
4-获得空间位置点之间的关系.mp4.mp4[53.27M]
5-组合关系特征图.mp4.mp4[41.98M]
6-计算得到位置权重值.mp4.mp4[48.88M]
7-基于特征图的权重计算.mp4.mp4[32.21M]
8-损失函数计算实例解读.mp4.mp4[74.80M]
9-训练与测试模块演示.mp4.mp4[91.36M]
4_AAAI2020顶会算法精讲[141.69M]
1-论文整体框架概述.mp4.mp4[21.64M]
2-局部特征与全局关系计算方法.mp4.mp4[21.05M]
3-特征分组方法.mp4.mp4[19.65M]
4-GCP模块特征融合方法.mp4.mp4[38.72M]
5-oneVsReset方法实例.mp4.mp4[20.28M]
6-损失函数应用位置.mp4.mp4[20.35M]
5_项目实战-基于行人局部特征融合的再识别实战[709.55M]
10-得到所有分组特征结果.mp4.mp4[61.66M]
11-损失函数与训练过程演示.mp4.mp4[52.98M]
12-测试与验证模块.mp4.mp4[63.85M]
1-项目配置与数据集介绍.mp4.mp4[93.97M]
2-数据源构建方法分析.mp4.mp4[48.63M]
3-dataloader加载顺序解读.mp4.mp4[34.64M]
4-debug模式解读.mp4.mp4[101.46M]
5-网络计算整体流程演示.mp4.mp4[38.04M]
6-特征序列构建.mp4.mp4[50.69M]
7-GCP全局特征提取.mp4.mp4[47.43M]
8-局部特征提取实例.mp4.mp4[57.66M]
9-特征组合汇总.mp4.mp4[58.53M]
6_旷视研究院最新算法解读(基于图模型)[216.66M]
1-关键点位置特征构建.mp4.mp4[26.31M]
2-图卷积与匹配的作用.mp4.mp4[30.24M]
3-局部特征热度图计算.mp4.mp4[32.69M]
4-基于图卷积构建人体拓扑关系.mp4.mp4[39.22M]
5-图卷积模块实现方法.mp4.mp4[36.01M]
6-图匹配在行人重识别中的作用.mp4.mp4[21.09M]
7-整体算法框架分析.mp4.mp4[31.10M]
7_基于拓扑图的行人重识别项目实战[662.63M]
10-整体项目总结.mp4.mp4[88.47M]
1-数据集与环境配置概述.mp4.mp4[60.99M]
2-局部特征准备方法.mp4.mp4[58.67M]
3-得到一阶段热度图结果.mp4.mp4[51.54M]
4-阶段监督训练.mp4.mp4[95.56M]
5-初始化图卷积模型.mp4.mp4[46.02M]
6-mask矩阵的作用.mp4.mp4[46.54M]
7-邻接矩阵学习与更新.mp4.mp4[57.89M]
8-基于拓扑结构组合关键点特征.mp4.mp4[75.97M]
9-图匹配模块计算流程.mp4.mp4[80.98M]
16_对抗生成网络实战[3.87G]
1_课程介绍[35.44M]
课程介绍.mp4.mp4[35.44M]
2_对抗生成网络架构原理与实战解析[190.83M]
1-对抗生成网络通俗解释.mp4.mp4[23.10M]
2-GAN网络组成.mp4.mp4[15.10M]
3-损失函数解释说明.mp4.mp4[49.36M]
4-数据读取模块.mp4.mp4[36.74M]
5-生成与判别网络定义.mp4.mp4[66.54M]
3_基于CycleGan开源项目实战图像合成[454.04M]
10-额外补充:VISDOM可视化配置.mp4.mp4[45.47M]
1-CycleGan网络所需数据.mp4.mp4[43.50M]
2-CycleGan整体网络架构.mp4.mp4[30.28M]
3-PatchGan判别网络原理.mp4.mp4[15.81M]
4-Cycle开源项目简介.mp4.mp4[52.85M]
5-数据读取与预处理操作.mp4.mp4[59.70M]
6-生成网络模块构造.mp4.mp4[61.45M]
7-判别网络模块构造.mp4.mp4[24.42M]
8-损失函数:identityloss计算方法.mp4.mp4[45.02M]
9-生成与判别损失函数指定.mp4.mp4[75.54M]
4_stargan论文架构解析[391.73M]
1-stargan效果演示分析.mp4.mp4[40.01M]
2-网络架构整体思路解读.mp4.mp4[35.34M]
3-建模流程分析.mp4.mp4[56.52M]
4-V1版本存在的问题及后续改进思路.mp4.mp4[61.95M]
5-V2版本在整体网络架构.mp4.mp4[54.53M]
6-编码器训练方法.mp4.mp4[46.50M]
7-损失函数公式解析.mp4.mp4[57.29M]
8-训练过程分析.mp4.mp4[39.59M]
5_stargan项目实战及其源码解读[493.55M]
10-测试模块效果与实验分析.mp4.mp4[26.63M]
1-项目配置与数据源下载.mp4.mp4[26.29M]
2-测试效果演示.mp4.mp4[44.67M]
3-项目参数解析.mp4.mp4[33.82M]
4-生成器模块源码解读.mp4.mp4[62.42M]
5-所有网络模块构建实例.mp4.mp4[55.77M]
6-数据读取模块分析.mp4.mp4[60.89M]
7-判别器损失计算.mp4.mp4[40.72M]
8-损失计算详细过程.mp4.mp4[59.90M]
9-生成模块损失计算.mp4.mp4[82.44M]
6_基于starganvc2的变声器论文原理解读[389.60M]
1-论文整体思路与架构解读.mp4.mp4[42.24M]
2-VCC2016输入数据.mp4.mp4[28.44M]
3-语音特征提取.mp4.mp4[41.89M]
4-生成器模型架构分析.mp4.mp4[21.05M]
5-InstanceNorm的作用解读.mp4.mp4[26.06M]
6-AdaIn的目的与效果.mp4.mp4[17.71M]
7-判别器模块分析.mp4.mp4[212.19M]
7_starganvc2变声器项目实战及其源码解读[639.85M]
10-源码损失计算流程.mp4.mp4[38.24M]
11-测试模块-生成转换语音.mp4.mp4[55.14M]
1-数据与项目文件解读.mp4.mp4[29.60M]
2-环境配置与工具包安装.mp4.mp4[54.63M]
3-数据预处理与声音特征提取.mp4.mp4[125.95M]
4-生成器构造模块解读.mp4.mp4[50.54M]
5-下采样与上采样操作.mp4.mp4[43.21M]
6-starganvc2版本标签输入分析.mp4.mp4[47.72M]
7-生成器前向传播维度变化.mp4.mp4[33.52M]
8-判别器模块解读.mp4.mp4[45.21M]
9-论文损失函数.mp4.mp4[116.08M]
8_图像超分辨率重构实战[650.62M]
1-论文概述.mp4.mp4[59.92M]
2-网络架构.mp4.mp4[136.07M]
3-数据与环境配置.mp4.mp4[37.01M]
4-数据加载与配置.mp4.mp4[41.86M]
5-生成模块.mp4.mp4[56.78M]
6-判别模块.mp4.mp4[49.57M]
7-VGG特征提取网络.mp4.mp4[43.22M]
8-损失函数与训练.mp4.mp4[116.60M]
9-测试模块.mp4.mp4[109.59M]
9_基于GAN的图像补全实战[718.63M]
1-.论文概述.mp4.mp4[89.95M]
2-网络架构11.mp4.mp4[40.10M]
3-细节设计.mp4.mp4[76.78M]
4-论文总结.mp4.mp4[80.33M]
5-数据与项目概述.mp4.mp4[48.89M]
6-参数基本设计.mp4.mp4[83.54M]
7-网络结构配置.mp4.mp4[89.78M]
8-网络迭代训练.mp4.mp4[122.04M]
9-测试模块.mp4.mp4[87.23M]
17_强化学习实战系列[1.39G]
1_强化学习简介及其应用[149.01M]
1-一张图通俗解释强化学习.mp4.mp4[21.59M]
2-强化学习的指导依据.mp4.mp4[29.29M]
3-强化学习AI游戏DEMO.mp4.mp4[28.89M]
4-应用领域简介.mp4.mp4[23.18M]
5-强化学习工作流程.mp4.mp4[19.41M]
6-计算机眼中的状态与行为.mp4.mp4[26.63M]
2_PPO算法与公式推导[245.38M]
1-基本情况介绍.mp4.mp4[39.60M]
2-与环境交互得到所需数据.mp4.mp4[30.94M]
3-要完成的目标分析.mp4.mp4[33.24M]
4-策略梯度推导.mp4.mp4[29.92M]
5-baseline方法.mp4.mp4[18.05M]
6-OnPolicy与OffPolicy策略.mp4.mp4[27.34M]
7-importancesampling的作用.mp4.mp4[30.02M]
8-PPO算法整体思路解析.mp4.mp4[36.26M]
3_PPO实战-月球登陆器训练实例[265.13M]
1-Critic的作用与效果.mp4.mp4[42.59M]
2-PPO2版本公式解读.mp4.mp4[41.78M]
3-参数与网络结构定义.mp4.mp4[38.18M]
4-得到动作结果.mp4.mp4[36.02M]
5-奖励获得与计算.mp4.mp4[43.65M]
6-参数迭代与更新.mp4.mp4[62.91M]
4_Q-learning与DQN算法[133.63M]
1-算法原理通俗解读.mp4.mp4[29.79M]
2-目标函数与公式解析.mp4.mp4[32.57M]
3-Qlearning算法实例解读.mp4.mp4[21.47M]
4-Q值迭代求解.mp4.mp4[31.14M]
5-DQN简介.mp4.mp4[18.67M]
5_DQN算法实例演示[127.52M]
1-整体任务流程演示.mp4.mp4[25.41M]
2-探索与action获取.mp4.mp4[35.23M]
3-计算target值.mp4.mp4[27.33M]
4-训练与更新.mp4.mp4[39.55M]
6_DQN改进与应用技巧[116.21M]
1-DoubleDqn要解决的问题.mp4.mp4[23.36M]
2-DuelingDqn改进方法.mp4.mp4[24.44M]
3-Dueling整体网络架构分析.mp4.mp4[28.28M]
4-MultiSetp策略.mp4.mp4[9.74M]
5-连续动作处理方法.mp4.mp4[30.39M]
7_Actor-Critic算法分析(A3C)[124.54M]
1-AC算法回顾与知识点总结.mp4.mp4[23.42M]
2-优势函数解读与分析.mp4.mp4[26.76M]
3-计算流程实例.mp4.mp4[21.73M]
4-A3C整体架构分析.mp4.mp4[21.57M]
5-损失函数整理.mp4[31.05M]
8_用A3C玩转超级马里奥[259.80M]
1-整体流程与环境配置.mp4.mp4[31.88M]
2-启动游戏环境.mp4.mp4[37.50M]
3-要计算的指标回顾.mp4.mp4[45.19M]
4-初始化局部模型并加载参数.mp4.mp4[40.13M]
5-与环境交互得到训练数据.mp4.mp4[49.56M]
6-训练网络模型.mp4.mp4[55.53M]
18_面向医学领域的深度学习实战[5.48G]
1_卷积神经网络原理与参数解读[304.69M]
10-1VGG网络架构.mp4.mp4[24.92M]
11-1残差网络Resnet.mp4.mp4[25.78M]
1-1卷积神经网络应用领域.mp4.mp4[31.70M]
12-感受野的作用.mp4.mp4[18.88M]
2-1卷积的作用.mp4.mp4[32.36M]
3-1卷积特征值计算方法.mp4.mp4[29.86M]
4-1得到特征图表示.mp4.mp4[24.83M]
5-1步长与卷积核大小对结果的影响.mp4.mp4[27.95M]
6-1边缘填充方法.mp4.mp4[23.35M]
7-1特征图尺寸计算与参数共享.mp4.mp4[28.96M]
8-1池化层的作用.mp4.mp4[14.11M]
9-1整体网络架构.mp4.mp4[22.00M]
10_基于deeplab的心脏视频数据诊断分析[366.00M]
1-数据集与任务概述1.mp4.mp4[45.94M]
2-项目基本配置参数1.mp4.mp4[38.73M]
3-任务流程解读1.mp4.mp4[80.17M]
4-文献报告分析1.mp4.mp4[140.83M]
5-补充:视频数据源特征处理方法概述1.mp4.mp4[35.00M]
6-补充:R(2plus1)D处理方法分析1.mp4.mp4[25.33M]
11_YOLO系列物体检测算法原理解读[866.71M]
10-PAN模块解读.mp4.mp4[27.77M]
11-激活函数与整体架构总结.mp4.mp4[26.19M]
1-V2版本细节升级概述.mp4.mp4[16.87M]
1-V3版本改进概述.mp4.mp4[23.13M]
1-V4版本整体概述.mp4.mp4[18.20M]
1-YOLO算法整体思路解读.mp4.mp4[22.25M]
1-检测任务中阶段的意义.mp4.mp4[21.17M]
2-V4版本贡献解读.mp4.mp4[11.50M]
2-不同阶段算法优缺点分析.mp4.mp4[14.38M]
2-多scale方法改进与特征融合.mp4.mp4[24.63M]
2-检测算法要得到的结果.mp4.mp4[19.74M]
2-网络结构特点.mp4.mp4[22.30M]
3-IOU指标计算.mp4.mp4[16.60M]
3-架构细节解读.mp4.mp4[25.29M]
3-经典变换方法对比分析.mp4.mp4[15.52M]
3-数据增强策略分析.mp4.mp4[35.08M]
3-整体网络架构解读.mp4.mp4[44.01M]
4-DropBlock与标签平滑方法.mp4.mp4[26.44M]
4-残差连接方法解读.mp4.mp4[25.45M]
4-基于聚类来选择先验框尺寸.mp4.mp4[32.65M]
4-评估所需参数计算.mp4.mp4[35.92M]
4-位置损失计算.mp4.mp4[26.79M]
5-map指标计算.mp4.mp4[25.34M]
5-偏移量计算方法.mp4.mp4[38.80M]
5-损失函数遇到的问题.mp4.mp4[19.87M]
5-整体网络模型架构分析.mp4.mp4[16.77M]
5-置信度误差与优缺点分析.mp4.mp4[38.51M]
6-CIOU损失函数定义.mp4.mp4[13.11M]
6-先验框设计改进.mp4.mp4[19.31M]
6-坐标映射与还原.mp4.mp4[13.13M]
7-NMS细节改进.mp4.mp4[21.25M]
7-sotfmax层改进.mp4.mp4[14.47M]
7-感受野的作用.mp4.mp4[38.49M]
8-SPP与CSP网络结构.mp4.mp4[18.42M]
8-特征融合改进.mp4.mp4[27.50M]
9-SAM注意力机制模块.mp4.mp4[29.83M]
12_基于YOLO5细胞检测实战[210.47M]
1-任务与细胞数据集介绍.mp4.mp4[49.79M]
2-模型与算法配置参数解读.mp4.mp4[42.47M]
3-网络训练流程演示.mp4.mp4[42.34M]
4-效果评估与展示.mp4.mp4[32.65M]
5-细胞检测效果演示.mp4.mp4[43.21M]
13_知识图谱原理解读[356.33M]
1-数据关系抽取分析.mp4.mp4[27.31M]
1-知识图谱通俗解读.mp4.mp4[19.87M]
2-常用NLP技术点分析.mp4.mp4[22.09M]
2-知识图谱在搜索引擎中的应用.mp4.mp4[26.60M]
3-graph-embedding的作用与效果.mp4.mp4[26.15M]
3-知识图谱在医疗领域应用实例.mp4.mp4[102.89M]
4-金融领域图编码实例.mp4.mp4[12.77M]
4-金融与推荐领域的应用.mp4.mp4[20.39M]
5-视觉领域图编码实例.mp4.mp4[28.27M]
5-数据获取分析.mp4.mp4[35.93M]
6-图谱知识融合与总结分析.mp4.mp4[34.06M]
14_Neo4j数据库实战[224.64M]
1-Neo4j图数据库介绍.mp4.mp4[73.11M]
2-Neo4j数据库安装流程演示.mp4.mp4[32.94M]
3-可视化例子演示.mp4.mp4[49.71M]
4-创建与删除操作演示.mp4.mp4[32.66M]
5-数据库更改查询操作演示.mp4.mp4[36.23M]
15_基于知识图谱的医药问答系统实战[554.47M]
10-完成对话系统构建.mp4.mp4[53.38M]
1-项目概述与整体架构分析.mp4.mp4[44.42M]
2-医疗数据介绍及其各字段含义.mp4.mp4[72.20M]
3-任务流程概述.mp4.mp4[42.77M]
4-环境配置与所需工具包安装.mp4.mp4[41.89M]
5-数据获取分析.mp4.mp4[46.99M]
5-提取数据中的关键字段信息.mp4.mp4[61.38M]
6-创建关系边.mp4.mp4[44.72M]
7-打造医疗知识图谱模型.mp4.mp4[62.67M]
8-加载所有实体数据.mp4.mp4[44.49M]
9-实体关键词字典制作.mp4.mp4[39.55M]
16_词向量模型与RNN网络架构[142.90M]
2-1词向量模型通俗解释.mp4.mp4[21.72M]
3-1模型整体框架.mp4.mp4[28.24M]
4-1训练数据构建.mp4.mp4[15.85M]
5-1CBOW与Skip-gram模型.mp4.mp4[23.83M]
6-1负采样方案.mp4.mp4[29.51M]
额外补充-RNN网络模型解读.mp4.mp4[23.75M]
17_医学糖尿病数据命名实体识别[235.75M]
1-数据与任务介绍1.mp4.mp4[22.73M]
2-整体模型架构1.mp4.mp4[15.01M]
3-数据-标签-语料库处理1.mp4.mp4[39.99M]
4-输入样本填充补齐1.mp4.mp4[36.22M]
5-训练网络模型1.mp4.mp4[40.37M]
6-医疗数据集(糖尿病)实体识别1.mp4.mp4[81.44M]
2_PyTorch框架基本处理操作[348.10M]
1-PyTorch实战课程简介.mp4.mp4[23.18M]
2-PyTorch框架发展趋势简介1.mp4.mp4[34.61M]
3-框架安装方法(CPU与GPU版本)1.mp4.mp4[23.37M]
4-PyTorch基本操作简介1.mp4.mp4[38.66M]
5-自动求导机制.mp4.mp4[48.38M]
6线性回归DEMO-数据与参数配置1.mp4.mp4[31.18M]
7线性回归DEMO-训练回归模型1.mp4.mp4[52.42M]
8常见tensor格式1.mp4.mp4[27.84M]
9Hub模块简介1.mp4.mp4[68.46M]
3_PyTorch框架必备核心模块解读[775.84M]
10-加载训练好的网络模型1.mp4.mp4[59.85M]
11-优化器模块配置1.mp4.mp4[25.31M]
12-实现训练模块1.mp4.mp4[45.16M]
13-训练结果与模型保存1.mp4.mp4[57.83M]
14-加载模型对测试数据进行预测1.mp4.mp4[83.05M]
15-额外补充-Resnet论文解读1.mp4.mp4[159.04M]
16-额外补充-Resnet网络架构解读1.mp4.mp4[27.48M]
1-卷积网络参数定义1.mp4.mp4[34.30M]
2-网络流程解读1.mp4.mp4[62.22M]
3-Vision模块功能解读1.mp4.mp4[31.88M]
4-分类任务数据集定义与配置1.mp4.mp4[35.20M]
5-图像增强的作用1.mp4.mp4[14.58M]
6-数据预处理与数据增强模块1.mp4.mp4[48.76M]
7-Batch数据制作1.mp4.mp4[52.66M]
8-迁移学习的目标1.mp4.mp4[16.87M]
9-迁移学习策略1.mp4.mp4[21.64M]
4_基于Resnet的医学数据集分类实战[349.49M]
1-医学疾病数据集介绍.mp4.mp4[26.43M]
2-Resnet网络架构原理分析.mp4.mp4[36.83M]
3-dataloader加载数据集.mp4.mp4[70.28M]
4-Resnet网络前向传播.mp4.mp4[41.95M]
5-残差网络的shortcut操作.mp4.mp4[54.52M]
6-特征图升维与降采样操作.mp4.mp4[36.66M]
7-网络整体流程与训练演示.mp4.mp4[82.82M]
5_图像分割及其损失函数概述[66.09M]
1-语义分割与实例分割概述.mp4.mp4[27.44M]
2-分割任务中的目标函数定义.mp4.mp4[25.87M]
3-MIOU评估标准.mp4.mp4[12.78M]
6_Unet系列算法讲解[92.35M]
1-Unet网络编码与解码过程.mp4.mp4[24.27M]
2-网络计算流程1.mp4.mp4[21.17M]
3-Unet升级版本改进1.mp4.mp4[21.46M]
4-后续升级版本介绍1.mp4.mp4[25.45M]
7_unet医学细胞分割实战[305.14M]
1-医学细胞数据集介绍与参数配置.mp4.mp4[70.13M]
2-数据增强工具.mp4.mp4[65.21M]
3-Debug模式演示网络计算流程.mp4.mp4[51.13M]
4-特征融合方法演示.mp4.mp4[35.95M]
5-迭代完成整个模型计算任务.mp4.mp4[43.14M]
6-模型效果验证.mp4.mp4[39.57M]
8_deeplab系列算法[142.90M]
1-deeplab分割算法概述.mp4.mp4[19.15M]
2-空洞卷积的作用.mp4.mp4[21.17M]
3-感受野的意义.mp4.mp4[26.43M]
4-SPP层的作用.mp4.mp4[25.97M]
5-ASPP特征融合策略.mp4.mp4[17.01M]
6-deeplabV3Plus版本网络架构.mp4.mp4[33.17M]
9_基于deeplabV3+版本进行VOC分割实战[271.48M]
1-PascalVoc数据集介绍.mp4.mp4[56.87M]
2-项目参数与数据集读取.mp4.mp4[69.80M]
3-网络前向传播流程.mp4.mp4[39.57M]
4-ASPP层特征融合.mp4.mp4[61.87M]
5-分割模型训练.mp4.mp4[43.37M]
19_深度学习模型部署与剪枝优化实战[1.67G]
3_pyTorch框架部署实践[187.21M]
0-课程简介12.mp4.mp4[9.48M]
1-所需基本环境配置.mp4.mp4[27.80M]
2-模型加载与数据预处理.mp4.mp4[46.47M]
3-接收与预测模块实现.mp4.mp4[48.73M]
4-效果实例演示.mp4.mp4[54.72M]
4_YOLO-V3物体检测部署实例[196.29M]
1-项目所需配置文件介绍.mp4.mp4[33.91M]
2-加载参数与模型权重.mp4.mp4[46.17M]
3-数据预处理.mp4.mp4[60.81M]
4-返回线性预测结果.mp4.mp4[55.39M]
5_docker实例演示[300.82M]
1-docker简介.mp4.mp4[21.46M]
2-docker安装与配置.mp4.mp4[60.96M]
3-阿里云镜像配置.mp4.mp4[32.44M]
4-基于docker配置pytorch环境.mp4.mp4[49.23M]
5-安装演示环境所需依赖.mp4.mp4[41.19M]
6-复制所需配置到容器中.mp4.mp4[36.31M]
7-上传与下载配置好的项目.mp4.mp4[59.24M]
6_tensorflow-serving实战[209.43M]
1-tf-serving项目获取与配置.mp4.mp4[34.83M]
2-加载并启动模型服务.mp4.mp4[41.24M]
3-测试模型部署效果.mp4.mp4[56.19M]
4-fashion数据集获取.mp4.mp4[42.80M]
5-加载fashion模型启动服务.mp4.mp4[34.36M]
7_模型剪枝-NetworkSlimming算法分析[138.10M]
1-论文算法核心框架概述.mp4.mp4[26.10M]
2-BatchNorm要解决的问题.mp4.mp4[24.77M]
3-BN的本质作用.mp4.mp4[26.75M]
4-额外的训练参数解读.mp4.mp4[27.23M]
5-稀疏化原理与效果.mp4.mp4[33.25M]
8_模型剪枝-NetworkSlimming实战解读[274.95M]
1-整体案例流程解读.mp4.mp4[47.00M]
2-加入L1正则化来进行更新.mp4.mp4[34.44M]
3-剪枝模块介绍.mp4.mp4[35.25M]
4-筛选需要的特征图.mp4.mp4[41.22M]
5-剪枝后模型参数赋值.mp4.mp4[62.52M]
6-微调完成剪枝模型.mp4.mp4[54.52M]
9_Mobilenet三代网络模型架构[407.07M]
10-V2整体架构与效果分析.mp4.mp4[14.75M]
11-V3版本网络架构分析.mp4.mp4[15.31M]
12-SE模块作用与效果解读.mp4.mp4[45.76M]
13-代码实现mobilenetV3网络架构.mp4.mp4[87.43M]
1-模型剪枝分析.mp4.mp4[27.39M]
2-常见剪枝方法介绍.mp4.mp4[28.84M]
3-mobilenet简介.mp4.mp4[11.48M]
4-经典卷积计算量与参数量分析.mp4.mp4[18.17M]
5-深度可分离卷积的作用与效果.mp4.mp4[19.23M]
6-参数与计算量的比较.mp4.mp4[56.10M]
7-V1版本效果分析.mp4.mp4[34.52M]
8-V2版本改进以及Relu激活函数的问题.mp4.mp4[26.49M]
9-倒残差结构的作用.mp4.mp4[21.59M]
2_深度学习必备核心算法[1.33G]
1_神经网络算法解读[589.67M]
1-神经网络算法解读.mp4[589.67M]
2_卷积神经网络算法解读[432.74M]
2-卷积神经网络算法解读.mp4[432.74M]
3_递归神经网络算法解读[336.06M]
3-递归神经网络算法解读.mp4[336.06M]
20_自然语言处理经典案例实战[3.78G]
20_自然语言处理经典案例实战.zip[3.78G]
21_自然语言处理通用框架-BERT实战[2.99G]
21_自然语言处理通用框架-BERT实战.zip[2.99G]
22_知识图谱实战系列[2.08G]
22_知识图谱实战系列.zip[2.08G]
23_语音识别实战系列[2.35G]
23_语音识别实战系列.zip[2.35G]
24_推荐系统实战系列[3.51G]
24_推荐系统实战系列.zip[3.51G]
3_深度学习核心框架PyTorch[1.99G]
1_PyTorch框架介绍与配置安装[133.81M]
1-PyTorch框架与其他框架区别分析1.mp4.mp4[33.24M]
2-CPU与GPU版本安装方法解读1.mp4.mp4[100.57M]
2_使用神经网络进行分类任务[334.09M]
1-数据集与任务概述2.mp4.mp4[43.34M]
2-基本模块应用测试2.mp4.mp4[47.62M]
3-网络结构定义方法2.mp4.mp4[55.60M]
4-数据源定义简介2.mp4.mp4[38.98M]
5-损失与训练模块分析2.mp4.mp4[42.31M]
6-训练一个基本的分类模型2.mp4.mp4[54.59M]
7-参数对结果的影响2.mp4.mp4[51.65M]
3_神经网络回归任务-气温预测[198.56M]
神经网络回归任务-气温预测1.mp4.mp4[198.56M]
4_卷积网络参数解读分析[129.09M]
1-输入特征通道分析2.mp4.mp4[42.48M]
2-卷积网络参数解读2.mp4.mp4[31.46M]
3-卷积网络模型训练2.mp4.mp4[55.14M]
5_图像识别模型与训练策略(重点)[553.46M]
10-测试结果演示分析1.mp4.mp4[110.98M]
1-任务分析与图像数据基本处理2.mp4.mp4[41.62M]
2-数据增强模块2.mp4.mp4[40.50M]
3-数据集与模型选择1.mp4.mp4[45.32M]
4-迁移学习方法解读1.mp4.mp4[44.66M]
5-输出层与梯度设置1.mp4.mp4[61.42M]
6-输出类别个数修改1.mp4.mp4[49.06M]
7-优化器与学习率衰减1.mp4.mp4[52.48M]
8-模型训练方法1.mp4.mp4[52.60M]
9-重新训练全部模型1.mp4.mp4[54.81M]
6_DataLoader自定义数据集制作[212.96M]
1-Dataloader要完成的任务分析1.mp4.mp4[39.20M]
2-图像数据与标签路径处理1.mp4.mp4[48.98M]
3-Dataloader中需要实现的方法分析1.mp4.mp4[46.95M]
4-实用Dataloader加载数据并训练模型1.mp4.mp4[77.82M]
7_LSTM文本分类实战[371.56M]
1-数据集与任务目标分析1.mp4.mp4[52.81M]
2-文本数据处理基本流程分析1.mp4.mp4[55.97M]
3-命令行参数与DEBUG1.mp4.mp4[36.52M]
4-训练模型所需基本配置参数分析1.mp4.mp4[40.92M]
5-预料表与字符切分1.mp4.mp4[31.98M]
6-字符预处理转换ID1.mp4.mp4[34.37M]
7-LSTM网络结构基本定义1.mp4.mp4[34.73M]
8-网络模型预测结果输出1.mp4.mp4[39.11M]
9-模型训练任务与总结1.mp4.mp4[45.16M]
8_PyTorch框架Flask部署例子[108.20M]
1-基本结构与训练好的模型加载.mp4.mp4[21.02M]
2-服务端处理与预测函数.mp4.mp4[40.92M]
3-基于Flask测试模型预测结果.mp4.mp4[46.26M]
4_MMLAB实战系列[5.91G]
1_MMCV安装方法[55.75M]
MMCV安装方法.mp4[55.75M]
10_第四模块:DBNET文字检测[229.84M]
1-文字检测数据概述与配置文件.mp4.mp4[56.60M]
2-配置文件参数设置.mp4.mp4[38.74M]
3-Neck层特征组合.mp4.mp4[32.04M]
4-损失函数模块概述.mp4.mp4[43.11M]
5-损失计算方法.mp4.mp4[59.35M]
11_第四模块:ANINET文字识别[380.24M]
1-数据集与环境概述.mp4.mp4[55.58M]
2-配置文件修改方法.mp4.mp4[52.49M]
3-Bakbone模块得到特征.mp4.mp4[42.10M]
4-视觉Transformer模块的作用.mp4.mp4[45.97M]
5-视觉模型中的编码与解码的效果.mp4.mp4[54.49M]
6-文本模型中的结构分析.mp4.mp4[38.66M]
7-迭代修正模块.mp4.mp4[38.14M]
8-输出层与损失计算.mp4.mp4[52.81M]
12_第四模块:KIE基于图模型的关键信息抽取[418.00M]
1-配置文件以及要完成的任务解读.mp4.mp4[51.55M]
2-KIE数据集格式调整方法.mp4.mp4[69.46M]
3-配置文件与标签要进行处理操作.mp4.mp4[47.83M]
4-边框要计算的特征分析.mp4.mp4[35.57M]
5-标签数据处理与关系特征提取.mp4.mp4[56.48M]
6-特征合并处理.mp4.mp4[43.74M]
7-准备拼接边与点特征.mp4.mp4[41.38M]
8-整合得到图模型输入特征.mp4.mp4[71.98M]
12_第五模块:stylegan2源码解读[286.06M]
1-要完成的任务与基本思想概述.mp4.mp4[57.79M]
2-得到style特征编码.mp4.mp4[69.51M]
3-特征编码风格拼接.mp4.mp4[36.76M]
4-基础风格特征卷积模块.mp4.mp4[54.69M]
5-上采样得到输出结果.mp4.mp4[40.75M]
6-损失函数概述.mp4.mp4[26.56M]
13_第六模块:BasicVSR++视频超分辨重构源码解读[442.21M]
10-传播流程整体完成一圈.mp4[61.55M]
11-完成输出结果.mp4.mp4[51.56M]
1-要完成的任务分析与配置文件.mp4.mp4[27.36M]
2-特征基础提取模块.mp4[44.58M]
3-光流估计网络模块.mp4[25.67M]
4-基于光流完成对齐操作.mp4[40.23M]
5-偏移量计算方法1.mp4.mp4[32.48M]
6-双向计算特征对齐.mp4[36.97M]
7-提特征传递流程分析.mp4[37.23M]
8-序列传播计算.mp4[39.88M]
9-准备变形卷积模块的输入.mp4.mp4[44.71M]
14_第七模块:多模态3D目标检测算法源码解读[672.25M]
10-3D卷积特征融合.mp4[56.76M]
11-输出层预测结果.mp4[80.80M]
1-环境配置与数据集概述.mp4[51.52M]
2-数据与标注文件介绍.mp4[37.49M]
3-基本流程梳理并进入debug模式.mp4[50.33M]
4-数据与图像特征提取模块.mp4[58.02M]
5-体素索引位置获取.mp4.mp4[64.72M]
6-体素特征提取方法解读.mp4[37.57M]
7-体素特征计算方法分析.mp4[70.71M]
8-全局体素特征提取.mp4[95.96M]
9-多模态特征融合.mp4[68.36M]
15_第八模块:模型蒸馏应用实例[368.79M]
1-任务概述与工具使用.mp4[39.64M]
2-Teacher与Student网络结构定义.mp4[46.25M]
3-训练T与S得到蒸馏模型.mp4[70.63M]
4-开始模型训练过程与问题修正.mp4[57.26M]
5-日志输出与模型分离.mp4[70.25M]
6-分别得到Teacher与Student模型.mp4[45.74M]
7-实际测试效果演示.mp4[39.02M]
16_第八模块:模型剪枝方法概述分析[87.41M]
1-SuperNet网络结构分析与剪枝概述.mp4[40.58M]
2-搜索匹配到符合计算量的模型并训练.mp4[46.83M]
17_第九模块:mmaction行为识别[232.73M]
创建自己的行为识别标注数据集.mp4[232.73M]
18_额外补充[122.48M]
在源码中加入各种注意力机制方法.mp4[122.48M]
2_第一模块:分类任务基本操作[266.46M]
1-准备MMCLS项目.mp4[32.26M]
2-基本参数配置解读.mp4[34.52M]
3-各模块配置文件组成.mp4[35.81M]
4-生成完整配置文件.mp4[24.45M]
5-根据文件夹定义数据集.mp4[40.27M]
6-构建自己的数据集.mp4[36.33M]
7-训练自己的任务.mp4[39.32M]
MMCLS问题修正1.mp4[23.50M]
3_第一模块:训练结果测试与验证[494.59M]
1-测试DEMO效果.mp4[25.49M]
2-测试评估模型效果.mp4[27.58M]
3-MMCLS中增加一个新的模块.mp4[62.61M]
4-修改配置文件中的参数.mp4[67.72M]
5-数据增强流程可视化展示.mp4[37.40M]
6-Grad-Cam可视化方法.mp4[41.17M]
7-可视化细节与效果分析.mp4[124.19M]
8-MMCLS可视化模块应用.mp4[72.07M]
9-模型分析脚本使用.mp4[36.37M]
4_第一模块:模型源码DEBUG演示[187.75M]
1-VIT任务概述.mp4[29.96M]
2-数据增强模块概述分析.mp4[49.58M]
3-PatchEmbedding层.mp4[25.30M]
4-前向传播基本模块.mp4[38.87M]
5-CLS与输出模块.mp4[44.04M]
5_第二模块:使用分割模块训练自己的数据集[278.96M]
1-项目配置基本介绍.mp4[74.23M]
2-数据集标注与制作方法.mp4[56.84M]
3-跟别预测类别数修改配置文件.mp4[39.48M]
4-加载预训练模型开始训练.mp4[86.52M]
5-预测DEMO演示.mp4[21.88M]
6_第二模块:基于Unet进行各种策略修改[232.64M]
1-配置文件解读.mp4[32.12M]
2-编码层模块.mp4[32.47M]
3-上采样与输出层.mp4[28.25M]
4-辅助层的作用.mp4[19.83M]
5-给Unet添加一个neck层.mp4[30.37M]
6-如何修改参数适配网络结构.mp4[21.73M]
7-将Unet特征提取模块替换成transformer.mp4[22.41M]
8-VIT模块源码分析.mp4[45.48M]
7_第二模块:分割任务CVPR最新Backbone设计及其应用[501.96M]
10-汇总多层级特征进行输出.mp4.mp4[43.35M]
1-注册自己的Backbone模块.mp4.mp4[34.30M]
2-配置文件指定.mp4.mp4[35.84M]
3-DEBUG解读Backbone设计.mp4.mp4[40.45M]
4-PatchEmbedding的作用与实现.mp4.mp4[44.88M]
5-卷积位置编码计算方法.mp4.mp4[53.89M]
6-近似Attention模块实现.mp4.mp4[79.49M]
7-完成特征提取与融合模块.mp4.mp4[55.69M]
8-分割任务输出模块.mp4.mp4[57.72M]
9-全局特征的作用与实现.mp4.mp4[56.34M]
8_第三模块:mmdet训练自己的数据任务[326.60M]
1-数据集标注与标签获取.mp4.mp4[31.35M]
2-COCO数据标注格式.mp4.mp4[28.16M]
3-通过脚本生成COCO数据格式.mp4.mp4[38.55M]
4-配置文件数据增强策略分析.mp4.mp4[45.59M]
5-训练所需配置说明.mp4.mp4[56.00M]
6-模型训练与DEMO演示.mp4.mp4[35.27M]
7-模型测试与可视化分析模块.mp4.mp4[77.61M]
8-补充:评估指标.mp4.mp4[14.06M]
9_第三模块:DeformableDetr物体检测源码分析[466.41M]
10-分类与回归输出模块.mp4[49.72M]
11-预测输出结果与标签匹配模块.mp4[44.31M]
1-特征提取与位置编码.mp4[38.16M]
2-序列特征展开并叠加.mp4[51.07M]
3-得到相对位置点编码.mp4[28.80M]
4-准备Encoder编码层所需全部输入.mp4[37.91M]
5-编码层中的序列分析.mp4[39.73M]
6-偏移量offset计算.mp4[46.09M]
7-偏移量对齐操作.mp4[39.80M]
8-Encoder层完成特征对齐.mp4[51.84M]
9-Decoder要完成的操作.mp4[38.98M]
5_Opencv图像处理框架实战[3.48G]
1_课程简介与环境配置[123.05M]
0-课程简介2.mp4.mp4[5.37M]
2-Notebook与IDE环境.mp4.mp4[84.39M]
2-Python与Opencv配置安装.mp4.mp4[33.28M]
10_项目实战-文档扫描OCR识别[178.50M]
1-整体流程演示.mp4.mp4[21.50M]
2-文档轮廓提取.mp4.mp4[27.81M]
3-原始与变换坐标计算.mp4.mp4[26.24M]
4-透视变换结果.mp4.mp4[32.87M]
5-tesseract-ocr安装配置.mp4.mp4[41.23M]
6-文档扫描识别效果.mp4.mp4[28.86M]
11_图像特征-harris[152.16M]
1-角点检测基本原理.mp4.mp4[15.53M]
2-基本数学原理.mp4.mp4[30.58M]
3-求解化简.mp4.mp4[31.79M]
4-特征归属划分.mp4.mp4[43.23M]
5-opencv角点检测效果.mp4.mp4[31.04M]
12_图像特征-sift[187.06M]
1-尺度空间定义.mp4.mp4[20.04M]
2-高斯差分金字塔.mp4.mp4[21.68M]
3-特征关键点定位.mp4.mp4[48.15M]
4-生成特征描述.mp4.mp4[24.66M]
5-特征向量生成.mp4.mp4[43.73M]
6-opencv中sift函数使用.mp4.mp4[28.80M]
13_案例实战-全景图像拼接[129.68M]
1-特征匹配方法.mp4.mp4[28.56M]
2-RANSAC算法.mp4.mp4[34.50M]
2-图像拼接方法.mp4.mp4[44.96M]
4-流程解读.mp4.mp4[21.65M]
14_项目实战-停车场车位识别[553.88M]
1-任务整体流程.mp4.mp4[71.40M]
2-所需数据介绍.mp4.mp4[34.31M]
3-图像数据预处理.mp4.mp4[56.75M]
4-车位直线检测.mp4.mp4[61.44M]
5-按列划分区域.mp4.mp4[54.67M]
6-车位区域划分.mp4.mp4[57.33M]
7-识别模型构建.mp4(1).mp4[41.19M]
7-识别模型构建.mp4.mp4[41.19M]
8-基于视频的车位检测.mp4.mp4[135.61M]
15_项目实战-答题卡识别判卷[136.35M]
1-整体流程与效果概述.mp4.mp4[29.49M]
2-预处理操作.mp4.mp4[24.08M]
3-填涂轮廓检测.mp4.mp4[25.66M]
4-选项判断识别.mp4.mp4[57.12M]
16_背景建模[130.10M]
1-背景消除-帧差法.mp4.mp4[20.79M]
2-混合高斯模型.mp4.mp4[26.39M]
3-学习步骤.mp4.mp4[31.75M]
4-背景建模实战.mp4.mp4[51.17M]
17_光流估计[130.04M]
1-基本概念.mp4.mp4[20.20M]
2-Lucas-Kanade算法.mp4.mp4[19.67M]
3-推导求解.mp4.mp4[25.94M]
4-光流估计实战.mp4.mp4[64.22M]
18_Opencv的DNN模块[69.09M]
1-dnn模块.mp4.mp4[28.59M]
2-模型加载结果输出.mp4.mp4[40.50M]
19_项目实战-目标追踪[304.87M]
1-目标追踪概述.mp4.mp4[49.75M]
2-多目标追踪实战.mp4.mp4[34.62M]
3-深度学习检测框架加载.mp4.mp4[43.62M]
4-基于dlib与ssd的追踪.mp4.mp4[73.02M]
5-多进程目标追踪.mp4.mp4[25.72M]
6-多进程效率提升对比.mp4.mp4[78.13M]
2_图像基本操作[154.72M]
1-计算机眼中的图像.mp4.mp4[30.88M]
2-视频的读取与处理.mp4.mp4[46.97M]
3-ROI区域.mp4.mp4[15.37M]
4-边界填充.mp4.mp4[21.46M]
5-数值计算.mp4.mp4[40.04M]
20_卷积原理与操作[211.74M]
1-卷积神经网络的应用.mp4.mp4[36.18M]
1-卷积效果演示.mp4.mp4[24.58M]
2-卷积操作流程.mp4.mp4[41.15M]
2-卷积层解释.mp4.mp4[22.31M]
3-卷积计算过程.mp4.mp4[27.61M]
4-pading与stride.mp4.mp4[26.12M]
5-卷积参数共享.mp4.mp4[17.69M]
6-池化层原理.mp4.mp4[16.09M]
21_项目实战-疲劳检测[221.63M]
1-关键点定位概述.mp4.mp4[28.45M]
2-获取人脸关键点.mp4.mp4[36.07M]
3-定位效果演示.mp4.mp4[45.43M]
4-闭眼检测.mp4.mp4[71.07M]
5-检测效果.mp4.mp4[40.60M]
3_阈值与平滑处理[76.02M]
1-图像平滑处理.mp4.mp4[24.69M]
2-高斯与中值滤波.mp4.mp4[20.55M]
图像阈值.mp4.mp4[30.78M]
4_图像形态学操作[66.29M]
1-腐蚀操作.mp4.mp4[20.99M]
2-膨胀操作.mp4.mp4[12.25M]
3-开运算与闭运算.mp4.mp4[9.32M]
4-梯度计算.mp4.mp4[7.85M]
5-礼帽与黑帽.mp4.mp4[15.88M]
5_图像梯度计算[84.69M]
1-Sobel算子.mp4.mp4[27.00M]
2-梯度计算方法.mp4.mp4[30.29M]
3-scharr与lapkacian算子.mp4.mp4[27.39M]
6_边缘检测[73.92M]
1-Canny边缘检测流程.mp4.mp4[18.97M]
2-非极大值抑制.mp4.mp4[18.32M]
3-边缘检测效果.mp4.mp4[36.63M]
666JAVA下载必看[44.05M]
看看我【www.】.zip[14.66M]
课程总结.mp4[14.73M]
面试合集.txt[0.18K]
软件下载.txt[0.15K]
下载必看.txt[0.16K]
资料2.zip[14.66M]
7_图像金字塔与轮廓检测[204.83M]
1-轮廓检测方法.mp4.mp4[19.31M]
1-模板匹配方法.mp4.mp4[47.35M]
1-图像金字塔定义.mp4.mp4[19.68M]
2-金字塔制作方法.mp4.mp4[25.47M]
2-轮廓检测结果.mp4.mp4[34.37M]
2-匹配效果展示.mp4.mp4[21.14M]
3-轮廓特征与近似.mp4.mp4[37.51M]
8_直方图与傅里叶变换[174.59M]
1-傅里叶概述.mp4.mp4[38.79M]
1-直方图定义.mp4.mp4[23.64M]
2-均衡化原理.mp4.mp4[31.35M]
2-频域变换结果.mp4.mp4[26.26M]
3-低通与高通滤波.mp4.mp4[27.34M]
3-均衡化效果.mp4.mp4[27.21M]
9_项目实战-信用卡数字识别[155.79M]
2-环境配置与预处理.mp4.mp4[34.85M]
3-模板处理方法.mp4.mp4[23.69M]
4-输入数据处理方法.mp4.mp4[28.88M]
5-模板匹配得出识别结果.mp4.mp4[47.72M]
总体流程与方法讲解.mp4.mp4[20.65M]
6_综合项目-物体检测经典算法实战[3.85G]
1_深度学习经典检测方法概述[83.42M]
1-检测任务中阶段的意义.mp4.mp4[15.14M]
2-不同阶段算法优缺点分析.mp4.mp4[10.68M]
3-IOU指标计算.mp4.mp4[11.74M]
4-评估所需参数计算.mp4.mp4[26.23M]
5-map指标计算.mp4.mp4[19.63M]
10_EfficientNet网络[538.47M]
第八课:EfficientNet网络模型.mp4.mp4[538.47M]
11_EfficientDet检测算法[448.01M]
第十一章:EfficientDet检测算法.mp4.mp4[448.01M]
12_基于Transformer的detr目标检测算法[120.21M]
1-DETR目标检测基本思想解读.mp4.mp4[19.35M]
2-整体网络架构分析.mp4.mp4[31.64M]
3-位置信息初始化query向量.mp4.mp4[19.97M]
4-注意力机制的作用方法.mp4.mp4[20.85M]
5-训练过程的策略.mp4.mp4[28.41M]
13_detr目标检测源码解读[378.31M]
1-项目环境配置解读.mp4.mp4[40.42M]
2-数据处理与dataloader.mp4.mp4[64.11M]
3-位置编码作用分析.mp4.mp4[47.95M]
4-backbone特征提取模块.mp4.mp4[35.62M]
5-mask与编码模块.mp4.mp4[34.75M]
6-编码层作用方法.mp4.mp4[42.86M]
7-Decoder层操作与计算.mp4.mp4[30.15M]
8-输出预测结果.mp4.mp4[41.28M]
9-损失函数与预测输出.mp4.mp4[41.18M]
2_YOLO-V1整体思想与网络架构[104.81M]
2-检测算法要得到的结果.mp4.mp4[13.63M]
3-整体网络架构解读.mp4.mp4[30.67M]
4-位置损失计算.mp4.mp4[18.97M]
5-置信度误差与优缺点分析.mp4.mp4[26.86M]
YOLO算法整体思路解读.mp4.mp4[14.68M]
3_YOLO-V2改进细节详解[157.17M]
2-网络结构特点.mp4.mp4[15.69M]
3-架构细节解读.mp4.mp4[18.92M]
4-基于聚类来选择先验框尺寸.mp4.mp4[24.24M]
5-偏移量计算方法.mp4.mp4[27.55M]
6-坐标映射与还原.mp4.mp4[10.08M]
7-感受野的作用.mp4.mp4[28.11M]
8-特征融合改进.mp4.mp4[19.20M]
V2版本细节升级概述.mp4.mp4[13.38M]
4_YOLO-V3核心网络模型[101.39M]
1-V3版本改进概述.mp4.mp4[18.27M]
2-多scale方法改进与特征融合.mp4.mp4[17.07M]
3-经典变换方法对比分析.mp4.mp4[10.83M]
4-残差连接方法解读.mp4.mp4[18.64M]
5-整体网络模型架构分析.mp4.mp4[12.93M]
6-先验框设计改进.mp4.mp4[13.04M]
7-sotfmax层改进.mp4.mp4[10.61M]
5_项目实战-基于V3版本进行源码解读[630.33M]
10-网格偏移计算.mp4.mp4[33.92M]
11-模型要计算的损失概述.mp4.mp4[23.14M]
12-标签值格式修改.mp4.mp4[28.27M]
13-坐标相对位置计算.mp4.mp4[32.80M]
14-完成所有损失函数所需计算指标.mp4.mp4[35.32M]
15-模型训练与总结.mp4.mp4[72.91M]
16-预测效果展示.mp4.mp4[34.51M]
1-数据与环境配置.mp4.mp4[65.52M]
2-训练参数设置.mp4.mp4[23.85M]
3-数据与标签读取.mp4.mp4[42.51M]
4-标签文件读取与处理.mp4.mp4[27.48M]
5-debug模式介绍.mp4.mp4[27.25M]
6-基于配置文件构建网络模型.mp4.mp4[42.04M]
7-路由层与shortcut层的作用.mp4.mp4[33.72M]
8-YOLO层定义解析.mp4.mp4[61.09M]
9-预测结果计算.mp4.mp4[46.00M]
6_基于YOLO-V3训练自己的数据集与任务[258.67M]
1-Labelme工具安装.mp4.mp4[14.29M]
2-数据信息标注.mp4.mp4[32.09M]
3-完成标签制作.mp4.mp4[31.74M]
4-生成模型所需配置文件.mp4.mp4[36.71M]
5-json格式转换成yolo-v3所需输入.mp4.mp4[20.95M]
6-完成输入数据准备工作.mp4.mp4[40.10M]
7-训练代码与参数配置更改.mp4.mp4[44.29M]
8-训练模型并测试效果.mp4.mp4[38.49M]
7_YOLO-V4版本算法解读[188.03M]
10-PAN模块解读.mp4.mp4[20.64M]
11-激活函数与整体架构总结.mp4.mp4[19.19M]
1-V4版本整体概述.mp4.mp4[15.06M]
2-V4版本贡献解读.mp4.mp4[10.06M]
3-数据增强策略分析.mp4.mp4[24.70M]
4-DropBlock与标签平滑方法.mp4.mp4[19.36M]
5-损失函数遇到的问题.mp4.mp4[14.26M]
6-CIOU损失函数定义.mp4.mp4[10.82M]
7-NMS细节改进.mp4.mp4[16.66M]
8-SPP与CSP网络结构.mp4.mp4[14.81M]
9-SAM注意力机制模块.mp4.mp4[22.48M]
8_V5版本项目配置[179.04M]
1-整体项目概述.mp4.mp4[35.77M]
2-训练自己的数据集方法.mp4.mp4[41.32M]
3-训练数据参数配置.mp4.mp4[51.48M]
4-测试DEMO演示.mp4.mp4[50.47M]
9_V5项目工程源码解读[751.76M]
10-完成配置文件解析任务.mp4.mp4[58.80M]
11-前向传播计算.mp4.mp4[30.80M]
12-BottleneckCSP层计算方法.mp4.mp4[33.82M]
13-1SPP层计算细节分析.mp4.mp4[29.17M]
13-Head层流程解读.mp4.mp4[29.12M]
14-上采样与拼接操作.mp4.mp4[21.48M]
15-输出结果分析.mp4.mp4[41.71M]
16-超参数解读.mp4.mp4[34.94M]
17-命令行参数介绍.mp4.mp4[44.26M]
18-训练流程解读.mp4.mp4[46.81M]
19-各种训练策略概述.mp4.mp4[38.43M]
1-数据源DEBUG流程解读.mp4.mp4[48.13M]
20-模型迭代过程.mp4.mp4[38.42M]
2-图像数据源配置.mp4.mp4[34.65M]
3-加载标签数据.mp4.mp4[26.33M]
4-Mosaic数据增强方法.mp4.mp4[28.19M]
5-数据四合一方法与流程演示.mp4.mp4[41.69M]
6-getItem构建batch.mp4.mp4[33.03M]
7-网络架构图可视化工具安装.mp4.mp4[34.33M]
8-V5网络配置文件解读.mp4.mp4[35.74M]
9-Focus模块流程分析.mp4.mp4[21.93M]
7_图像分割实战[2.28G]
1_图像分割及其损失函数概述[49.27M]
1-语义分割与实例分割概述.mp4.mp4[20.24M]
2-分割任务中的目标函数定义.mp4.mp4[20.00M]
3-MIOU评估标准.mp4.mp4[9.03M]
10_MaskRcnn网络框架源码详解[380.35M]
10-RoiPooling层的作用与目的.mp4.mp4[33.45M]
11-RorAlign操作的效果.mp4.mp4[25.70M]
12-整体框架回顾.mp4.mp4[28.86M]
1-FPN层特征提取原理解读.mp4.mp4[42.31M]
2-FPN网络架构实现解读.mp4.mp4[55.77M]
3-生成框比例设置.mp4.mp4[28.25M]
4-基于不同尺度特征图生成所有框.mp4.mp4[32.93M]
5-RPN层的作用与实现解读.mp4.mp4[30.90M]
6-候选框过滤方法.mp4.mp4[15.59M]
7-Proposal层实现方法.mp4.mp4[33.31M]
8-DetectionTarget层的作用.mp4.mp4[25.70M]
9-正负样本选择与标签定义.mp4.mp4[27.59M]
11_基于MASK-RCNN框架训练自己的数据与任务[209.07M]
1-Labelme工具安装.mp4.mp4[14.29M]
2-使用labelme进行数据与标签标注.mp4.mp4[26.29M]
3-完成训练数据准备工作.mp4.mp4[26.61M]
4-maskrcnn源码修改方法.mp4.mp4[63.56M]
5-基于标注数据训练所需任务.mp4.mp4[39.72M]
6-测试与展示模块.mp4.mp4[38.60M]
2_卷积神经网络原理与参数解读[224.97M]
10-VGG网络架构.mp4.mp4[19.34M]
11-残差网络Resnet.mp4.mp4[18.02M]
12-感受野的作用.mp4.mp4[16.86M]
1-卷积神经网络应用领域.mp4.mp4[21.20M]
2-卷积的作用.mp4.mp4[22.67M]
3-卷积特征值计算方法.mp4.mp4[21.23M]
4-得到特征图表示.mp4.mp4[18.23M]
5-步长与卷积核大小对结果的影响.mp4.mp4[19.86M]
6-边缘填充方法.mp4.mp4[17.28M]
7-特征图尺寸计算与参数共享.mp4.mp4[21.99M]
8-池化层的作用.mp4.mp4[11.31M]
9-1整体网络架构.mp4.mp4[16.98M]
3_Unet系列算法讲解[68.54M]
1-Unet网络编码与解码过程.mp4.mp4[18.29M]
2-网络计算流程.mp4.mp4[16.13M]
3-Unet升级版本改进.mp4.mp4[15.75M]
4-后续升级版本介绍.mp4.mp4[18.37M]
4_unet医学细胞分割实战[284.93M]
1-医学细胞数据集介绍与参数配置.mp4.mp4[71.21M]
2-数据增强工具.mp4.mp4[61.47M]
3-Debug模式演示网络计算流程.mp4.mp4[41.37M]
4-特征融合方法演示.mp4.mp4[30.05M]
5-迭代完成整个模型计算任务.mp4.mp4[33.55M]
6-模型效果验证.mp4.mp4[47.29M]
5_U2NET显著性检测实战[218.53M]
1-任务目标与网络整体介绍.mp4.mp4[58.66M]
2-显著性检测任务与目标概述.mp4.mp4[53.96M]
3-编码器模块解读.mp4.mp4[43.66M]
4-解码器输出结果.mp4.mp4[27.90M]
5-损失函数与应用效果.mp4.mp4[34.34M]
6_deeplab系列算法[106.47M]
1-deeplab分割算法概述.mp4.mp4[13.81M]
2-空洞卷积的作用.mp4.mp4[16.74M]
3-感受野的意义.mp4.mp4[19.37M]
4-SPP层的作用.mp4.mp4[19.02M]
5-ASPP特征融合策略.mp4.mp4[13.45M]
6-deeplabV3Plus版本网络架构.mp4.mp4[24.08M]
7_基于deeplabV3+版本进行VOC分割实战[249.69M]
1-PascalVoc数据集介绍.mp4.mp4[70.12M]
2-项目参数与数据集读取.mp4.mp4[60.32M]
3-网络前向传播流程.mp4.mp4[33.10M]
4-ASPP层特征融合.mp4.mp4[51.19M]
5-分割模型训练.mp4.mp4[34.97M]
8_医学心脏视频数据集分割建模实战[315.86M]
1-数据集与任务概述.mp4.mp4[45.55M]
2-项目基本配置参数.mp4.mp4[33.31M]
3-任务流程解读.mp4.mp4[69.12M]
4-文献报告分析.mp4.mp4[122.67M]
5-补充:视频数据源特征处理方法概述.mp4.mp4[26.33M]
6-补充:R(2plus1)D处理方法分析.mp4.mp4[18.88M]
9_物体检测框架-MaskRcnn项目介绍与配置[228.51M]
0-Mask-Rcnn开源项目简介.mp4.mp4[88.18M]
0-参数配置.mp4.mp4[97.85M]
0-开源项目数据集.mp4.mp4[42.48M]
8_行为识别实战[2.11G]
1_slowfast算法知识点通俗解读[172.69M]
1-slowfast核心思想解读.mp4.mp4[74.86M]
2-核心网络结构模块分析.mp4.mp4[20.98M]
3-数据采样曾的作用.mp4.mp4[18.26M]
4-模型网络结构设计.mp4.mp4[19.30M]
5-特征融合模块与总结分析.mp4.mp4[39.30M]
2_slowfast项目环境配置与配置文件[368.46M]
1-环境基本配置解读.mp4.mp4[45.35M]
2-目录各文件分析.mp4.mp4[36.84M]
3-配置文件作用解读.mp4.mp4[50.90M]
4-测试DEMO演示1.mp4.mp4[66.77M]
5-训练所需标签文件说明.mp4.mp4[48.77M]
6-训练所需视频数据准备.mp4.mp4[47.39M]
7-视频数据集切分操作.mp4.mp4[39.66M]
8-完成视频分帧操作.mp4.mp4[32.77M]
3_slowfast源码详细解读[564.02M]
10-RoiAlign与输出层1.mp4.mp4[78.92M]
1-模型所需配置文件参数读取1.mp4.mp4[33.24M]
2-数据处理概述1.mp4.mp4[49.72M]
3-dataloader数据遍历方法1.mp4.mp4[56.85M]
4-数据与标签读取实例1.mp4.mp4[52.22M]
5-图像数据所需预处理方法1.mp4.mp4[66.76M]
6-slow与fast分别执行采样操作1.mp4.mp4[66.34M]
7-分别计算特征图输出结果1.mp4.mp4[56.64M]
8-slow与fast特征图拼接操作1.mp4.mp4[49.69M]
9-resnetBolock操作1.mp4.mp4[53.62M]
4_基于3D卷积的视频分析与动作识别[283.39M]
1-3D卷积原理解读.mp4.mp4[20.62M]
2-UCF101动作识别数据集简介.mp4.mp4[51.69M]
3-测试效果与项目配置.mp4.mp4[55.60M]
4-视频数据预处理方法.mp4.mp4[32.25M]
5-数据Batch制作方法.mp4.mp4[46.66M]
6-3D卷积网络所涉及模块.mp4.mp4[37.76M]
7-训练网络模型.mp4.mp4[38.81M]
5_视频异常检测算法与元学习[159.63M]
1-异常检测要解决的问题与数据集介绍.mp4.mp4[21.49M]
2-基本思想与流程分析.mp4.mp4[24.27M]
3-预测与常见问题.mp4.mp4[26.58M]
4-Meta-Learn要解决的问题.mp4.mp4[20.78M]
5-学习能力与参数定义.mp4.mp4[14.17M]
6-如何找到合适的初始化参数.mp4.mp4[23.36M]
7-MAML算法流程解读.mp4.mp4[28.99M]
6_视频异常检测CVPR2021论文及其源码解读[285.62M]
1-论文概述与环境配置.mp4.mp4[26.61M]
2-数据集配置与读取.mp4.mp4[38.74M]
3-模型编码与解码结构.mp4.mp4[33.37M]
4-注意力机制模块打造.mp4.mp4[61.12M]
5-损失函数的目的.mp4.mp4[57.97M]
6-特征图生成.mp4.mp4[38.02M]
7-MetaLearn与输出.mp4.mp4[29.79M]
666JAVA下载必看[44.05M]
看看我【www.】.zip[14.66M]
课程总结.mp4[14.73M]
面试合集.txt[0.18K]
软件下载.txt[0.15K]
下载必看.txt[0.16K]
资料2.zip[14.66M]
7_基础补充-Resnet模型及其应用实例[285.93M]
1-医学疾病数据集介绍.mp4.mp4[18.85M]
2-Resnet网络架构原理分析.mp4.mp4[24.81M]
3-dataloader加载数据集.mp4.mp4[64.78M]
4-Resnet网络前向传播.mp4.mp4[35.82M]
5-残差网络的shortcut操作.mp4.mp4[47.34M]
6-特征图升维与降采样操作.mp4.mp4[26.89M]
7-网络整体流程与训练演示.mp4.mp4[67.45M]
9_2022论文必备-Transformer实战系列[3.46G]
1_课程介绍[14.82M]
课程介绍1.mp4.mp4[14.82M]
10_MedicalTransformer源码解读[265.46M]
1-项目环境配置1.mp4.mp4[25.29M]
2-医学数据介绍与分析1.mp4.mp4[56.68M]
3-基本处理操作1.mp4.mp4[25.77M]
4-AxialAttention实现过程1.mp4.mp4[36.87M]
5-位置编码向量解读1.mp4.mp4[27.80M]
6-注意力计算过程与方法1.mp4.mp4[52.13M]
7-局部特征提取与计算1.mp4.mp4[40.92M]
11_商汤LoFTR算法解读[291.90M]
10-总结分析.mp4.mp4[39.42M]
1-特征匹配的应用场景.mp4.mp4[87.35M]
2-特征匹配的基本流程分析.mp4.mp4[15.91M]
3-整体流程梳理分析.mp4.mp4[16.46M]
4-CrossAttention的作用与效果.mp4.mp4[15.69M]
5-transformer构建匹配特征.mp4.mp4[33.79M]
6-粗粒度匹配过程与作用.mp4.mp4[26.00M]
7-特征图拆解操作.mp4.mp4[14.34M]
8-细粒度匹配的作用与方法.mp4.mp4[19.87M]
9-基于期望预测最终位置.mp4.mp4[23.08M]
12_局部特征关键点匹配实战[417.70M]
10-得到精细化输出结果1.mp4.mp4[19.35M]
11-通过期望计算最终输出1.mp4.mp4[40.24M]
1-项目与参数配置解读1.mp4.mp4[44.48M]
2-DEMO效果演示1.mp4.mp4[39.57M]
3-backbone特征提取模块1.mp4.mp4[28.65M]
4-注意力机制的作用与效果分析1.mp4.mp4[30.98M]
5-特征融合模块实现方法1.mp4.mp4[29.29M]
6-cross关系计算方法实例1.mp4.mp4[29.30M]
7-粗粒度匹配过程1.mp4.mp4[49.80M]
8-完成基础匹配模块1.mp4.mp4[63.33M]
9-精细化调整方法与实例1.mp4.mp4[42.73M]
13_项目补充-谷歌开源项目BERT源码解读与应用实例[573.01M]
10-构建QKV矩阵1.mp4.mp4[50.65M]
11-完成Transformer模块构建1.mp4.mp4[40.72M]
12-训练BERT模型1.mp4.mp4[54.58M]
1-BERT开源项目简介1.mp4.mp4[41.26M]
2-项目参数配置1.mp4.mp4[106.67M]
3-数据读取模块1.mp4.mp4[54.19M]
4-数据预处理模块1.mp4.mp4[40.01M]
6-Embedding层的作用1.mp4.mp4[30.91M]
7-加入额外编码特征1.mp4.mp4[42.36M]
8-加入位置编码特征1.mp4.mp4[23.57M]
9-mask机制1.mp4.mp4[36.69M]
tfrecord制作1.mp4.mp4[51.39M]
14_项目补充-基于BERT的中文情感分析实战[208.68M]
1-中文分类数据与任务概述1.mp4.mp4[83.47M]
2-读取处理自己的数据集1.mp4.mp4[53.00M]
3-训练BERT中文分类模型1.mp4.mp4[72.20M]
2_自然语言处理通用框架BERT原理解读[196.68M]
10-训练实例.mp4.mp4[24.09M]
1-BERT任务目标概述.mp4.mp4[11.47M]
2-传统解决方案遇到的问题1.mp4.mp4[22.59M]
3-注意力机制的作用1.mp4.mp4[14.72M]
4-self-attention计算方法1.mp4.mp4[23.69M]
5-特征分配与softmax机制1.mp4.mp4[21.24M]
6-Multi-head的作用1.mp4.mp4[19.29M]
7-位置编码与多层堆叠1.mp4.mp4[16.77M]
8-transformer整体架构梳理.mp4.mp4[22.24M]
9-BERT模型训练方法.mp4.mp4[20.59M]
3_Transformer在视觉中的应用VIT算法[161.53M]
1-transformer发家史介绍1.mp4.mp4[15.84M]
2-对图像数据构建patch序列1.mp4.mp4[22.18M]
3-VIT整体架构解读1.mp4.mp4[24.32M]
4-CNN遇到的问题与窘境1.mp4.mp4[22.34M]
5-计算公式解读1.mp4.mp4[24.11M]
6-位置编码与TNT模型1.mp4.mp4[25.20M]
7-TNT模型细节分析1.mp4.mp4[27.54M]
4_VIT算法模型源码解读[138.83M]
1-项目配置说明1.mp4.mp4[43.27M]
2-输入序列构建方法解读1.mp4.mp4[29.80M]
3-注意力机制计算1.mp4.mp4[28.04M]
4-输出层计算结果1.mp4.mp4[37.72M]
5_swintransformer算法原理解析[212.48M]
10-分层计算方法1.mp4.mp4[21.71M]
1-swintransformer整体概述1.mp4.mp4[14.76M]
2-要解决的问题及其优势分析1.mp4.mp4[22.33M]
3-一个block要完成的任务1.mp4.mp4[17.36M]
4-获取各窗口输入特征1.mp4.mp4[18.99M]
5-基于窗口的注意力机制解读1.mp4.mp4[29.53M]
6-窗口偏移操作的实现1.mp4.mp4[24.27M]
7-偏移细节分析及其计算量概述1.mp4.mp4[20.41M]
8-整体网络架构整合1.mp4.mp4[20.88M]
9-下采样操作实现方法1.mp4.mp4[22.24M]
6_swintransformer源码解读[287.33M]
1-数据与环境配置解读1.mp4.mp4[59.59M]
2-图像数据patch编码1.mp4.mp4[37.62M]
3-数据按window进行划分计算1.mp4.mp4[31.46M]
4-基础attention计算模块1.mp4.mp4[27.58M]
5-窗口位移模块细节分析1.mp4.mp4[36.81M]
6-patchmerge下采样操作1.mp4.mp4[25.24M]
7-各block计算方法解读1.mp4.mp4[27.91M]
8-输出层概述1.mp4.mp4[41.11M]
7_基于Transformer的detr目标检测算法[119.85M]
1-DETR目标检测基本思想解读1.mp4.mp4[19.27M]
2-整体网络架构分析1.mp4.mp4[31.54M]
3-位置信息初始化query向量1.mp4.mp4[19.90M]
4-注意力机制的作用方法1.mp4.mp4[20.79M]
5-训练过程的策略1.mp4.mp4[28.34M]
8_detr目标检测源码解读[377.63M]
1-项目环境配置解读2.mp4.mp4[40.33M]
2-数据处理与dataloader2.mp4.mp4[63.98M]
3-位置编码作用分析2.mp4.mp4[47.86M]
4-backbone特征提取模块1.mp4.mp4[35.54M]
5-mask与编码模块1.mp4.mp4[34.68M]
6-编码层作用方法1.mp4.mp4[42.78M]
7-Decoder层操作与计算1.mp4.mp4[30.08M]
8-输出预测结果1.mp4.mp4[41.20M]
9-损失函数与预测输出1.mp4.mp4[41.18M]
9_MedicalTrasnformer论文解读[272.44M]
1-论文整体分析.mp4.mp4[23.72M]
2-核心思想分析.mp4.mp4[54.26M]
3-网络结构计算流程概述.mp4.mp4[44.46M]
4-论文公式计算分析.mp4.mp4[46.93M]
5-位置编码的作用与效果.mp4.mp4[46.55M]
6-拓展应用分析.mp4.mp4[56.52M]
资料.zip[90.07G]
评论0