沽泡·人工智能深度学习系统班【第六期+第八期】24年7月更新第八期课程

课程介绍：

《人工智能深度学习系统班》（第八期）由咕泡教育推出，官方售价16800元，内容达223.75GB。课程涵盖PyTorch、mmlab实战、图像处理、物体检测等关键主题，结合最新算法与实际项目，旨在全面提升学员在计算机视觉、自然语言处理等领域的技能。

本下载链接包含：第八期+第六期

课程截图：

课程目录：

• 00资料
• 1.第一章直播回放
• 1-1节开班典礼
• 1-10节直播7：半监督物体检测
• 1-11节直播8：基于图模型的时间序列预测
• 1-12节直播9：图像定位与检索
• 1-13节直播10：近期内容补充
• 1-14节直播11文本生成gpt系列
• 1-15节直播12：异构图神经网络
• 1-16节直播13：bev特征空间
• 1-17节补充：bevformer源码解读
• 1-18节直播14：知识蒸馏
• 1-3节直播1：深度学习核心算法-神经网络与卷积网络
• 1-4节卷积神经网络
• 1-5节直播3：transformer架构
• 1-6节直播4：transfomer在视觉任务中的应用实例
• 1-7节直播5：yolo系列（v7）算法解读
• 1-8节直播6：分割模型maskformer系列
• 1-9节补充：mask2former源码解读
• 10.第一十章图神经⽹络实战
• 3-图模型必备神器pytorchgeometric安装与使用
• 4-使用pytorchgeometric构建自己的图数据集
• 5-图注意力机制与序列图模型
• 6-图相似度论文解读
• 7-图相似度计算实战
• 8-基于图模型的轨迹估计
• 9-图模型轨迹估计实战
• 第二章：图卷积gcn模型
• 第一章：图神经网络基础
• 11.第一十一章3d点云实战
• 第1节：3d点云应用领域分析
• 第2节：3d点云pointnet算法
• 第3节：pointnet++算法解读
• 第4节：pointnet++项目实战
• 第5节：点云补全pf-net论文解读
• 第6节：点云补全实战解读
• 第7节：点云配准及其案例实战
• 第8节：基础补充-对抗生成网络架构原理与实战解析
• 12.第一十二章⽬标追踪与姿态估计实战
• 第五六七章：yolo目标检测
• 基础补充-resnet模型及其应用实例
• 第二章：openpose算法源码分析.zip
• 第三章：deepsort算法知识点解读.pdf
• 第四章：deepsort源码解读.zip
• 第一章：姿态估计openpose系列算法解读.pdf
• 基础补充-pytorch框架必备核心模块解读.zip
• 基础补充-pytorch框架基本处理操作.zip
• 13.第一十三章⾯向深度学习的⽆⼈驾驶实战
• 1.深度估计算法解读
• 10-neuralrecon项目源码解读
• 11-tsdf算法与应用
• 12-tsdf实战案例
• 13-轨迹估计算法与论文解读
• 14-轨迹估计预测实战
• 15-特斯拉无人驾驶解读
• 2.深度估计项目实战
• 3-车道线检测算法与论文解读
• 4-基于深度学习的车道线检测项目实战
• 5-商汤loftr算法解读
• 6-局部特征关键点匹配实战
• 7-三维重建应用与坐标系基础
• 8-neuralrecon算法解读
• 9-neuralrecon项目环境配置
• 14.第一十四章对比学习与多模态任务实战
• aninet源码解读
• clip系列
• 对比学习算法与实例
• 多模态3d目标检测算法源码解读
• 多模态文字识别
• 15.第一十五章缺陷检测实战
• pytorch基础
• resnet分类实战
• 第11-12章：deeplab
• 第1-4章：yolov5缺陷检测
• 第6-8章：opencv各函数使用实例
• deeplab铁质材料缺陷检测与开源项目应用流程.zip
• 第10章：基于视频流水线的opnecv缺陷检测项目.zip
• 第5章：semi-supervised布料缺陷检测实战.zip
• 第9章：基于opencv缺陷检测项目实战.zip
• 16.第一十六章⾏⼈重识别实战
• 第1节：行人重识别原理及其应用
• 第2节：基于注意力机制的reid模型论文解读
• 第3节：基于attention的行人重识别项目实战
• 第4节：经典会议算法精讲（特征融合）
• 第5节：项目实战-基于行人局部特征融合的再识别实战
• 第6节：旷视研究院最新算法解读（基于图模型）
• 第7节：基于拓扑图的行人重识别项目实战
• 17.第一十七章对抗⽣成⽹络实战
• 第4节：stargan论文架构解析
• 第6节：基于starganvc2的变声器论文原理解读
• 第8节：图像超分辨率重构实战
• 第9节：基于gan的图像补全实战
• cyclegan.pdf
• static.zip
• 第2节：对抗生成网络架构原理与实战解析.zip
• 第3节：基于cyclegan开源项目实战图像合成.zip
• 第5节：stargan项目实战及其源码解读.zip
• 第7节：starganvc2变声器项目实战及其源码解读.zip
• 18.第一十八章强化学习实战系列
• 第1节：强化学习简介及其应用.pdf
• 第2节：ppo算法与公式推导.pdf
• 第3节：策略梯度实战-月球登陆器训练实例.zip
• 第4节：dqn算法.pdf
• 第5节：dqn算法实例演示.zip
• 第7节：actor-critic算法分析(a3c).pdf
• 第8节：a3c算法玩转超级马里奥.zip
• 19.第一十九章openai顶级黑科技算法及其项目实战
• 1节gpt系列生成模型
• 2节gpt建模与预测流程
• 3节clip系列
• 4节diffusion模型解读
• 5节dalle2及其源码解读
• 6节chatgpt
• 2.第二章深度学习必备核⼼算法
• 课件
• 20.第二十章面向医学领域的深度学习实战
• 10-基于deeplab的心脏视频数据诊断分析
• 11-yolo系列物体检测算法原理解读
• 12-基于yolo5细胞检测实战
• 13-知识图谱原理解读
• 14-neo4j数据库实战
• 15-基于知识图谱的医药问答系统实战
• 17-医学糖尿病数据命名实体识别
• 1-神经网络算法ppt
• 4-基于resnet的医学数据集分类实战
• 5-图像分割及其损失函数概述
• 6-unet系列算法讲解
• 7-unet医学细胞分割实战
• 8-deeplab系列算法
• 9-基于deeplabv3+版本进行voc分割实战
• 16-词向量模型与rnn网络架构.zip
• 2-pytorch框架基本处理操作.zip
• 3-pytorch框架必备核心模块解读.zip
• 21.第二十一章深度学习模型部署与剪枝优化实战
• tensorrt
• 嵌入式ai
• docker使用命令.zip
• mobilenet.pdf
• mobilenetv3.py
• pytorch-slimming.zip
• pytorch模型部署实例.zip
• tensorflow-serving.zip
• yolo部署实例.zip
• 剪枝算法.pdf
• 22.第二十二章自然语言处理必备神器huggingface系列实战
• 第八章：gpt训练与预测部署流程
• 第二章：transformer工具包基本操作实例解读
• 第九章：文本摘要建模
• 第六章：文本预训练模型构建实例
• 第七章：gpt系列算法
• 第三章：transformer原理解读
• 第十一章：补充huggingface数据集制作方法实例
• 第十章：图谱知识抽取实战
• 第四章：bert系列算法解读
• 第五章：文本标注工具与ner实例
• 第一章：huggingface与nlp介绍解读
• 23.第二十三章⾃然语⾔处理通⽤框架-bert实战
• 课后作业
• 课件、源码
• 24.第二十四章⾃然语⾔处理经典案例实战
• nlp常用工具包
• 课后作业
• 课件
• 源码、数据集等
• 25.第二十五章知识图谱实战系列
• 第1.2节：知识图谱介绍及其应用领域分析
• 第3节：neo4j数据库实战
• 第4节：使用python操作neo4j实例
• 第5节：基于知识图谱的医药问答系统实战
• 第6节：文本关系抽取实践
• 第7节：金融平台风控模型实践
• 第8节：医学糖尿病数据命名实体识别
• 26.第二十六章语⾳识别实战系列
• ppt
• 论文
• 变声器pytorch-stargan-vc2.zip
• 语音分离conv-tasnet.zip
• 语音合成tacotron2实战.zip
• 语音识别las模型.zip
• 27.第二十七章推荐系统实战系列
• 第10节：基于统计分析的电影推荐
• 第3节：音乐推荐系统实战
• 第4节：neo4j数据库实例
• 第11节：补充-基于相似度的酒店推荐系统.zip
• 第1节：推荐系统介绍.pdf
• 第2节：协同过滤与矩阵分解.pdf
• 第5节：基于知识图谱的电影推荐实战.zip
• 第6节：fm与deepfm算法.pdf
• 第7节：deepfm算法实战.zip
• 第8节：推荐系统常用工具包演示.zip
• 第9节：基于文本数据的推荐实例.zip
• 28.第二十八章ai课程所需安装软件教程
• anaconda3-2020.07-windows-x86_64.exe
• cuda_11.3.0_465.89_win10.exe
• mmcv_full-1.4.7-cp38-cp38-win_amd64.whl
• notepadplusplus-8-4.exe
• pycharm-community-2022.1.2.exe
• torch-1.10.0+cu113-cp38-cp38-win_amd64.whl
• torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl
• visualstudiosetup.exe
• 29.第二十九章额外补充
• acmix(卷积与注意力结合)
• convnext
• coordinate_attention
• gcnet(全局特征融合)
• mobileone(提速)
• spd-conv
• sppcspc(替换spp)
• gc(2).py
• gc.py
• 3.第三章深度学习核⼼框架pytorch
• flask预测.zip
• 第八章：对抗生成网络架构原理与实战解析.zip
• 第二,三章：神经网络实战分类与回归任务.zip
• 第六章：dataloader自定义数据集制作.zip
• 第七章：lstm文本分类实战.zip
• 第四章：卷积网络参数解读.zip
• 第五章：图像识别模型与训练策略（重点）.zip
• 4.第四章mmlab实战系列
• deformabledetr算法解读
• kie关键信息抽取与视频超分辨率重构
• ocr算法解读
• mask2former(mmdetection).zip
• ner.zip
• 第八模块：mmrazor-模型蒸馏.zip
• 第二模块：mmsegmentation-0.20.2.zip
• 第二模块：mpvit-main.zip
• 第九模块：mmaction2-master.zip
• 第六模块：mmediting-master.zip
• 第七模块：mmdetection3d-1.0.0rc0.zip
• 第三模块：mmdetection-master.zip
• 第四模块：mmocr-main.zip
• 第五模块：mmgeneration-master.zip
• 第一模块：mmclassification-master.zip
• 5.第五章opencv图像处理框架实战
• 课件
• 源码资料
• 6.第六章综合项⽬-物体检测经典算法实战
• yolo系列（pytorch）
• centernet.pdf
• detr目标检测源码解读.zip
• efficientdet.pdf
• efficientdet.zip
• efficientnet.pdf
• json2yolo.py
• yolov7-main.zip
• 第十二章：基于transformer的detr目标检测算法.pdf
• 物体检测.pdf
• 7.第七章图像分割实战
• 第1节：图像分割算法
• 第2节：卷积网络
• 第3节：unet系列算法讲解
• 第4节：unet医学细胞分割实战
• 第6节：deeplab系列算法
• 第7节：基于deeplabv3+版本进行voc分割实战
• 第8节：基于deeplab的心脏视频数据诊断分析
• 基于resnet的医学数据集分类实战
• f112c9fda85536ee3eba662c9043e683.bat
• mask-rcnn.pdf
• maskrcnn网络框架源码详解.zip
• pytorch框架基本处理操作.zip
• r(2+1)d网络.pdf
• 第5节：u-2-net.zip
• 基于mask-rcnn框架训练自己的数据与任务.zip
• 图像识别核心模块实战解读.zip
• 8.第八章行为识别实战
• slowfast-add
• 基础补充-resnet模型及其应用实例
• 1-slowfast算法知识点通俗解读.pdf
• 4-基于3d卷积的视频分析与动作识别.zip
• 5-视频异常检测算法与元学习.pdf
• 6-视频异常检测cvpr2021论文及其源码解读.zip
• slowfast论文.pdf
• 基础补充-pytorch框架必备核心模块解读.zip
• 基础补充-pytorch框架基本处理操作.zip
• 9.第九章2022论⽂必备-transformer实战系列
• transformer系列
• 01直播课回放
• 01开班典礼
• 01开班典礼.mp4
• 02pycharm环境配置与debug演示(没用过的同学必看)
• 01pycharm环境配置与debug演示(没用过的同学必看).mp4
• 03直播1：深度学习核心算法-神经网络与卷积网络
• 01深度学习核心算法-神经网络与卷积网络.mp4
• 04直播2：卷积神经网络
• 01卷积神经网络.mp4
• 05直播3：transformer架构
• 01transformer架构(1).mp4
• 01transformer架构.mp4
• 06直播4：transfomer在视觉任务中的应用实例
• 01transfomer在视觉任务中的应用实例.mp4
• 07直播5：yolo系列（v7）算法解读
• 01yolo系列（v7）算法解读.mp4
• 08直播6：分割模型maskformer系列
• 01分割模型maskformer系列.mp4
• 09补充：mask2former源码解读
• 01backbone获取多层级特征.mp4
• 02多层级采样点初始化构建.mp4
• 03多层级输入特征序列创建方法.mp4
• 04偏移量与权重计算并转换.mp4
• 05encoder特征构建方法实例.mp4
• 06query要预测的任务解读.mp4
• 07decoder中的attentionmask方法.mp4
• 08损失模块输入参数分析.mp4
• 09标签分配策略解读.mp4
• 10正样本筛选损失计算.mp4
• 11标签分类匹配结果分析.mp4
• 12最终损失计算流程.mp4
• 13汇总所有损失完成迭代.mp4
• 10直播7：半监督物体检测
• 01半监督物体检测.mp4
• 11直播8：基于图模型的时间序列预测
• 01基于图模型的时间序列预测.mp4
• 12直播9：图像定位与检索
• 01图像定位与检索.mp4
• 13直播10：近期内容补充
• 01近期内容补充.mp4
• 14直播11：文本生成gpt系列
• 01文本生成gpt系列.mp4
• 15直播12：异构图神经网络
• 01异构图神经网络.mp4
• 16直播13：bev特征空间
• 01bev特征空间.mp4
• 17补充：bevformer源码解读
• 01环境配置方法解读.mp4
• 02数据集下载与配置方法.mp4
• 03特征提取以及bev空间初始化.mp4
• 04特征对齐与位置编码初始化.mp4
• 05reference初始点构建.mp4
• 06bev空间与图像空间位置对应.mp4
• 07注意力机制模块计算方法.mp4
• 08bev空间特征构建.mp4
• 09decoder要完成的任务分析.mp4
• 10获取当前bev特征.mp4
• 11decoder级联校正模块.mp4
• 12损失函数与预测可视化.mp4
• 18直播14：知识蒸馏
• 01知识蒸馏.mp4
• 19直播15：六期总结与论文简历
• 01六期总结与论文简历.mp4
• 02深度学习必备核心算法
• 01神经网络算法解读
• 01神经网络算法解读.mp4
• 02卷积神经网络算法解读
• 01卷积神经网络算法解读.mp4
• 03递归神经网络算法解读
• 01递归神经网络算法解读.mp4
• 03深度学习核心框架pytorch
• 01pytorch框架介绍与配置安装
• 01pytorch框架与其他框架区别分析.mp4
• 02cpu与gpu版本安装方法解读.mp4
• 02使用神经网络进行分类任务
• 01数据集与任务概述.mp4
• 02基本模块应用测试.mp4
• 03网络结构定义方法.mp4
• 04数据源定义简介.mp4
• 05损失与训练模块分析.mp4
• 06训练一个基本的分类模型.mp4
• 07参数对结果的影响.mp4
• 03神经网络回归任务-气温预测
• 01神经网络回归任务-气温预测.mp4
• 04卷积网络参数解读分析
• 01输入特征通道分析.mp4
• 02卷积网络参数解读.mp4
• 03卷积网络模型训练.mp4
• 05图像识别模型与训练策略（重点）
• 01任务分析与图像数据基本处理.mp4
• 02数据增强模块.mp4
• 03数据集与模型选择.mp4
• 04迁移学习方法解读.mp4
• 05输出层与梯度设置.mp4
• 06输出类别个数修改.mp4
• 07优化器与学习率衰减.mp4
• 08模型训练方法.mp4
• 09重新训练全部模型.mp4
• 10测试结果演示分析.mp4
• 06dataloader自定义数据集制作
• 01dataloader要完成的任务分析.mp4
• 02图像数据与标签路径处理.mp4
• 03dataloader中需要实现的方法分析.mp4
• 04实用dataloader加载数据并训练模型.mp4
• 07lstm文本分类实战
• 01数据集与任务目标分析.mp4
• 02文本数据处理基本流程分析.mp4
• 03命令行参数与debug.mp4
• 04训练模型所需基本配置参数分析.mp4
• 05预料表与字符切分.mp4
• 06字符预处理转换id.mp4
• 07lstm网络结构基本定义.mp4
• 08网络模型预测结果输出.mp4
• 09模型训练任务与总结.mp4
• 08pytorch框架flask部署例子
• 01基本结构与训练好的模型加载.mp4
• 02服务端处理与预测函数.mp4
• 03基于flask测试模型预测结果.mp4
• 04mmlab实战系列
• 01mmcv安装方法
• 01mmcv安装方法.mp4
• 02第一模块：分类任务基本操作
• 01mmcls问题修正.mp4
• 02准备mmcls项目.mp4
• 03基本参数配置解读.mp4
• 04各模块配置文件组成.mp4
• 05生成完整配置文件.mp4
• 06根据文件夹定义数据集.mp4
• 07构建自己的数据集.mp4
• 08训练自己的任务.mp4
• 03第一模块：训练结果测试与验证
• 01测试demo效果.mp4
• 02测试评估模型效果.mp4
• 03mmcls中增加一个新的模块.mp4
• 04修改配置文件中的参数.mp4
• 05数据增强流程可视化展示.mp4
• 06grad-cam可视化方法.mp4
• 07可视化细节与效果分析.mp4
• 08mmcls可视化模块应用.mp4
• 09模型分析脚本使用.mp4
• 04第一模块：模型源码debug演示
• 01vit任务概述.mp4
• 02数据增强模块概述分析.mp4
• 03patchembedding层.mp4
• 04前向传播基本模块.mp4
• 05cls与输出模块.mp4
• 05第二模块：使用分割模块训练自己的数据集
• 01项目配置基本介绍.mp4
• 02数据集标注与制作方法.mp4
• 03根据预测类别数修改配置文件.mp4
• 04加载预训练模型开始训练.mp4
• 05预测demo演示.mp4
• 06第二模块：基于unet进行各种策略修改
• 01配置文件解读.mp4
• 02编码层模块.mp4
• 03上采样与输出层.mp4
• 04辅助层的作用.mp4
• 05给unet添加一个neck层.mp4
• 06如何修改参数适配网络结构.mp4
• 07将unet特征提取模块替换成transformer.mp4
• 08vit模块源码分析.mp4
• 07第二模块：分割任务cvpr最新backbone设计及其应用
• 01注册自己的backbone模块.mp4
• 02配置文件指定.mp4
• 03debug解读backbone设计.mp4
• 04patchembedding的作用与实现.mp4
• 05卷积位置编码计算方法.mp4
• 06近似attention模块实现.mp4
• 07完成特征提取与融合模块.mp4
• 08分割输出模块.mp4
• 09全局特征的作用与实现.mp4
• 10汇总多层级特征进行输出.mp4
• 08第三模块：mmdet训练自己的数据任务
• 01数据集标注与标签获取.mp4
• 02coco数据标注格式.mp4
• 03通过脚本生成coco数据格式.mp4
• 04配置文件数据增强策略分析.mp4
• 05训练所需配置说明.mp4
• 06模型训练与demo演示.mp4
• 07模型测试与可视化分析模块.mp4
• 08补充：评估指标.mp4
• 09第三模块：deformabledetr物体检测源码分析
• 01特征提取与位置编码.mp4
• 02序列特征展开并叠加.mp4
• 03得到相对位置点编码.mp4
• 04准备encoder编码层所需全部输入.mp4
• 05编码层中的序列分析.mp4
• 06偏移量offset计算.mp4
• 07偏移量对齐操作.mp4
• 08encoder层完成特征对齐.mp4
• 09decoder要完成的操作.mp4
• 10分类与回归输出模块.mp4
• 11预测输出结果与标签匹配模块.mp4
• 10补充：mask2former源码解读
• 01backbone获取多层级特征.mp4
• 02多层级采样点初始化构建.mp4
• 03多层级输入特征序列创建方法.mp4
• 04偏移量与权重计算并转换.mp4
• 05encoder特征构建方法实例.mp4
• 06query要预测的任务解读.mp4
• 07decoder中的attentionmask方法.mp4
• 08损失模块输入参数分析.mp4
• 09标签分配策略解读.mp4
• 10正样本筛选损失计算.mp4
• 11标签分类匹配结果分析.mp4
• 12最终损失计算流程.mp4
• 13汇总所有损失完成迭代.mp4
• 11第三模块：deformabledetr算法解读
• 01deformabledetr算法解读.mp4
• 12kie关键信息抽取与视频超分辨率重构
• 01kie关键信息抽取与视频超分辨率重构.mp4
• 13第四模块：dbnet文字检测
• 01文字检测数据概述与配置文件.mp4
• 02配置文件参数设置.mp4
• 03neck层特征组合.mp4
• 04损失函数模块概述.mp4
• 05损失计算方法.mp4
• 14第四模块：aninet文字识别
• 01数据集与环境概述.mp4
• 02配置文件修改方法.mp4
• 03bakbone模块得到特征.mp4
• 04视觉transformer模块的作用.mp4
• 05视觉模型中的编码与解码的效果.mp4
• 06文本模型中的结构分析.mp4
• 07迭代修正模块.mp4
• 08输出层与损失计算.mp4
• 15第四模块：kie基于图模型的关键信息抽取
• 01配置文件以及要完成的任务解读.mp4
• 02kie数据集格式调整方法.mp4
• 03配置文件与标签要进行处理操作.mp4
• 04边框要计算的特征分析.mp4
• 05标签数据处理与关系特征提取.mp4
• 06特征合并处理.mp4
• 07准备拼接边与点特征.mp4
• 08整合得到图模型输入特征.mp4
• 16第五模块：stylegan2源码解读
• 01要完成的任务与基本思想概述.mp4
• 02得到style特征编码.mp4
• 03特征编码风格拼接.mp4
• 04基础风格特征卷积模块.mp4
• 05上采样得到输出结果.mp4
• 06损失函数概述.mp4
• 17第六模块：basicvsr++视频超分辨重构源码解读
• 01要完成的任务分析与配置文件.mp4
• 02特征基础提取模块.mp4
• 03光流估计网络模块.mp4
• 04基于光流完成对齐操作.mp4
• 05偏移量计算方法.mp4
• 06双向计算特征对齐.mp4
• 07提特征传递流程分析.mp4
• 08序列传播计算.mp4
• 09准备变形卷积模块的输入.mp4
• 10传播流程整体完成一圈.mp4
• 11完成输出结果.mp4
• 18第七模块：多模态3d目标检测算法源码解读
• 01环境配置与数据集概述.mp4
• 02数据与标注文件介绍.mp4
• 03基本流程梳理并进入debug模式.mp4
• 04数据与图像特征提取模块.mp4
• 05体素索引位置获取.mp4
• 06体素特征提取方法解读.mp4
• 07体素特征计算方法分析.mp4
• 08全局体素特征提取.mp4
• 09多模态特征融合.mp4
• 103d卷积特征融合.mp4
• 11输出层预测结果.mp4
• 19第八模块：模型蒸馏应用实例
• 01任务概述与工具使用.mp4
• 02teacher与student网络结构定义.mp4
• 03训练t与s得到蒸馏模型.mp4
• 04开始模型训练过程与问题修正.mp4
• 05日志输出与模型分离.mp4
• 06分别得到teacher与student模型.mp4
• 07实际测试效果演示.mp4
• 20第八模块：模型剪枝方法概述分析
• 01supernet网络结构分析与剪枝概述.mp4
• 02搜索匹配到符合计算量的模型并训练.mp4
• 21第九模块：mmaction行为识别
• 01创建自己的行为识别标注数据集.mp4
• 22ocr算法解读
• 01ocr算法解读.mp4
• 23额外补充-在源码中加入各种注意力机制方法
• 01在源码中加入各种注意力机制方法.mp4
• 05opencv图像处理框架实战
• 01课程简介与环境配置
• 01课程简介.mp4
• 02python与opencv配置安装.mp4
• 03notebook与ide环境.mp4
• 02图像基本操作
• 01计算机眼中的图像.mp4
• 02视频的读取与处理.mp4
• 03roi区域.mp4
• 04边界填充.mp4
• 05数值计算.mp4
• 03阈值与平滑处理
• 01图像阈值.mp4
• 02图像平滑处理.mp4
• 03高斯与中值滤波.mp4
• 04图像形态学操作
• 01腐蚀操作.mp4
• 02膨胀操作.mp4
• 03开运算与闭运算.mp4
• 04梯度计算.mp4
• 05礼帽与黑帽.mp4
• 05图像梯度计算
• 01sobel算子.mp4
• 02梯度计算方法.mp4
• 03scharr与lapkacian算子.mp4
• 06边缘检测
• 01canny边缘检测流程.mp4
• 02非极大值抑制.mp4
• 03边缘检测效果.mp4
• 07图像金字塔与轮廓检测
• 01图像金字塔定义.mp4
• 02金字塔制作方法.mp4
• 03轮廓检测方法.mp4
• 04轮廓检测结果.mp4
• 05轮廓特征与近似.mp4
• 06模板匹配方法.mp4
• 07匹配效果展示.mp4
• 08直方图与傅里叶变换
• 01直方图定义.mp4
• 02均衡化原理.mp4
• 03均衡化效果.mp4
• 04傅里叶概述.mp4
• 05频域变换结果.mp4
• 06低通与高通滤波.mp4
• 09项目实战-信用卡数字识别
• 01总体流程与方法讲解.mp4
• 02环境配置与预处理.mp4
• 03模板处理方法.mp4
• 04输入数据处理方法.mp4
• 05模板匹配得出识别结果.mp4
• 10项目实战-文档扫描ocr识别
• 01整体流程演示.mp4
• 02文档轮廓提取.mp4
• 03原始与变换坐标计算.mp4
• 04透视变换结果.mp4
• 05tesseract-ocr安装配置.mp4
• 06文档扫描识别效果.mp4
• 11图像特征-harris
• 01角点检测基本原理.mp4
• 02基本数学原理.mp4
• 03求解化简.mp4
• 04特征归属划分.mp4
• 05opencv角点检测效果.mp4
• 12图像特征-sift
• 01尺度空间定义.mp4
• 02高斯差分金字塔.mp4
• 03特征关键点定位.mp4
• 04生成特征描述.mp4
• 05特征向量生成.mp4
• 06opencv中sift函数使用.mp4
• 13案例实战-全景图像拼接
• 01特征匹配方法.mp4
• 02ransac算法.mp4
• 03图像拼接方法.mp4
• 04流程解读.mp4
• 14项目实战-停车场车位识别
• 01任务整体流程.mp4
• 02所需数据介绍.mp4
• 03图像数据预处理.mp4
• 04车位直线检测.mp4
• 05按列划分区域.mp4
• 06车位区域划分.mp4
• 07识别模型构建.mp4
• 08基于视频的车位检测.mp4
• 15项目实战-答题卡识别判卷
• 01整体流程与效果概述.mp4
• 02预处理操作.mp4
• 03填涂轮廓检测.mp4
• 04选项判断识别.mp4
• 16背景建模
• 01背景消除-帧差法.mp4
• 02混合高斯模型.mp4
• 03学习步骤.mp4
• 04背景建模实战.mp4
• 17光流估计
• 01基本概念.mp4
• 02lucas-kanade算法.mp4
• 03推导求解.mp4
• 04光流估计实战.mp4
• 18opencv的dnn模块
• 01dnn模块.mp4
• 02模型加载结果输出.mp4
• 19项目实战-目标追踪
• 01目标追踪概述.mp4
• 02多目标追踪实战.mp4
• 03深度学习检测框架加载.mp4
• 04基于dlib与ssd的追踪.mp4
• 05多进程目标追踪.mp4
• 06多进程效率提升对比.mp4
• 20卷积原理与操作
• 01卷积神经网络的应用.mp4
• 02卷积层解释.mp4
• 03卷积计算过程.mp4
• 04pading与stride.mp4
• 05卷积参数共享.mp4
• 06池化层原理.mp4
• 07卷积效果演示.mp4
• 08卷积操作流程.mp4
• 21项目实战-疲劳检测
• 01关键点定位概述.mp4
• 02获取人脸关键点.mp4
• 03定位效果演示.mp4
• 04闭眼检测.mp4
• 05检测效果.mp4
• 06综合项目-物体检测经典算法实战
• 01深度学习经典检测方法概述
• 01检测任务中阶段的意义.mp4
• 02不同阶段算法优缺点分析.mp4
• 03iou指标计算.mp4
• 04评估所需参数计算.mp4
• 05map指标计算.mp4
• 02yolo-v1整体思想与网络架构
• 01yolo算法整体思路解读.mp4
• 02检测算法要得到的结果.mp4
• 03整体网络架构解读.mp4
• 04位置损失计算.mp4
• 05置信度误差与优缺点分析.mp4
• 03yolo-v2改进细节详解
• 01v2版本细节升级概述.mp4
• 02网络结构特点.mp4
• 03架构细节解读.mp4
• 04基于聚类来选择先验框尺寸.mp4
• 05偏移量计算方法.mp4
• 06坐标映射与还原.mp4
• 07感受野的作用.mp4
• 08特征融合改进.mp4
• 04yolo-v3核心网络模型
• 01v3版本改进概述.mp4
• 02多scale方法改进与特征融合.mp4
• 03经典变换方法对比分析.mp4
• 04残差连接方法解读.mp4
• 05整体网络模型架构分析.mp4
• 06先验框设计改进.mp4
• 07sotfmax层改进.mp4
• 05项目实战-基于v3版本进行源码解读（建议直接跑v5版本）
• 01数据与环境配置.mp4
• 02训练参数设置.mp4
• 03coco图像数据读取与处理.mp4
• 04标签文件读取与处理.mp4
• 05debug模式介绍.mp4
• 06基于配置文件构建网络模型.mp4
• 07路由层与shortcut层的作用.mp4
• 08yolo层定义解析.mp4
• 09预测结果计算.mp4
• 10网格偏移计算.mp4
• 11模型要计算的损失概述.mp4
• 12标签值格式修改.mp4
• 13坐标相对位置计算.mp4
• 14完成所有损失函数所需计算指标.mp4
• 15模型训练与总结.mp4
• 16预测效果展示.mp4
• 06基于yolo-v3训练自己的数据集与任务（建议直接跑v5版本）
• 01labelme工具安装.mp4
• 02数据信息标注.mp4
• 03完成标签制作.mp4
• 04生成模型所需配置文件.mp4
• 05json格式转换成yolo-v3所需输入.mp4
• 06完成输入数据准备工作.mp4
• 07训练代码与参数配置更改.mp4
• 08训练模型并测试效果.mp4
• 07yolo-v4版本算法解读
• 01v4版本整体概述.mp4
• 02v4版本贡献解读.mp4
• 03数据增强策略分析.mp4
• 04dropblock与标签平滑方法.mp4
• 05损失函数遇到的问题.mp4
• 06ciou损失函数定义.mp4
• 07nms细节改进.mp4
• 08spp与csp网络结构.mp4
• 09sam注意力机制模块.mp4
• 10pan模块解读.mp4
• 11激活函数与整体架构总结.mp4
• 08v5版本项目配置
• 01整体项目概述.mp4
• 02训练自己的数据集方法.mp4
• 03训练数据参数配置.mp4
• 04测试demo演示.mp4
• 09v5项目工程源码解读
• 01数据源debug流程解读.mp4
• 02图像数据源配置.mp4
• 03加载标签数据.mp4
• 04mosaic数据增强方法.mp4
• 05数据四合一方法与流程演示.mp4
• 06getitem构建batch.mp4
• 07网络架构图可视化工具安装.mp4
• 08v5网络配置文件解读.mp4
• 09focus模块流程分析.mp4
• 10完成配置文件解析任务.mp4
• 11前向传播计算.mp4
• 12bottleneckcsp层计算方法.mp4
• 13spp层计算细节分析.mp4
• 14head层流程解读.mp4
• 15上采样与拼接操作.mp4
• 16输出结果分析.mp4
• 17超参数解读.mp4
• 18命令行参数介绍.mp4
• 19训练流程解读.mp4
• 20各种训练策略概述.mp4
• 21模型迭代过程.mp4
• 10v7源码解读
• 01命令行参数介绍.mp4
• 02基本参数作用.mp4
• 03ema等训练技巧解读.mp4
• 04网络结构配置文件解读.mp4
• 05各模块操作细节分析.mp4
• 06输出层与配置文件其他模块解读.mp4
• 07标签分配策略准备操作.mp4
• 08候选框偏移方法与find3p模块解读.mp4
• 09得到偏移点所在网格位置.mp4
• 10完成buildtargets模块.mp4
• 11候选框筛选流程分析.mp4
• 12预测值各项指标获取与调整.mp4
• 13gt匹配正样本数量计算.mp4
• 14通过iou与置信度分配正样本.mp4
• 15损失函数计算方法.mp4
• 16辅助头aux网络结构配置文件解析.mp4
• 17辅助头损失函数调整.mp4
• 18bn与卷积权重参数融合方法.mp4
• 19重参数化多分支合并加速.mp4
• 11efficientnet网络
• 01efficientnet网络模型.mp4
• 12efficientdet检测算法
• 01efficientdet检测算法.mp4
• 13基于transformer的detr目标检测算法
• 01detr目标检测基本思想解读.mp4
• 02整体网络架构分析.mp4
• 03位置信息初始化query向量.mp4
• 04注意力机制的作用方法.mp4
• 05训练过程的策略.mp4
• 14detr目标检测源码解读
• 01项目环境配置解读.mp4
• 02数据处理与dataloader.mp4
• 03位置编码作用分析.mp4
• 04backbone特征提取模块.mp4
• 05mask与编码模块.mp4
• 06编码层作用方法.mp4
• 07decoder层操作与计算.mp4
• 08输出预测结果.mp4
• 09损失函数与预测输出.mp4
• 07图像分割实战
• 01图像分割及其损失函数概述
• 01语义分割与实例分割概述.mp4
• 02分割任务中的目标函数定义.mp4
• 03miou评估标准.mp4
• 02卷积神经网络原理与参数解读
• 01卷积神经网络应用领域.mp4
• 02卷积的作用.mp4
• 03卷积特征值计算方法.mp4
• 04得到特征图表示.mp4
• 05步长与卷积核大小对结果的影响.mp4
• 06边缘填充方法.mp4
• 07特征图尺寸计算与参数共享.mp4
• 08池化层的作用.mp4
• 09整体网络架构.mp4
• 10vgg网络架构.mp4
• 11残差网络resnet.mp4
• 12感受野的作用.mp4
• 03unet系列算法讲解
• 01unet网络编码与解码过程.mp4
• 02网络计算流程.mp4
• 03unet升级版本改进.mp4
• 04后续升级版本介绍.mp4
• 04unet医学细胞分割实战
• 01医学细胞数据集介绍与参数配置.mp4
• 02数据增强工具.mp4
• 03debug模式演示网络计算流程.mp4
• 04特征融合方法演示.mp4
• 05迭代完成整个模型计算任务.mp4
• 06模型效果验证.mp4
• 05u2net显著性检测实战
• 01任务目标与网络整体介绍.mp4
• 02显著性检测任务与目标概述.mp4
• 03编码器模块解读.mp4
• 04解码器输出结果.mp4
• 05损失函数与应用效果.mp4
• 06deeplab系列算法
• 01deeplab分割算法概述.mp4
• 02空洞卷积的作用.mp4
• 03感受野的意义.mp4
• 04spp层的作用.mp4
• 05aspp特征融合策略.mp4
• 06deeplabv3plus版本网络架构.mp4
• 07基于deeplabv3+版本进行voc分割实战
• 01pascalvoc数据集介绍.mp4
• 02项目参数与数据集读取.mp4
• 03网络前向传播流程.mp4
• 04aspp层特征融合.mp4
• 05分割模型训练.mp4
• 08医学心脏视频数据集分割建模实战
• 01数据集与任务概述.mp4
• 02项目基本配置参数.mp4
• 03任务流程解读.mp4
• 04文献报告分析.mp4
• 05补充：视频数据源特征处理方法概述.mp4
• 06补充：r(2plus1)d处理方法分析.mp4
• 09物体检测框架-maskrcnn项目介绍与配置
• 01mask-rcnn开源项目简介.mp4
• 02开源项目数据集.mp4
• 03开源项目数据集.mp4
• 10maskrcnn网络框架源码详解
• 01fpn层特征提取原理解读.mp4
• 02fpn网络架构实现解读.mp4
• 03生成框比例设置.mp4
• 04基于不同尺度特征图生成所有框.mp4
• 05rpn层的作用与实现解读.mp4
• 06候选框过滤方法.mp4
• 07proposal层实现方法.mp4
• 08detectiontarget层的作用.mp4
• 09正负样本选择与标签定义.mp4
• 10roipooling层的作用与目的.mp4
• 11roralign操作的效果.mp4
• 12整体框架回顾.mp4
• 11基于mask-rcnn框架训练自己的数据与任务
• 01labelme工具安装.mp4
• 02使用labelme进行数据与标签标注.mp4
• 03完成训练数据准备工作.mp4
• 04maskrcnn源码修改方法.mp4
• 05基于标注数据训练所需任务.mp4
• 06测试与展示模块.mp4
• 08行为识别实战
• 01slowfast算法知识点通俗解读
• 01slowfast核心思想解读.mp4
• 02核心网络结构模块分析.mp4
• 03数据采样曾的作用.mp4
• 04模型网络结构设计.mp4
• 05特征融合模块与总结分析.mp4
• 02slowfast项目环境配置与配置文件
• 01环境基本配置解读.mp4
• 02目录各文件分析.mp4
• 03配置文件作用解读.mp4
• 04测试demo演示.mp4
• 05训练所需标签文件说明.mp4
• 06训练所需视频数据准备.mp4
• 07视频数据集切分操作.mp4
• 08完成视频分帧操作.mp4
• 03slowfast源码详细解读
• 01模型所需配置文件参数读取.mp4
• 02数据处理概述.mp4
• 03dataloader数据遍历方法.mp4
• 04数据与标签读取实例.mp4
• 05图像数据所需预处理方法.mp4
• 06slow与fast分别执行采样操作.mp4
• 07分别计算特征图输出结果.mp4
• 08slow与fast特征图拼接操作.mp4
• 09resnetbolock操作.mp4
• 10roialign与输出层.mp4
• 04基于3d卷积的视频分析与动作识别
• 013d卷积原理解读.mp4
• 02ucf101动作识别数据集简介.mp4
• 03测试效果与项目配置.mp4
• 04视频数据预处理方法.mp4
• 05数据batch制作方法.mp4
• 063d卷积网络所涉及模块.mp4
• 07训练网络模型.mp4
• 05视频异常检测算法与元学习
• 01异常检测要解决的问题与数据集介绍.mp4
• 02基本思想与流程分析.mp4
• 03预测与常见问题.mp4
• 04meta-learn要解决的问题.mp4
• 05学习能力与参数定义.mp4
• 06如何找到合适的初始化参数.mp4
• 07maml算法流程解读.mp4
• 06视频异常检测cvpr2021论文及其源码解读
• 01论文概述与环境配置.mp4
• 02数据集配置与读取.mp4
• 03模型编码与解码结构.mp4
• 04注意力机制模块打造.mp4
• 05损失函数的目的.mp4
• 06特征图生成.mp4
• 07metalearn与输出.mp4
• 07基础补充-resnet模型及其应用实例
• 01医学疾病数据集介绍.mp4
• 02resnet网络架构原理分析.mp4
• 03dataloader加载数据集.mp4
• 04resnet网络前向传播.mp4
• 05残差网络的shortcut操作.mp4
• 06特征图升维与降采样操作.mp4
• 07网络整体流程与训练演示.mp4
• 092022论文必备-transformer实战系列
• 01课程介绍
• 01课程介绍.mp4
• 02自然语言处理通用框架bert原理解读
• 01bert任务目标概述.mp4
• 02传统解决方案遇到的问题.mp4
• 03注意力机制的作用.mp4
• 04self-attention计算方法.mp4
• 05特征分配与softmax机制.mp4
• 06multi-head的作用.mp4
• 07位置编码与多层堆叠.mp4
• 08transformer整体架构梳理.mp4
• 09bert模型训练方法.mp4
• 10训练实例.mp4
• 03transformer在视觉中的应用vit算法
• 01transformer发家史介绍.mp4
• 02对图像数据构建patch序列.mp4
• 03vit整体架构解读.mp4
• 04cnn遇到的问题与窘境.mp4
• 05计算公式解读.mp4
• 06位置编码与tnt模型.mp4
• 07tnt模型细节分析.mp4
• 04vit算法模型源码解读
• 01项目配置说明.mp4
• 02输入序列构建方法解读.mp4
• 03注意力机制计算.mp4
• 04输出层计算结果.mp4
• 05swintransformer算法原理解析
• 01swintransformer整体概述.mp4
• 02要解决的问题及其优势分析.mp4
• 03一个block要完成的任务.mp4
• 04获取各窗口输入特征.mp4
• 05基于窗口的注意力机制解读.mp4
• 06窗口偏移操作的实现.mp4
• 07偏移细节分析及其计算量概述.mp4
• 08整体网络架构整合.mp4
• 09下采样操作实现方法.mp4
• 10分层计算方法.mp4
• 06swintransformer源码解读
• 01数据与环境配置解读.mp4
• 02图像数据patch编码.mp4
• 03数据按window进行划分计算.mp4
• 04基础attention计算模块.mp4
• 05窗口位移模块细节分析.mp4
• 06patchmerge下采样操作.mp4
• 07各block计算方法解读.mp4
• 08输出层概述.mp4
• 07基于transformer的detr目标检测算法
• 01detr目标检测基本思想解读.mp4
• 02整体网络架构分析.mp4
• 03位置信息初始化query向量.mp4
• 04注意力机制的作用方法.mp4
• 05训练过程的策略.mp4
• 08detr目标检测源码解读
• 01项目环境配置解读.mp4
• 02数据处理与dataloader.mp4
• 03位置编码作用分析.mp4
• 04backbone特征提取模块.mp4
• 05mask与编码模块.mp4
• 06编码层作用方法.mp4
• 07decoder层操作与计算.mp4
• 08输出预测结果.mp4
• 09损失函数与预测输出.mp4
• 09medicaltrasnformer论文解读
• 01论文整体分析.mp4
• 02核心思想分析.mp4
• 03网络结构计算流程概述.mp4
• 04论文公式计算分析.mp4
• 05位置编码的作用与效果.mp4
• 06拓展应用分析.mp4
• 10medicaltransformer源码解读
• 01项目环境配置.mp4
• 02医学数据介绍与分析.mp4
• 03基本处理操作.mp4
• 04axialattention实现过程.mp4
• 05位置编码向量解读.mp4
• 06注意力计算过程与方法.mp4
• 07局部特征提取与计算.mp4
• 11商汤loftr算法解读
• 01特征匹配的应用场景.mp4
• 02特征匹配的基本流程分析.mp4
• 03整体流程梳理分析.mp4
• 04crossattention的作用与效果.mp4
• 05transformer构建匹配特征.mp4
• 06粗粒度匹配过程与作用.mp4
• 07特征图拆解操作.mp4
• 08细粒度匹配的作用与方法.mp4
• 09基于期望预测最终位置.mp4
• 10总结分析.mp4
• 12局部特征关键点匹配实战
• 01项目与参数配置解读.mp4
• 02demo效果演示.mp4
• 03backbone特征提取模块.mp4
• 04注意力机制的作用与效果分析.mp4
• 05特征融合模块实现方法.mp4
• 06cross关系计算方法实例.mp4
• 07粗粒度匹配过程.mp4
• 08完成基础匹配模块.mp4
• 09精细化调整方法与实例.mp4
• 10得到精细化输出结果.mp4
• 11通过期望计算最终输出.mp4
• 13项目补充-谷歌开源项目bert源码解读与应用实例
• 01bert开源项目简介.mp4
• 02项目参数配置.mp4
• 03数据读取模块.mp4
• 04数据预处理模块.mp4
• 05tfrecord制作.mp4
• 06embedding层的作用.mp4
• 07加入额外编码特征.mp4
• 08加入位置编码特征.mp4
• 09mask机制的作用.mp4
• 10构建qkv矩阵.mp4
• 11完成transformer模块构建.mp4
• 12训练bert模型.mp4
• 14项目补充-基于bert的中文情感分析实战
• 01中文分类数据与任务概述.mp4
• 02读取处理自己的数据集.mp4
• 03训练bert中文分类模型.mp4
• 10图神经网络实战
• 01图神经网络基础
• 01图神经网络应用领域分析.mp4
• 02图基本模块定义.mp4
• 03邻接矩阵的定义.mp4
• 04gnn中常见任务.mp4
• 05消息传递计算方法.mp4
• 06多层gcn的作用.mp4
• 02图卷积gcn模型
• 01gcn基本模型概述.mp4
• 02图卷积的基本计算方法.mp4
• 03邻接的矩阵的变换.mp4
• 04gcn变换原理解读.mp4
• 03图模型必备神器pytorchgeometric安装与使用
• 01pytorchgeometric工具包安装与配置方法.mp4
• 02数据集与邻接矩阵格式.mp4
• 03模型定义与训练方法.mp4
• 04文献引用数据集分类案例实战.mp4
• 04使用pytorchgeometric构建自己的图数据集
• 01构建数据集基本方法.mp4
• 02数据集与任务背景概述.mp4
• 03数据集基本预处理.mp4
• 04用户行为图结构创建.mp4
• 05数据集创建函数介绍.mp4
• 06网络结构定义模块.mp4
• 07topkpooling进行下采样任务.mp4
• 08获取全局特征.mp4
• 09模型训练与总结.mp4
• 05图注意力机制与序列图模型
• 01图注意力机制的作用与方法.mp4
• 02邻接矩阵计算图attention.mp4
• 03序列图神经网络tgcn应用.mp4
• 04序列图神经网络细节.mp4
• 06图相似度论文解读
• 01要完成的任务分析.mp4
• 02基本方法概述解读.mp4
• 03图模型提取全局与局部特征.mp4
• 04ntn模块的作用与效果.mp4
• 05点之间的对应关系计算.mp4
• 06结果输出与总结.mp4
• 07图相似度计算实战
• 01数据集与任务概述.mp4
• 02图卷积特征提取模块.mp4
• 03分别计算不同batch点的分布.mp4
• 04获得直方图特征结果.mp4
• 05图的全局特征构建.mp4
• 06ntn图相似特征提取.mp4
• 07预测得到相似度结果.mp4
• 08基于图模型的轨迹估计
• 01数据集与标注信息解读.mp4
• 02整体三大模块分析.mp4
• 03特征工程的作用与效果.mp4
• 04传统方法与现在向量空间对比.mp4
• 05输入细节分析.mp4
• 06子图模块构建方法.mp4
• 07特征融合模块分析.mp4
• 08vectornet输出层分析.mp4
• 09图模型轨迹估计实战
• 01数据与环境配置.mp4
• 02训练数据准备.mp4
• 03agent特征提取方法.mp4
• 04dataloader构建图结构.mp4
• 05subgraph与attention模型流程.mp4
• 113d点云实战
• 013d点云实战3d点云应用领域分析
• 01点云数据概述.mp4
• 02点云应用领域与发展分析.mp4
• 03点云分割任务.mp4
• 04点云补全任务.mp4
• 05点云检测与配准任务.mp4
• 06点云数据特征提取概述与预告.mp4
• 023d点云pointnet算法
• 013d数据应用领域与点云介绍.mp4
• 02点云数据可视化展示.mp4
• 03点云数据特性和及要解决的问题.mp4
• 04pointnet算法出发点解读.mp4
• 05pointnet算法网络架构解读.mp4
• 03pointnet++算法解读
• 01pointnet升级版算法要解决的问题.mp4
• 02最远点采样方法.mp4
• 03分组group方法原理解读.mp4
• 04整体流程概述分析.mp4
• 05分类与分割问题解决方案.mp4
• 06遇到的问题及改进方法分析.mp4
• 04pointnet++项目实战
• 01项目文件概述.mp4
• 02数据读取模块配置.mp4
• 03debug解读网络模型架构.mp4
• 04最远点采样介绍.mp4
• 05采样得到中心点.mp4
• 06组区域划分方法.mp4
• 07实现group操作得到各中心簇.mp4
• 08特征提取模块整体流程.mp4
• 09预测结果输出模块.mp4
• 10分类任务总结.mp4
• 11分割任务数据与配置概述.mp4
• 12分割需要解决的任务概述.mp4
• 13上采样完成分割任务.mp4
• 05点云补全pf-net论文解读
• 01点云补全要解决的问题.mp4
• 02基本解决方案概述.mp4
• 03整体网络概述.mp4
• 04网络计算流程.mp4
• 05输入与计算结果.mp4
• 06点云补全实战解读
• 01数据与项目配置解读.mp4
• 02待补全数据准备方法.mp4
• 03整体框架概述.mp4
• 04mre特征提取模块.mp4
• 05分层预测输出模块.mp4
• 06补全点云数据.mp4
• 07判别模块.mp4
• 07点云配准及其案例实战
• 01点云配准任务概述.mp4
• 02配准要完成的目标解读.mp4
• 03训练数据构建.mp4
• 04任务基本流程.mp4
• 05数据源配置方法.mp4
• 06参数计算模块解读.mp4
• 07基于模型预测输出参数.mp4
• 08特征构建方法分析.mp4
• 09任务总结.mp4
• 08基础补充-对抗生成网络架构原理与实战解析
• 01对抗生成网络通俗解释.mp4
• 02gan网络组成.mp4
• 03损失函数解释说明.mp4
• 04数据读取模块.mp4
• 05生成与判别网络定义.mp4
• 12目标追踪与姿态估计实战
• 01课程介绍
• 01课程介绍.mp4
• 02姿态估计openpose系列算法解读
• 01姿态估计要解决的问题分析.mp4
• 02姿态估计应用领域概述.mp4
• 03传统topdown方法的问题.mp4
• 04要解决的两个问题分析.mp4
• 05基于高斯分布预测关键点位置.mp4
• 06各模块输出特征图解读.mp4
• 07paf向量登场.mp4
• 08paf标签设计方法.mp4
• 09预测时paf积分计算方法.mp4
• 10匹配方法解读.mp4
• 11cpm模型特点.mp4
• 12算法流程与总结.mp4
• 03openpose算法源码分析
• 01数据集与路径配置解读.mp4
• 02读取图像与标注信息.mp4
• 03关键点与躯干特征图初始化.mp4
• 04根据关键点位置设计关键点标签.mp4
• 05准备构建paf躯干标签.mp4
• 06各位置点归属判断.mp4
• 07特征图各点累加向量计算.mp4
• 08完成paf特征图制作.mp4
• 09网络模型一阶段输出.mp4
• 10多阶段输出与预测.mp4
• 04deepsort算法知识点解读
• 01卡尔曼滤波通俗解释.mp4
• 02卡尔曼滤波要完成的任务.mp4
• 03任务本质分析.mp4
• 04基于观测值进行最优估计.mp4
• 05预测与更新操作.mp4
• 06追踪中的状态量.mp4
• 07匈牙利匹配算法概述.mp4
• 08匹配小例子分析.mp4
• 09reid特征的作用.mp4
• 10sort与deepsort建模流程分析.mp4
• 11预测与匹配流程解读.mp4
• 12追踪任务流程拆解.mp4
• 05deepsort源码解读
• 01项目环境配置.mp4
• 02参数与demo演示.mp4
• 03针对检测结果初始化track.mp4
• 04对track执行预测操作.mp4
• 05状态量预测结果.mp4
• 06iou代价矩阵计算.mp4
• 07参数更新操作.mp4
• 08级联匹配模块.mp4
• 09reid特征代价矩阵计算.mp4
• 10匹配结果与总结.mp4
• 06yolo-v4版本算法解读
• 01v4版本整体概述.mp4
• 02v4版本贡献解读.mp4
• 03数据增强策略分析.mp4
• 04dropblock与标签平滑方法.mp4
• 05损失函数遇到的问题.mp4
• 06ciou损失函数定义.mp4
• 07nms细节改进.mp4
• 08spp与csp网络结构.mp4
• 09sam注意力机制模块.mp4
• 10pan模块解读.mp4
• 11激活函数与整体架构总结.mp4
• 07v5版本项目配置
• 01整体项目概述.mp4
• 02训练自己的数据集方法.mp4
• 03训练数据参数配置.mp4
• 04测试demo演示.mp4
• 08v5项目工程源码解读
• 01数据源debug流程解读.mp4
• 02图像数据源配置.mp4
• 03加载标签数据.mp4
• 04mosaic数据增强方法.mp4
• 05数据四合一方法与流程演示.mp4
• 06getitem构建batch.mp4
• 07网络架构图可视化工具安装.mp4
• 08v5网络配置文件解读.mp4
• 09focus模块流程分析.mp4
• 10完成配置文件解析任务.mp4
• 11前向传播计算.mp4
• 12bottleneckcsp层计算方法.mp4
• 131-spp层计算细节分析.mp4
• 142-head层流程解读.mp4
• 15上采样与拼接操作.mp4
• 16输出结果分析.mp4
• 17超参数解读.mp4
• 18命令行参数介绍.mp4
• 19训练流程解读.mp4
• 20各种训练策略概述.mp4
• 21模型迭代过程.mp4
• 13面向深度学习的无人驾驶实战
• 01深度估计算法原理解读
• 01深度估计效果与应用.mp4
• 02kitti数据集介绍.mp4
• 03使用backbone获取层级特征.mp4
• 04差异特征计算边界信息.mp4
• 05spp层的作用.mp4
• 06空洞卷积与aspp.mp4
• 07特征拼接方法分析.mp4
• 08网络coarse-to-fine过程.mp4
• 09权重参数预处理.mp4
• 10损失计算.mp4
• 02深度估计项目实战
• 01项目环境配置解读.mp4
• 02数据与标签定义方法.mp4
• 03数据集dataloader制作.mp4
• 04使用backbone进行特征提取.mp4
• 05计算差异特征.mp4
• 06权重参数标准化操作.mp4
• 07网络结构aspp层.mp4
• 08特征拼接方法解读.mp4
• 09输出深度估计结果.mp4
• 10损失函数通俗解读.mp4
• 11模型demo输出结果.mp4
• 03车道线检测算法与论文解读
• 01数据标签与任务分析.mp4
• 02网络整体框架分析.mp4
• 03输出结果分析.mp4
• 04损失函数计算方法.mp4
• 05论文概述分析.mp4
• 04基于深度学习的车道线检测项目实战
• 01车道数据与标签解读.mp4
• 02项目环境配置演示.mp4
• 03制作数据集dataloader.mp4
• 04车道线标签数据处理.mp4
• 05四条车道线标签位置矩阵.mp4
• 06grid设置方法.mp4
• 07完成数据与标签制作.mp4
• 08算法网络结构解读.mp4
• 09损失函数计算模块分析.mp4
• 10车道线规则损失函数限制.mp4
• 11demo制作与配置.mp4
• 05商汤loftr算法解读
• 01特征匹配的应用场景.mp4
• 02特征匹配的基本流程分析.mp4
• 03整体流程梳理分析.mp4
• 04crossattention的作用与效果.mp4
• 05transformer构建匹配特征.mp4
• 06粗粒度匹配过程与作用.mp4
• 07特征图拆解操作.mp4
• 08细粒度匹配的作用与方法.mp4
• 09基于期望预测最终位置.mp4
• 10总结分析.mp4
• 06局部特征关键点匹配实战
• 01项目与参数配置解读.mp4
• 02demo效果演示.mp4
• 03backbone特征提取模块.mp4
• 04注意力机制的作用与效果分析.mp4
• 05特征融合模块实现方法.mp4
• 06cross关系计算方法实例.mp4
• 07粗粒度匹配过程.mp4
• 08完成基础匹配模块.mp4
• 09精细化调整方法与实例.mp4
• 10得到精细化输出结果.mp4
• 11通过期望计算最终输出.mp4
• 07三维重建应用与坐标系基础
• 01三维重建概述分析.mp4
• 02三维重建应用领域概述.mp4
• 03成像方法概述.mp4
• 04相机坐标系.mp4
• 05坐标系转换方法解读.mp4
• 06相机内外参.mp4
• 07通过内外参数进行坐标变换.mp4
• 08相机标定简介.mp4
• 08neuralrecon算法解读
• 01任务流程分析.mp4
• 02基本框架熟悉.mp4
• 03特征映射方法解读.mp4
• 04片段融合思想.mp4
• 05整体架构重构方法.mp4
• 09neuralrecon项目环境配置
• 01数据集下载与配置方法.mp4
• 02scannet数据集内容概述.mp4
• 03tsdf标签生成方法.mp4
• 04issue的作用.mp4
• 05完成依赖环境配置.mp4
• 10neuralrecon项目源码解读
• 01backbone得到特征图.mp4
• 02初始化体素位置.mp4
• 03坐标映射方法实现.mp4
• 04得到体素所对应特征图.mp4
• 05插值得到对应特征向量.mp4
• 06得到一阶段输出结果.mp4
• 07完成三个阶段预测结果.mp4
• 08项目总结.mp4
• 11tsdf算法与应用
• 01tsdf整体概述分析.mp4
• 02合成过程demo演示.mp4
• 03布局初始化操作.mp4
• 04tsdf计算基本流程解读.mp4
• 05坐标转换流程分析.mp4
• 06输出结果融合更新.mp4
• 12tsdf实战案例
• 01环境配置概述.mp4
• 02初始化与数据读取.mp4
• 03计算得到tsdf输出.mp4
• 13轨迹估计算法与论文解读
• 01数据集与标注信息解读.mp4
• 02整体三大模块分析.mp4
• 03特征工程的作用与效果.mp4
• 04传统方法与现在向量空间对比.mp4
• 05输入细节分析.mp4
• 06子图模块构建方法.mp4
• 07特征融合模块分析.mp4
• 08vectornet输出层分析.mp4
• 14轨迹估计预测实战
• 01数据与环境配置.mp4
• 02训练数据准备.mp4
• 03agent特征提取方法.mp4
• 04dataloader构建图结构.mp4
• 05subgraph与attention模型流程.mp4
• 15特斯拉无人驾驶解读
• 01特斯拉无人驾驶解读.mp4
• 14对比学习与多模态任务实战
• 01对比学习算法与实例
• 01对比学习算法与实例.mp4
• 02clip系列
• 01clip系列.mp4
• 03多模态3d目标检测算法源码解读
• 01环境配置与数据集概述.mp4
• 02数据与标注文件介绍.mp4
• 03基本流程梳理并进入debug模式.mp4
• 04数据与图像特征提取模块.mp4
• 05体素索引位置获取.mp4
• 06体素特征提取方法解读.mp4
• 07体素特征计算方法分析.mp4
• 08全局体素特征提取.mp4
• 09多模态特征融合.mp4
• 103d卷积特征融合.mp4
• 11输出层预测结果.mp4
• 04多模态文字识别
• 01多模态文字识别.mp4
• 05aninet源码解读
• 01数据集与环境概述.mp4
• 02配置文件修改方法.mp4
• 03bakbone模块得到特征.mp4
• 04视觉transformer模块的作用.mp4
• 05视觉模型中的编码与解码的效果.mp4
• 06文本模型中的结构分析.mp4
• 07迭代修正模块.mp4
• 08输出层与损失计算.mp4
• 15缺陷检测实战
• 01课程介绍
• 01课程介绍.mp4
• 02物体检框架yolo-v4版本算法解读
• 01v4版本整体概述.mp4
• 01源码【内有百度云地址，自取】.txt
• 02v4版本贡献解读.mp4
• 03数据增强策略分析.mp4
• 04dropblock与标签平滑方法.mp4
• 05损失函数遇到的问题.mp4
• 06ciou损失函数定义.mp4
• 07nms细节改进.mp4
• 08spp与csp网络结构.mp4
• 09sam注意力机制模块.mp4
• 10pan模块解读.mp4
• 11激活函数与整体架构总结.mp4
• 03物体检测框架yolov5版本项目配置
• 01整体项目概述.mp4
• 02训练自己的数据集方法.mp4
• 03训练数据参数配置.mp4
• 04测试demo演示.mp4
• 04物体检测框架yolov5项目工程源码解读
• 01数据源debug流程解读.mp4
• 02图像数据源配置.mp4
• 03加载标签数据.mp4
• 04mosaic数据增强方法.mp4
• 05数据四合一方法与流程演示.mp4
• 06getitem构建batch.mp4
• 07网络架构图可视化工具安装.mp4
• 08v5网络配置文件解读.mp4
• 09focus模块流程分析.mp4
• 10完成配置文件解析任务.mp4
• 11前向传播计算.mp4
• 12bottleneckcsp层计算方法.mp4
• 13spp层计算细节分析.mp4
• 14head层流程解读.mp4
• 15上采样与拼接操作.mp4
• 16输出结果分析.mp4
• 17超参数解读.mp4
• 18命令行参数介绍.mp4
• 19训练流程解读.mp4
• 20各种训练策略概述.mp4
• 21模型迭代过程.mp4
• 05基于yolov5的钢材缺陷检测实战
• 01任务需求与项目概述.mp4
• 02数据与标签配置方法.mp4
• 03标签转换格式脚本制作.mp4
• 04各版本模型介绍分析.mp4
• 05项目参数配置.mp4
• 06缺陷检测模型训练.mp4
• 07输出结果与项目总结.mp4
• 06semi-supervised布料缺陷检测实战
• 01任务目标与流程概述.mp4
• 02论文思想与模型分析.mp4
• 03项目配置解读.mp4
• 04网络流程分析.mp4
• 05输出结果展示.mp4
• 07opencv图像常用处理方法实例
• 01计算机眼中的图像.mp4
• 02视频的读取与处理.mp4
• 03roi区域.mp4
• 04边界填充.mp4
• 05数值计算.mp4
• 06图像阈值.mp4
• 07图像平滑处理.mp4
• 08高斯与中值滤波.mp4
• 09腐蚀操作.mp4
• 10膨胀操作.mp4
• 11开运算与闭运算.mp4
• 12梯度计算.mp4
• 13礼帽与黑帽.mp4
• 08opencv梯度计算与边缘检测实例
• 01canny边缘检测流程.mp4
• 02非极大值抑制.mp4
• 03边缘检测效果.mp4
• 04sobel算子.mp4
• 05梯度计算方法.mp4
• 06scharr与lapkacian算子.mp4
• 09opencv轮廓检测与直方图
• 01图像金字塔定义.mp4
• 02金字塔制作方法.mp4
• 03轮廓检测方法.mp4
• 04轮廓检测结果.mp4
• 05轮廓特征与近似.mp4
• 06模板匹配方法.mp4
• 07匹配效果展示.mp4
• 08直方图定义.mp4
• 09均衡化原理.mp4
• 10均衡化效果.mp4
• 11傅里叶概述.mp4
• 12频域变换结果.mp4
• 13低通与高通滤波.mp4
• 10基于opencv缺陷检测项目实战
• 01任务需求与环境配置.mp4
• 02数据读取与基本处理.mp4
• 03缺陷形态学操作.mp4
• 04整体流程解读.mp4
• 05缺陷检测效果演示.mp4
• 11基于视频流水线的opencv缺陷检测项目
• 01数据与任务概述.mp4
• 02视频数据读取与轮廓检测.mp4
• 03目标质心计算.mp4
• 04视频数据遍历方法.mp4
• 05缺陷区域提取.mp4
• 06不同类型的缺陷检测方法.mp4
• 07检测效果演示.mp4
• 12图像分割deeplab系列算法
• 01deeplab分割算法概述.mp4
• 02空洞卷积的作用.mp4
• 03感受野的意义.mp4
• 04spp层的作用.mp4
• 05aspp特征融合策略.mp4
• 06deeplabv3plus版本网络架构.mp4
• 13基于deeplabv3+版本进行voc分割实战
• 01pascalvoc数据集介绍.mp4
• 02项目参数与数据集读取.mp4
• 03网络前向传播流程.mp4
• 04aspp层特征融合.mp4
• 05分割模型训练.mp4
• 14deeplab铁质材料缺陷检测与开源项目应用流程
• 01数据集与任务概述.mp4
• 02开源项目应用方法.mp4
• 03github与kaggle中需要注意的点.mp4
• 04源码的利用方法.mp4
• 04源码的利用方法_ev.mp4
• 05数据集制作方法_ev.mp4
• 06数据路径配置_ev.mp4
• 07训练模型_ev.mp4
• 08任务总结_ev.mp4
• 16行人重识别实战
• 01行人重识别原理及其应用
• 01行人重识别要解决的问题_ev.mp4
• 02挑战与困难分析_ev.mp4
• 03评估标准rank1指标_ev.mp4
• 04map值计算方法_ev.mp4
• 05triplet损失计算实例_ev.mp4
• 06hard-negative方法应用_ev.mp4
• 02基于注意力机制的reld模型论文解读
• 01论文整体思想及注意力机制的作用解读_ev.mp4
• 02空间权重值计算流程分析_ev.mp4
• 03融合空间注意力所需特征_ev.mp4
• 04基于特征图的注意力计算_ev.mp4
• 03基于attention的行人重识别项目实战
• 01项目环境与数据集配置_ev.mp4
• 02参数配置与整体架构分析_ev.mp4
• 03进入debug模式解读网络计算流程_ev.mp4
• 04获得空间位置点之间的关系_ev.mp4
• 05组合关系特征图_ev.mp4
• 06计算得到位置权重值_ev.mp4
• 07基于特征图的权重计算_ev.mp4
• 08损失函数计算实例解读_ev.mp4
• 09训练与测试模块演示_ev.mp4
• 04aaai2020顶会算法精讲
• 01论文整体框架概述_ev.mp4
• 02局部特征与全局关系计算方法_ev.mp4
• 03特征分组方法_ev.mp4
• 04gcp模块特征融合方法_ev.mp4
• 05onevsreset方法实例_ev.mp4
• 06损失函数应用位置_ev.mp4
• 05项目实战-基于行人局部特征融合的再识别实战
• 01项目配置与数据集介绍_ev.mp4
• 02数据源构建方法分析_ev.mp4
• 03dataloader加载顺序解读_ev.mp4
• 04debug模式解读_ev.mp4
• 05网络计算整体流程演示_ev.mp4
• 06特征序列构建_ev.mp4
• 07gcp全局特征提取_ev.mp4
• 08局部特征提取实例_ev.mp4
• 09特征组合汇总_ev.mp4
• 10得到所有分组特征结果_ev.mp4
• 11损失函数与训练过程演示_ev.mp4
• 12测试与验证模块_ev.mp4
• 06旷视研究院最新算法解读（基于图模型）
• 01关键点位置特征构建_ev.mp4
• 02图卷积与匹配的作用_ev.mp4
• 03局部特征热度图计算_ev.mp4
• 04基于图卷积构建人体拓扑关系_ev.mp4
• 05图卷积模块实现方法_ev.mp4
• 06图匹配在行人重识别中的作用_ev.mp4
• 07整体算法框架分析_ev.mp4
• 07基于拓扑图的行人重识别项目实战
• 01数据集与环境配置概述_ev.mp4
• 02局部特征准备方法_ev.mp4
• 03得到一阶段热度图结果_ev.mp4
• 04阶段监督训练_ev.mp4
• 05初始化图卷积模型_ev.mp4
• 06mask矩阵的作用_ev.mp4
• 07邻接矩阵学习与更新_ev.mp4
• 08基于拓扑结构组合关键点特征_ev.mp4
• 09图匹配模块计算流程_ev.mp4
• 10整体项目总结_ev.mp4
• 17对抗生成网络实战
• 01课程介绍
• 01课程介绍_ev.mp4
• 02对抗生成网络架构原理与实战解析
• 01对抗生成网络通俗解释_ev.mp4
• 02gan网络组成_ev.mp4
• 03损失函数解释说明_ev.mp4
• 04数据读取模块_ev.mp4
• 05生成与判别网络定义_ev.mp4
• 03基于cyclegan开源项目实战图像合成
• 01cyclegan网络所需数据_ev.mp4
• 02cyclegan整体网络架构_ev.mp4
• 03patchgan判别网络原理_ev.mp4
• 04cycle开源项目简介_ev.mp4
• 05数据读取与预处理操作_ev.mp4
• 06生成网络模块构造_ev.mp4
• 07判别网络模块构造_ev.mp4
• 08损失函数：identityloss计算方法_ev.mp4
• 09生成与判别损失函数指定_ev.mp4
• 10额外补充：visdom可视化配置_ev.mp4
• 04stargan论文架构解析
• 01stargan效果演示分析_ev.mp4
• 02网络架构整体思路解读_ev.mp4
• 03建模流程分析_ev.mp4
• 04v1版本存在的问题及后续改进思路_ev.mp4
• 05v2版本在整体网络架构_ev.mp4
• 06编码器训练方法_ev.mp4
• 07损失函数公式解析_ev.mp4
• 08训练过程分析_ev.mp4
• 05stargan项目实战及其源码解读
• 01测试模块效果与实验分析_ev.mp4
• 02项目配置与数据源下载_ev.mp4
• 03测试效果演示_ev.mp4
• 04项目参数解析_ev.mp4
• 05生成器模块源码解读_ev.mp4
• 06所有网络模块构建实例_ev.mp4
• 07数据读取模块分析_ev.mp4
• 08判别器损失计算_ev.mp4
• 09损失计算详细过程_ev.mp4
• 10生成模块损失计算_ev.mp4
• 06基于starganvc2的变声器论文原理解读
• 01论文整体思路与架构解读_ev.mp4
• 02vcc2016输入数据_ev.mp4
• 03语音特征提取_ev.mp4
• 04生成器模型架构分析_ev.mp4
• 05instancenorm的作用解读_ev.mp4
• 06adain的目的与效果_ev.mp4
• 07判别器模块分析_ev.mp4
• 07starganvc2变声器项目实战及其源码解读
• 01数据与项目文件解读_ev.mp4
• 02环境配置与工具包安装_ev.mp4
• 03数据预处理与声音特征提取_ev.mp4
• 04生成器构造模块解读_ev.mp4
• 05下采样与上采样操作_ev.mp4
• 06starganvc2版本标签输入分析_ev.mp4
• 07生成器前向传播维度变化_ev.mp4
• 08判别器模块解读_ev.mp4
• 09论文损失函数_ev.mp4
• 10源码损失计算流程_ev.mp4
• 11测试模块-生成转换语音_ev.mp4
• 08图像超分辨率重构实战
• 01论文概述_ev.mp4
• 02网络架构_ev.mp4
• 03数据与环境配置_ev.mp4
• 04数据加载与配置_ev.mp4
• 05生成模块_ev.mp4
• 06判别模块_ev.mp4
• 07vgg特征提取网络_ev.mp4
• 08损失函数与训练_ev.mp4
• 09测试模块_ev.mp4
• 09基于gan的图像补全实战
• 01论文概述_ev.mp4
• 02网络架构_ev.mp4
• 03细节设计_ev.mp4
• 04论文总结_ev.mp4
• 05数据与项目概述_ev.mp4
• 06参数基本设计_ev.mp4
• 07网络结构配置_ev.mp4
• 08网络迭代训练_ev.mp4
• 09测试模块_ev.mp4
• 18强化学习实战系列
• 01强化学习简介及其应用
• 01一张图通俗解释强化学习_ev.mp4
• 02强化学习的指导依据_ev.mp4
• 03强化学习ai游戏demo_ev.mp4
• 04应用领域简介_ev.mp4
• 05强化学习工作流程_ev.mp4
• 06计算机眼中的状态与行为_ev.mp4
• 02ppo算法与公式推导
• 01基本情况介绍_ev.mp4
• 02与环境交互得到所需数据_ev.mp4
• 03要完成的目标分析_ev.mp4
• 04策略梯度推导_ev.mp4
• 05baseline方法_ev.mp4
• 06onpolicy与offpolicy策略_ev.mp4
• 07importancesampling的作用_ev.mp4
• 08ppo算法整体思路解析_ev.mp4
• 03ppo实战-月球登陆器训练实例
• 01critic的作用与效果_ev.mp4
• 02ppo2版本公式解读_ev.mp4
• 03参数与网络结构定义_ev.mp4
• 04得到动作结果_ev.mp4
• 05奖励获得与计算_ev.mp4
• 06参数迭代与更新_ev.mp4
• 04q-learning与dqn算法
• 01整体任务流程演示_ev.mp4
• 02探索与action获取_ev.mp4
• 03计算target值_ev.mp4
• 04训练与更新_ev.mp4
• 05算法原理通俗解读_ev.mp4
• 06目标函数与公式解析_ev.mp4
• 07qlearning算法实例解读_ev.mp4
• 08q值迭代求解_ev.mp4
• 09dqn简介_ev.mp4
• 05dqn算法实例演示
• 01整体任务流程演示_ev.mp4
• 02探索与action获取_ev.mp4
• 03计算target值_ev.mp4
• 04训练与更新_ev.mp4
• 06dqn改进与应用技巧
• 01doubledqn要解决的问题_ev.mp4
• 02duelingdqn改进方法_ev.mp4
• 03dueling整体网络架构分析_ev.mp4
• 04multisetp策略_ev.mp4
• 05连续动作处理方法_ev.mp4
• 07actor-critic算法分析（a3c）
• 01ac算法回顾与知识点总结_ev.mp4
• 02优势函数解读与分析_ev.mp4
• 03计算流程实例_ev.mp4
• 04a3c整体架构分析_ev.mp4
• 05损失函数整理_ev.mp4
• 08用a3c玩转超级马里奥
• 01整体流程与环境配置_ev.mp4
• 02启动游戏环境_ev.mp4
• 03要计算的指标回顾_ev.mp4
• 04初始化局部模型并加载参数_ev.mp4
• 05与环境交互得到训练数据_ev.mp4
• 06训练网络模型_ev.mp4
• 19openai顶级黑科技算法及其项目实战
• 01gpt系列生成模型
• 01gpt系列_ev.mp4
• 02gpt建模与预测流程
• 01生成模型可以完成的任务概述_ev.mp4
• 02数据样本生成方法_ev.mp4
• 03训练所需参数解读_ev.mp4
• 04模型训练过程_ev.mp4
• 05部署与网页预测展示_ev.mp4
• 03clip系列
• 01clip系列_ev.mp4
• 04diffusion模型解读
• 01diffusion模型解读_ev.mp4
• 05dalle2及其源码解读
• 01dalle2源码解读_ev.mp4
• 06chatgpt
• 01chatgpt_ev.mp4
• 20面向医学领域的深度学习实战
• 01卷积神经网络原理与参数解读
• 01卷积神经网络应用领域_ev.mp4
• 02卷积的作用_ev.mp4
• 03卷积特征值计算方法_ev.mp4
• 04得到特征图表示_ev.mp4
• 05步长与卷积核大小对结果的影响_ev.mp4
• 06边缘填充方法_ev.mp4
• 07特征图尺寸计算与参数共享_ev.mp4
• 08池化层的作用_ev.mp4
• 09整体网络架构_ev.mp4
• 10vgg网络架构_ev.mp4
• 11残差网络resnet_ev.mp4
• 12感受野的作用_ev.mp4
• 02pytorch框架基本处理操作
• 01pytorch实战课程简介_ev.mp4
• 02pytorch框架发展趋势简介_ev.mp4
• 03框架安装方法（cpu与gpu版本）_ev.mp4
• 04pytorch基本操作简介_ev.mp4
• 05自动求导机制_ev.mp4
• 06线性回归demo-数据与参数配置_ev.mp4
• 07线性回归demo-训练回归模型_ev.mp4
• 08补充：常见tensor格式_ev.mp4
• 09补充：hub模块简介_ev.mp4
• 03pytorch框架必备核心模块解读
• 01卷积网络参数定义_ev.mp4
• 02网络流程解读_ev.mp4
• 03vision模块功能解读_ev.mp4
• 04分类任务数据集定义与配置_ev.mp4
• 05图像增强的作用_ev.mp4
• 06数据预处理与数据增强模块_ev.mp4
• 07batch数据制作_ev.mp4
• 08迁移学习的目标_ev.mp4
• 09迁移学习策略_ev.mp4
• 10加载训练好的网络模型_ev.mp4
• 11优化器模块配置_ev.mp4
• 12实现训练模块_ev.mp4
• 13训练结果与模型保存_ev.mp4
• 14加载模型对测试数据进行预测_ev.mp4
• 15额外补充-resnet论文解读_ev.mp4
• 16额外补充-resnet网络架构解读_ev.mp4
• 04基于resnet的医学数据集分类实战
• 01医学疾病数据集介绍_ev.mp4
• 02resnet网络架构原理分析_ev.mp4
• 03dataloader加载数据集_ev.mp4
• 04resnet网络前向传播_ev.mp4
• 05残差网络的shortcut操作_ev.mp4
• 06特征图升维与降采样操作_ev.mp4
• 07网络整体流程与训练演示_ev.mp4
• 05图像分割及其损失函数概述
• 01语义分割与实例分割概述_ev.mp4
• 02分割任务中的目标函数定义_ev.mp4
• 03miou评估标准_ev.mp4
• 06unet系列算法讲解
• 01unet网络编码与解码过程_ev.mp4
• 02网络计算流程_ev.mp4
• 03unet升级版本改进_ev.mp4
• 04后续升级版本介绍_ev.mp4
• 07unet医学细胞分割实战
• 01医学细胞数据集介绍与参数配置_ev.mp4
• 02数据增强工具_ev.mp4
• 03debug模式演示网络计算流程_ev.mp4
• 04特征融合方法演示_ev.mp4
• 05迭代完成整个模型计算任务_ev.mp4
• 06模型效果验证_ev.mp4
• 08deeplab系列算法
• 01deeplab分割算法概述_ev.mp4
• 02空洞卷积的作用_ev.mp4
• 03感受野的意义_ev.mp4
• 04spp层的作用_ev.mp4
• 05aspp特征融合策略_ev.mp4
• 06deeplabv3plus版本网络架构_ev.mp4
• 09基于deeplabv3+版本进行voc分割实战
• 01pascalvoc数据集介绍_ev.mp4
• 02项目参数与数据集读取_ev.mp4
• 03网络前向传播流程_ev.mp4
• 04aspp层特征融合_ev.mp4
• 05分割模型训练_ev.mp4
• 10基于deeplab的心脏视频数据诊断分析
• 01数据集与任务概述_ev.mp4
• 02项目基本配置参数_ev.mp4
• 03任务流程解读_ev.mp4
• 04文献报告分析_ev.mp4
• 05补充：视频数据源特征处理方法概述_ev.mp4
• 06补充：r(2plus1)d处理方法分析_ev.mp4
• 11yolo系列物体检测算法原理解读
• 01检测任务中阶段的意义_ev.mp4
• 02不同阶段算法优缺点分析_ev.mp4
• 03iou指标计算_ev.mp4
• 04评估所需参数计算_ev.mp4
• 05map指标计算_ev.mp4
• 06yolo算法整体思路解读_ev.mp4
• 07检测算法要得到的结果_ev.mp4
• 08整体网络架构解读_ev.mp4
• 09位置损失计算_ev.mp4
• 10置信度误差与优缺点分析_ev.mp4
• 11v2版本细节升级概述_ev.mp4
• 12网络结构特点_ev.mp4
• 13架构细节解读_ev.mp4
• 14基于聚类来选择先验框尺寸_ev.mp4
• 15偏移量计算方法_ev.mp4
• 16坐标映射与还原_ev.mp4
• 17感受野的作用_ev.mp4
• 18特征融合改进_ev.mp4
• 19v3版本改进概述_ev.mp4
• 20多scale方法改进与特征融合_ev.mp4
• 21经典变换方法对比分析_ev.mp4
• 22残差连接方法解读_ev.mp4
• 23整体网络模型架构分析_ev.mp4
• 24先验框设计改进_ev.mp4
• 25sotfmax层改进_ev.mp4
• 26v4版本整体概述_ev.mp4
• 27v4版本贡献解读_ev.mp4
• 28数据增强策略分析_ev.mp4
• 29dropblock与标签平滑方法_ev.mp4
• 30损失函数遇到的问题_ev.mp4
• 31ciou损失函数定义_ev.mp4
• 32nms细节改进_ev.mp4
• 33spp与csp网络结构_ev.mp4
• 34sam注意力机制模块_ev.mp4
• 35pan模块解读_ev.mp4
• 36激活函数与整体架构总结_ev.mp4
• 12基于yolo5细胞检测实战
• 01任务与细胞数据集介绍_ev.mp4
• 02模型与算法配置参数解读_ev.mp4
• 03网络训练流程演示_ev.mp4
• 04效果评估与展示_ev.mp4
• 05细胞检测效果演示_ev.mp4
• 13知识图谱原理解读
• 01知识图谱通俗解读_ev.mp4
• 02知识图谱在搜索引擎中的应用_ev.mp4
• 03知识图谱在医疗领域应用实例_ev.mp4
• 04金融与推荐领域的应用_ev.mp4
• 05数据获取分析_ev.mp4
• 06数据关系抽取分析_ev.mp4
• 07常用nlp技术点分析_ev.mp4
• 08graph-embedding的作用与效果_ev.mp4
• 09金融领域图编码实例_ev.mp4
• 10视觉领域图编码实例_ev.mp4
• 11图谱知识融合与总结分析_ev.mp4
• 14neo4j数据库实战
• 01neo4j图数据库介绍_ev.mp4
• 02neo4j数据库安装流程演示_ev.mp4
• 03可视化例子演示_ev.mp4
• 04创建与删除操作演示_ev.mp4
• 05数据库更改查询操作演示_ev.mp4
• 15基于知识图谱的医药问答系统实战
• 01项目概述与整体架构分析_ev.mp4
• 02医疗数据介绍及其各字段含义_ev.mp4
• 03任务流程概述_ev.mp4
• 04环境配置与所需工具包安装_ev.mp4
• 05提取数据中的关键字段信息_ev.mp4
• 06创建关系边_ev.mp4
• 07打造医疗知识图谱模型_ev.mp4
• 08加载所有实体数据_ev.mp4
• 09实体关键词字典制作_ev.mp4
• 10完成对话系统构建_ev.mp4
• 16词向量模型与rnn网络架构
• 01词向量模型通俗解释_ev.mp4
• 02模型整体框架_ev.mp4
• 03训练数据构建_ev.mp4
• 04cbow与skip-gram模型_ev.mp4
• 05负采样方案_ev.mp4
• 06额外补充-rnn网络模型解读_ev.mp4
• 17医学糖尿病数据命名实体识别
• 01数据与任务介绍_ev.mp4
• 02整体模型架构_ev.mp4
• 03数据-标签-语料库处理_ev.mp4
• 04输入样本填充补齐_ev.mp4
• 05训练网络模型_ev.mp4
• 06医疗数据集（糖尿病）实体识别_ev.mp4
• 21深度学习模型部署与剪枝优化实战
• 01aiot人工智能物联网之认识jetsonnano
• 01jetsonnano硬件介绍_ev.mp4
• 02jetsonnano刷机_ev.mp4
• 03jetsonnano系统安装过程_ev.mp4
• 04感受nano的gpu算力_ev.mp4
• 05安装使用摄像头csiusb_ev.mp4
• 02aiot人工智能物联网之ai实战
• 03aiot人工智能物联网之nvidiatao实用级的训练神器
• 04aiot人工智能物联网之deepstream
• 05tensorrt视频
• 01源码【内有百度云地址，自取】.txt
• 03cuda驱动api，课程概述和清单_ev.mp4
• 07cuda运行时api，课程概述和清单_ev.mp4
• 08cuda运行时api，第一个运行时程序，hello-cuda_ev.mp4
• 10cuda运行时api，流的学习，异步任务的管理_ev.mp4
• 11cuda运行时api，核函数的定义和使用_ev.mp4
• 16tensorrt基础，课程概述清单_ev.mp4
• 18tensorrt基础，实现模型的推理过程_ev.mp4
• 20tensorrt基础，onnx文件及其结构的学习，编辑修改onnx.mkv_ev.mp4
• 21tensorrt基础，实际模型上onnx文件的各种操作_ev.mp4
• 22tensorrt基础，正确导出onnx的介绍，使得onnx问题尽量少_ev.mp4
• 24tensorrt基础，学习从下载onnx-tensorrt到配置好并运行起来全过程_ev.mp4
• 25tensorrt基础，学习第一个插件的编写_ev.mp4
• 30tensorrt高级，学习yolov5目标检测项目的代码修改、模型导出、编译到推理过程，没有封装_ev.mp4
• 32tensorrt高级，学习alphapose姿态检测项目的代码修改、模型导出、编译到推理过程，没有封装_ev.mp4
• 33tensorrt高级，学习如何处理mmdetection框架下yolox模型的导出，并使得正常推理出来_ev.mp4
• 35tensorrt高级，学习如何使用openvino进行onnx的模型推理过程_ev.mp4
• 37tensorrt高级，学习模型部署时常用的生产者消费者模型，以及future、promise、condition_variable.mkv_ev.mp4
• 42tensorrt高级，封装之，tensor张量的封装，索引计算，内存标记以及自动复制_ev.mp4
• 43tensorrt高级，封装之，infer推理的封装，输入输出tensor的关联_ev.mp4
• 44tensorrt高级，封装之，基于生产者消费者实现的yolov5封装_ev.mp4
• 49tensorrt高级，自动驾驶案例项目self-driving-车道线检测分析_ev.mp4
• 50tensorrt高级，学习使用pybind11为python开发扩展模块_ev.mp4
• 06pytorch框架部署实践
• 07yolo-v3物体检测部署实例
• 08docker实例演示
• 01docker简介_ev.mp4
• 02docker安装与配置_ev.mp4
• 03阿里云镜像配置_ev.mp4
• 04基于docker配置pytorch环境_ev.mp4
• 05安装演示环境所需依赖_ev.mp4
• 06复制所需配置到容器中_ev.mp4
• 07上传与下载配置好的项目_ev.mp4
• 09tensorflow-serving实战
• 10模型剪枝-networkslimming算法分析
• 11模型剪枝-networkslimming实战解读
• 12mobilenet三代网络模型架构
• 22自然语言处理必备神器huggingface系列实战
• 01huggingface与nlp介绍解读
• 02transformer工具包基本操作实例解读
• 03transformer原理解读
• 04bert系列算法解读
• 05文本标注工具与ner实例
• 06文本预训练模型构建实例
• 07gpt系列算法
• 08gpt训练与预测部署流程
• 09文本摘要建模
• 10图谱知识抽取实战
• 11补充huggingface数据集制作方法实例
• 23自然语言处理通用框架-bert实战
• 01自然语言处理通用框架bert原理解读
• 02谷歌开源项目bert源码解读与应用实例
• 03项目实战-基于bert的中文情感分析实战
• 04项目实战-基于bert的中文命名实体识别识别实战
• 05必备基础知识点-woed2vec模型通俗解读
• 06必备基础-掌握tensorflow如何实现word2vec模型
• 07必备基础知识点-rnn网络架构与情感分析应用实例
• 08医学糖尿病数据命名实体识别
• 24自然语言处理经典案例实战
• 01nlp常用工具包实战
• 02商品信息可视化与文本分析
• 03贝叶斯算法
• 04新闻分类任务实战
• 05hmm隐马尔科夫模型
• 06hmm工具包实战
• 07语言模型
• 08使用gemsim构建词向量
• 09基于word2vec的分类任务
• 10nlp-文本特征方法对比
• 11nlp-相似度模型
• 12lstm情感分析
• 13机器人写唐诗
• 14对话机器人
• 25知识图谱实战系列
• 01知识图谱介绍及其应用领域分析
• 02知识图谱涉及技术点分析
• 03neo4j数据库实战
• 04使用python操作neo4j实例
• 05基于知识图谱的医药问答系统实战
• 06文本关系抽取实践
• 07金融平台风控模型实践
• 08医学糖尿病数据命名实体识别
• 26语音识别实战系列
• 01seq2seq序列网络模型
• 02las模型语音识别实战
• 03starganvc2变声器论文原理解读
• 04staeganvc2变声器源码实战
• 05语音分离convtasnet模型
• 06convtasnet语音分离实战
• 07语音合成tacotron最新版实战
• 27推荐系统实战系列
• 01推荐系统介绍及其应用
• 02协同过滤与矩阵分解
• 03音乐推荐系统实战
• 04知识图谱与neo4j数据库实例
• 05基于知识图谱的电影推荐实战
• 06点击率估计fm与deepfm算法
• 07deepfm算法实战
• 08推荐系统常用工具包演示
• 09基于文本数据的推荐实例
• 10基本统计分析的电影推荐
• 11补充-基于相似度的酒店推荐系统
• 28ai课程所需安装软件教程
• 01ai课程所需安装软件教程
• 29额外补充
• 01通用创新点
• 课程目录：V-4796：咕泡-人工智能深度学习系统班（第八期） [223.75G]
• 文件较多，仅展示一层目录大纲。
• 1-直播回放
• 3-深度学习必备核⼼算法
• 4-深度学习框架pytorch
• 5-深度学习框架tensorflflow
• 6-opencv图像处理框架实战
• 7-综合项目-物体检测经典算法实战
• 8-图像分割实战
• 9-走向ai论文实验与项目实战的捷径-mmlab实战系列
• 10-经典视觉项目实战：行为识别、姿态估计、目标追踪
• 11-2022论⽂必备-transformer实战系列
• 12-图神经网络实战
• 13-3d点云实战
• 14-面向深度学习的无人驾驶实战
• 15-对比学习与多模态任务实战
• 16-缺陷检测实战
• 17-行人重识别实战
• 18-对抗生成网络实战
• 19-强化学习与ai黑科技实例
• 20-面向医学领域的深度学习实战
• 21-cv与nlp经典大模型解读
• 22-深度学习模型部署与剪枝优化实战
• 23-自然语言处理经典案例实战
• 24-自然语言处理必备神器huggingface系列实战
• 25-时间序列预测
• 26-自然语言处理通用框架-bert实战
• 27-知识图谱实战系列
• 28-语音识别实战系列
• 29-推荐系统实战系列
• 30-论文创新点常用方法及其应用实例
• 第八期资料