资源简介
人工智能深度学习是近年来发展迅速的计算机科学领域,在计算机视觉、自然语言处理、语音识别、推荐系统等多个领域有着广泛的应用。随着人工智能技术的不断发展,对高素质人工智能人才的需求也越来越大。
本课程旨在帮助学员掌握人工智能深度学习的核心理论和实践技能,为学员在人工智能领域就业或创业奠定基础。
课程特色
- 课程内容全面,涵盖人工智能深度学习的核心算法、框架、工具和应用领域。
- 教学方式灵活,提供直播授课、视频回放、课后练习、项目实战等多种学习方式。
- 师资力量雄厚,由来自高校、企业的资深专家授课。
- 就业服务完善,提供就业指导、简历优化、面试辅导等服务。
资源目录
——————————\天下无鱼15号盘\计算机教程119\09-其他\648-人工智能深度学习高薪就业班(第6期) ├─01 直播课回放 │ ├─01 开班典礼 │ ├─02 Pycharm环境配置与Debug演示(没用过的同学必看) │ ├─03 直播1:深度学习核心算法-神经网络与卷积网络 │ ├─04 直播2:卷积神经网络 │ ├─05 直播3:Transformer架构 │ ├─06 直播4:Transfomer在视觉任务中的应用实例 │ ├─07 直播5:YOLO系列(V7)算法解读 │ ├─08 直播6:分割模型Maskformer系列 │ ├─09 补充:Mask2former源码解读 │ ├─10 直播7:半监督物体检测 │ ├─11 直播8:基于图模型的时间序列预测 │ ├─12 直播9:图像定位与检索 │ ├─13 直播10:近期内容补充 │ ├─15 直播12:异构图神经网络 │ ├─16 直播13:BEV特征空间 │ ├─17 补充:BevFormer源码解读 │ ├─18 直播14:知识蒸馏 │ └─19 直播15:六期总结与论文简历 ├─02 深度学习必备核心算法 │ ├─01 神经网络算法解读 │ ├─02 卷积神经网络算法解读 │ └─03 递归神经网络算法解读 ├─03 深度学习核心框架PyTorch │ ├─01 PyTorch框架介绍与配置安装 │ ├─02 使用神经网络进行分类任务 │ ├─03 神经网络回归任务-气温预测 │ ├─04 卷积网络参数解读分析 │ ├─05 图像识别模型与训练策略(重点) │ ├─06 DataLoader自定义数据集制作 │ ├─07 LSTM文本分类实战 │ └─08 PyTorch框架Flask部署例子 ├─04 MMLAB实战系列 │ ├─01 MMCV安装方法 │ ├─02 第一模块:分类任务基本操作 │ ├─03 第一模块:训练结果测试与验证 │ ├─04 第一模块:模型源码DEBUG演示 │ ├─05 第二模块:使用分割模块训练自己的数据集 │ ├─06 第二模块:基于Unet进行各种策略修改 │ ├─07 第二模块:分割任务CVPR最新Backbone设计及其应用 │ ├─08 第三模块:mmdet训练自己的数据任务 │ ├─09 第三模块:DeformableDetr物体检测源码分析 │ ├─11 第三模块:DeformableDetr算法解读 │ ├─12 KIE关键信息抽取与视频超分辨率重构 │ ├─13 第四模块:DBNET文字检测 │ ├─14 第四模块:ANINET文字识别 │ ├─15 第四模块:KIE基于图模型的关键信息抽取 │ ├─16 第五模块:stylegan2源码解读 │ ├─17 第六模块:BasicVSR++视频超分辨重构源码解读 │ ├─18 第七模块:多模态3D目标检测算法源码解读 │ ├─19 第八模块:模型蒸馏应用实例 │ ├─20 第八模块:模型剪枝方法概述分析 │ ├─21 第九模块:mmaction行为识别 │ └─22 OCR算法解读 ├─05 Opencv图像处理框架实战 │ ├─01 课程简介与环境配置 │ ├─02 图像基本操作 │ ├─03 阈值与平滑处理 │ ├─04 图像形态学操作 │ ├─05 图像梯度计算 │ ├─06 边缘检测 │ ├─07 图像金字塔与轮廓检测 │ ├─08 直方图与傅里叶变换 │ ├─09 项目实战-信用卡数字识别 │ ├─10 项目实战-文档扫描OCR识别 │ ├─11 图像特征-harris │ ├─12 图像特征-sift │ ├─13 案例实战-全景图像拼接 │ ├─14 项目实战-停车场车位识别 │ ├─15 项目实战-答题卡识别判卷 │ ├─16 背景建模 │ ├─17 光流估计 │ ├─18 Opencv的DNN模块 │ ├─19 项目实战-目标追踪 │ ├─20 卷积原理与操作 │ └─21 项目实战-疲劳检测 ├─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 │ ├─02 YOLO-V1整体思想与网络架构 │ ├─03 YOLO-V2改进细节详解 │ ├─04 YOLO-V3核心网络模型 │ ├─05 项目实战-基于V3版本进行源码解读(建议直接跑V5版本) │ ├─06 基于YOLO-V3训练自己的数据集与任务(建议直接跑V5版本) │ ├─07 YOLO-V4版本算法解读 │ ├─08 V5版本项目配置 │ ├─09 V5项目工程源码解读 │ ├─10 V7源码解读 │ ├─11 EfficientNet网络 │ ├─12 EfficientDet检测算法 │ ├─13 基于Transformer的detr目标检测算法 │ └─14 detr目标检测源码解读 ├─07 图像分割实战 │ ├─01 图像分割及其损失函数概述 │ ├─05 U2NET显著性检测实战 │ ├─09 物体检测框架-MaskRcnn项目介绍与配置 │ ├─10 MaskRcnn网络框架源码详解 │ └─11 基于MASK-RCNN框架训练自己的数据与任务 ├─08 行为识别实战 │ ├─01 slowfast算法知识点通俗解读 │ ├─02 slowfast项目环境配置与配置文件 │ ├─03 slowfast源码详细解读 │ ├─04 基于3D卷积的视频分析与动作识别 │ ├─05 视频异常检测算法与元学习 │ └─06 视频异常检测CVPR2021论文及其源码解读 ├─09 2022论文必备-Transformer实战系列 │ ├─01 课程介绍 │ ├─02 自然语言处理通用框架BERT原理解读 │ ├─03 Transformer在视觉中的应用VIT算法 │ ├─04 VIT算法模型源码解读 │ ├─05 swintransformer算法原理解析 │ ├─06 swintransformer源码解读 │ ├─07 基于Transformer的detr目标检测算法 │ ├─08 detr目标检测源码解读 │ ├─09 MedicalTrasnformer论文解读 │ ├─10 MedicalTransformer源码解读 │ ├─11 商汤LoFTR算法解读 │ ├─12 局部特征关键点匹配实战 │ ├─13 项目补充-谷歌开源项目BERT源码解读与应用实例 │ └─14 项目补充-基于BERT的中文情感分析实战 ├─10 图神经网络实战 │ ├─01 图神经网络基础 │ ├─02 图卷积GCN模型 │ ├─03 图模型必备神器PyTorch Geometric安装与使用 │ ├─04 使用PyTorch Geometric构建自己的图数据集 │ ├─05 图注意力机制与序列图模型 │ ├─06 图相似度论文解读 │ ├─07 图相似度计算实战 │ ├─08 基于图模型的轨迹估计 │ └─09 图模型轨迹估计实战 ├─11 3D点云实战 │ ├─01 3D点云实战 3D点云应用领域分析 │ ├─02 3D点云PointNet算法 │ ├─03 PointNet++算法解读 │ ├─04 Pointnet++项目实战 │ ├─05 点云补全PF-Net论文解读 │ ├─06 点云补全实战解读 │ ├─07 点云配准及其案例实战 │ └─08 基础补充-对抗生成网络架构原理与实战解析 ├─12 目标追踪与姿态估计实战 │ ├─01 课程介绍 │ ├─02 姿态估计OpenPose系列算法解读 │ ├─03 OpenPose算法源码分析 │ ├─04 deepsort算法知识点解读 │ ├─05 deepsort源码解读 │ ├─06 YOLO-V4版本算法解读 │ └─08 V5项目工程源码解读 ├─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 │ ├─02 深度估计项目实战 │ ├─03 车道线检测算法与论文解读 │ ├─04 基于深度学习的车道线检测项目实战 │ ├─06 局部特征关键点匹配实战 │ ├─07 三维重建应用与坐标系基础 │ ├─08 NeuralRecon算法解读 │ ├─09 NeuralRecon项目环境配置 │ ├─10 NeuralRecon项目源码解读 │ ├─11 TSDF算法与应用 │ ├─12 TSDF实战案例 │ ├─14 轨迹估计预测实战 │ └─15 特斯拉无人驾驶解读 ├─14 对比学习与多模态任务实战 │ ├─01 对比学习算法与实例 │ └─04 多模态文字识别 ├─15 缺陷检测实战 │ ├─01 课程介绍 │ ├─02 物体检框架YOLO-V4版本算法解读 │ ├─04 物体检测框架YOLOV5项目工程源码解读 │ ├─05 基于YOLOV5的钢材缺陷检测实战 │ ├─06 Semi-supervised布料缺陷检测实战 │ ├─07 Opencv图像常用处理方法实例 │ ├─09 Opencv轮廓检测与直方图 │ ├─10 基于Opencv缺陷检测项目实战 │ ├─11 基于视频流水线的Opencv缺陷检测项目 │ └─14 Deeplab铁质材料缺陷检测与开源项目应用流程 ├─16 行人重识别实战 │ ├─01 行人重识别原理及其应用 │ ├─02 基于注意力机制的Reld模型论文解读 │ ├─03 基于Attention的行人重识别项目实战 │ ├─04 AAAI2020顶会算法精讲 │ ├─05 项目实战-基于行人局部特征融合的再识别实战 │ ├─06 旷视研究院最新算法解读(基于图模型) │ └─07 基于拓扑图的行人重识别项目实战 ├─17 对抗生成网络实战 │ ├─01 课程介绍 │ ├─02 对抗生成网络架构原理与实战解析 │ ├─03 基于CycleGan开源项目实战图像合成 │ ├─04 stargan论文架构解析 │ ├─05 stargan项目实战及其源码解读 │ ├─06 基于starganvc2的变声器论文原理解读 │ ├─07 starganvc2变声器项目实战及其源码解读 │ ├─08 图像超分辨率重构实战 │ └─09 基于GAN的图像补全实战 ├─18 强化学习实战系列 │ ├─01 强化学习简介及其应用 │ ├─02 PPO算法与公式推导 │ ├─03 PPO实战-月球登陆器训练实例 │ ├─04 Q-learning与DQN算法 │ ├─06 DQN改进与应用技巧 │ ├─07 Actor-Critic算法分析(A3C) │ └─08 用A3C玩转超级马里奥 ├─19 Openai顶级黑科技算法及其项目实战 │ ├─01 GPT系列生成模型 │ ├─02 GPT建模与预测流程 │ ├─03 CLIP系列 │ ├─04 Diffusion模型解读 │ ├─05 Dalle2及其源码解读 │ └─06 ChatGPT ├─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 │ ├─02 PyTorch框架基本处理操作 │ ├─03 PyTorch框架必备核心模块解读 │ ├─04 基于Resnet的医学数据集分类实战 │ ├─05 图像分割及其损失函数概述 │ ├─06 Unet系列算法讲解 │ ├─07 unet医学细胞分割实战 │ ├─08 deeplab系列算法 │ ├─09 基于deeplabV3+版本进行VOC分割实战 │ ├─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 │ ├─16 词向量模型与RNN网络架构 │ └─17 医学糖尿病数据命名实体识别 ├─21 深度学习模型部署与剪枝优化实战 │ ├─01 AIoT人工智能物联网之认识 jetson nano │ ├─02 AIoT人工智能物联网之AI 实战 │ ├─03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器 │ ├─04 AIoT人工智能物联网之deepstream │ ├─05 tensorRT视频 │ ├─06 pyTorch框架部署实践 │ ├─07 YOLO-V3物体检测部署实例 │ ├─08 docker实例演示 │ ├─09 tensorflow-serving实战 │ ├─10 模型剪枝-Network Slimming算法分析 │ ├─11 模型剪枝-Network Slimming实战解读 │ └─12 Mobilenet三代网络模型架构 ├─22 自然语言处理必备神器Huggingface系列实战 │ ├─01 Huggingface与NLP介绍解读 │ ├─02 Transformer工具包基本操作实例解读 │ ├─03 transformer原理解读 │ ├─04 BERT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 │ ├─07 GPT系列算法 │ ├─08 GPT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 │ ├─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 ├─24 自然语言处理经典案例实战 │ ├─01 NLP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 │ ├─05 HMM隐马尔科夫模型 │ ├─06 HMM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 │ ├─10 NLP-文本特征方法对比 │ ├─11 NLP-相似度模型 │ ├─12 LSTM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 │ ├─04 使用python操作neo4j实例 │ ├─06 文本关系抽取实践 │ └─07 金融平台风控模型实践 ├─26 语音识别实战系列 │ ├─01 seq2seq序列网络模型 │ ├─02 LAS模型语音识别实战 │ ├─05 语音分离ConvTasnet模型 │ ├─06 ConvTasnet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 │ ├─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 │ ├─07 DeepFM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 ├─28 AI课程所需安装软件教程 │ └─01 AI课程所需安装软件教程.mp4 15.43MB ├─29 额外补充 │ └─01 通用创新点 ├─目录.txt 138.29KB ├─目录.txt.bak 138.32KB ├─目录1.txt -1.#INDB └─资料 ├─1.第一章 直播回放 ├─10.第一十章 图神经?络实战 -1.#INDB ├─11.第一十一章 3D点云实战 ├─12.第一十二章 ?标追踪与姿态估计实战 -1.#INDB ├─13.第一十三章 ?向深度学习的??驾驶实战 -1.#INDB ├─14.第一十四章 对比学习与多模态任务实战 ├─15.第一十五章 缺陷检测实战 ├─16.第一十六章 ??重识别实战 -1.#INDB ├─17.第一十七章 对抗?成?络实战 -1.#INDB ├─18.第一十八章 强化学习实战系列 ├─19.第一十九章 Openai顶级黑科技算法及其项目实战 ├─2.第二章 深度学习必备核?算法 -1.#INDB ├─20.第二十章 面向医学领域的深度学习实战 ├─21.第二十一章 深度学习模型部署与剪枝优化实战 ├─22.第二十二章 自然语言处理必备神器Huggingface系列实战 ├─23.第二十三章 ?然语?处理通?框架-BERT实战 -1.#INDB ├─24.第二十四章 ?然语?处理经典案例实战 -1.#INDB ├─25.第二十五章 知识图谱实战系列 ├─26.第二十六章 语?识别实战系列 -1.#INDB ├─27.第二十七章 推荐系统实战系列 ├─28.第二十八章 AI课程所需安装软件教程 ├─29.第二十九章 额外补充 ├─3.第三章 深度学习核?框架PyTorch -1.#INDB ├─4.第四章 MMLAB实战系列 ├─5.第五章 Opencv图像处理框架实战 ├─6.第六章 综合项?-物体检测经典算法实战 -1.#INDB ├─7.第七章 图像分割实战 ├─8.第八章 行为识别实战 └─9.第九章 2022论?必备-Transformer实战系列 -1.#INDB
\人工智能深度学习高薪就业班(第6期) ├─01 直播课回放 │ ├─01 开班典礼 │ │ └─01 开班典礼.mp4 1.04GB │ ├─02 Pycharm环境配置与Debug演示(没用过的同学必看) │ │ └─01 Pycharm环境配置与Debug演示(没用过的同学必看).mp4 96.06MB │ ├─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 370.69MB │ ├─04 直播2:卷积神经网络 │ │ └─01 卷积神经网络.mp4 414.76MB │ ├─05 直播3:Transformer架构 │ │ └─01 Transformer架构.mp4 365.08MB │ ├─06 直播4:Transfomer在视觉任务中的应用实例 │ │ └─01 Transfomer在视觉任务中的应用实例.mp4 661.49MB │ ├─07 直播5:YOLO系列(V7)算法解读 │ │ └─01 YOLO系列(V7)算法解读.mp4 392.53MB │ ├─08 直播6:分割模型Maskformer系列 │ │ └─01 分割模型Maskformer系列.mp4 570.91MB │ ├─09 补充:Mask2former源码解读 │ │ ├─01 Backbone获取多层级特征.mp4 27.89MB │ │ ├─02 多层级采样点初始化构建.mp4 33.82MB │ │ ├─03 多层级输入特征序列创建方法.mp4 33.72MB │ │ ├─04 偏移量与权重计算并转换.mp4 37.61MB │ │ ├─05 Encoder特征构建方法实例.mp4 40.05MB │ │ ├─06 query要预测的任务解读.mp4 36.21MB │ │ ├─07 Decoder中的AttentionMask方法.mp4 40.02MB │ │ ├─08 损失模块输入参数分析.mp4 31.77MB │ │ ├─09 标签分配策略解读.mp4 33.33MB │ │ ├─10 正样本筛选损失计算.mp4 32.52MB │ │ ├─11 标签分类匹配结果分析.mp4 49.34MB │ │ ├─12 最终损失计算流程.mp4 41.45MB │ │ └─13 汇总所有损失完成迭代.mp4 28.48MB │ ├─10 直播7:半监督物体检测 │ │ └─01 半监督物体检测.mp4 606.06MB │ ├─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 911.17MB │ ├─12 直播9:图像定位与检索 │ │ └─01 图像定位与检索.mp4 717.88MB │ ├─13 直播10:近期内容补充 │ │ └─01 近期内容补充.mp4 725.39MB │ ├─15 直播12:异构图神经网络 │ │ └─01 异构图神经网络.mp4 527.75MB │ ├─16 直播13:BEV特征空间 │ │ └─01 BEV特征空间.mp4 384.59MB │ ├─17 补充:BevFormer源码解读 │ │ ├─01 环境配置方法解读.mp4 34.18MB │ │ ├─02 数据集下载与配置方法.mp4 41.45MB │ │ ├─03 特征提取以及BEV空间初始化.mp4 33.67MB │ │ ├─04 特征对齐与位置编码初始化.mp4 33.91MB │ │ ├─05 Reference初始点构建.mp4 29.37MB │ │ ├─06 BEV空间与图像空间位置对应.mp4 29.39MB │ │ ├─07 注意力机制模块计算方法.mp4 30.63MB │ │ ├─08 BEV空间特征构建.mp4 26.81MB │ │ ├─09 Decoder要完成的任务分析.mp4 26.51MB │ │ ├─10 获取当前BEV特征.mp4 28.59MB │ │ ├─11 Decoder级联校正模块.mp4 33.43MB │ │ └─12 损失函数与预测可视化.mp4 41.31MB │ ├─18 直播14:知识蒸馏 │ │ └─01 知识蒸馏.mp4 354.3MB │ └─19 直播15:六期总结与论文简历 │ └─01 六期总结与论文简历.mp4 289.93MB ├─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 415.3MB │ ├─02 卷积神经网络算法解读 │ │ └─01 卷积神经网络算法解读.mp4 325.35MB │ └─03 递归神经网络算法解读 │ └─01 递归神经网络算法解读.mp4 271.86MB ├─03 深度学习核心框架PyTorch │ ├─01 PyTorch框架介绍与配置安装 │ │ ├─01 PyTorch框架与其他框架区别分析.mp4 28.86MB │ │ └─02 CPU与GPU版本安装方法解读.mp4 69.6MB │ ├─02 使用神经网络进行分类任务 │ │ ├─01 数据集与任务概述.mp4 35.62MB │ │ ├─02 基本模块应用测试.mp4 36.46MB │ │ ├─03 网络结构定义方法.mp4 43.97MB │ │ ├─04 数据源定义简介.mp4 29.46MB │ │ ├─05 损失与训练模块分析.mp4 32.02MB │ │ ├─06 训练一个基本的分类模型.mp4 42.05MB │ │ └─07 参数对结果的影响.mp4 39.23MB │ ├─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 154.93MB │ ├─04 卷积网络参数解读分析 │ │ ├─01 输入特征通道分析.mp4 33.7MB │ │ ├─02 卷积网络参数解读.mp4 24.76MB │ │ └─03 卷积网络模型训练.mp4 41.99MB │ ├─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 31.97MB │ │ ├─02 数据增强模块.mp4 30.86MB │ │ ├─03 数据集与模型选择.mp4 36.15MB │ │ ├─04 迁移学习方法解读.mp4 34.1MB │ │ ├─05 输出层与梯度设置.mp4 47.39MB │ │ ├─06 输出类别个数修改.mp4 40.46MB │ │ ├─07 优化器与学习率衰减.mp4 41.29MB │ │ ├─08 模型训练方法.mp4 39.99MB │ │ ├─09 重新训练全部模型.mp4 43.26MB │ │ └─10 测试结果演示分析.mp4 91.09MB │ ├─06 DataLoader自定义数据集制作 │ │ ├─01 Dataloader要完成的任务分析.mp4 29.04MB │ │ ├─02 图像数据与标签路径处理.mp4 37.6MB │ │ ├─03 Dataloader中需要实现的方法分析.mp4 33.96MB │ │ └─04 实用Dataloader加载数据并训练模型.mp4 63.88MB │ ├─07 LSTM文本分类实战 │ │ ├─01 数据集与任务目标分析.mp4 36.03MB │ │ ├─02 文本数据处理基本流程分析.mp4 38.62MB │ │ ├─03 命令行参数与DEBUG.mp4 30.07MB │ │ ├─04 训练模型所需基本配置参数分析.mp4 33.01MB │ │ ├─05 预料表与字符切分.mp4 25.85MB │ │ ├─06 字符预处理转换ID.mp4 28.36MB │ │ ├─07 LSTM网络结构基本定义.mp4 28.87MB │ │ ├─08 网络模型预测结果输出.mp4 32.55MB │ │ └─09 模型训练任务与总结.mp4 39.43MB │ └─08 PyTorch框架Flask部署例子 │ ├─01 基本结构与训练好的模型加载.mp4 17.32MB │ ├─02 服务端处理与预测函数.mp4 36.32MB │ └─03 基于Flask测试模型预测结果.mp4 38.8MB ├─04 MMLAB实战系列 │ ├─01 MMCV安装方法 │ │ └─01 MMCV安装方法.mp4 38.52MB │ ├─02 第一模块:分类任务基本操作 │ │ ├─01 MMCLS问题修正.mp4 18.47MB │ │ ├─02 准备MMCLS项目.mp4 25.8MB │ │ ├─03 基本参数配置解读.mp4 26.22MB │ │ ├─04 各模块配置文件组成.mp4 29.53MB │ │ ├─05 生成完整配置文件.mp4 18.7MB │ │ ├─06 根据文件夹定义数据集.mp4 31.27MB │ │ ├─07 构建自己的数据集.mp4 26.93MB │ │ └─08 训练自己的任务.mp4 30.98MB │ ├─03 第一模块:训练结果测试与验证 │ │ ├─01 测试DEMO效果.mp4 18.9MB │ │ ├─02 测试评估模型效果.mp4 21.51MB │ │ ├─03 MMCLS中增加一个新的模块.mp4 49.38MB │ │ ├─04 修改配置文件中的参数.mp4 52.36MB │ │ ├─05 数据增强流程可视化展示.mp4 29.95MB │ │ ├─06 Grad-Cam可视化方法.mp4 30.3MB │ │ ├─07 可视化细节与效果分析.mp4 91.83MB │ │ ├─08 MMCLS可视化模块应用.mp4 55.84MB │ │ └─09 模型分析脚本使用.mp4 26.39MB │ ├─04 第一模块:模型源码DEBUG演示 │ │ ├─01 VIT任务概述.mp4 23.78MB │ │ ├─02 数据增强模块概述分析.mp4 43.85MB │ │ ├─03 PatchEmbedding层.mp4 19.28MB │ │ ├─04 前向传播基本模块.mp4 30.85MB │ │ └─05 CLS与输出模块.mp4 35.14MB │ ├─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 56.78MB │ │ ├─02 数据集标注与制作方法.mp4 44.01MB │ │ ├─03 根据预测类别数修改配置文件.mp4 31.28MB │ │ ├─04 加载预训练模型开始训练.mp4 69.51MB │ │ └─05 预测DEMO演示.mp4 16.9MB │ ├─06 第二模块:基于Unet进行各种策略修改 │ │ ├─01 配置文件解读.mp4 25.78MB │ │ ├─02 编码层模块.mp4 25.48MB │ │ ├─03 上采样与输出层.mp4 22.82MB │ │ ├─04 辅助层的作用.mp4 15.46MB │ │ ├─05 给Unet添加一个neck层.mp4 24.6MB │ │ ├─06 如何修改参数适配网络结构.mp4 17.29MB │ │ ├─07 将Unet特征提取模块替换成transformer.mp4 18.19MB │ │ └─08 VIT模块源码分析.mp4 35.23MB │ ├─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 26.58MB │ │ ├─02 配置文件指定.mp4 29.26MB │ │ ├─03 DEBUG解读Backbone设计.mp4 29.89MB │ │ ├─04 PatchEmbedding的作用与实现.mp4 33.03MB │ │ ├─05 卷积位置编码计算方法.mp4 41.9MB │ │ ├─06 近似Attention模块实现.mp4 65.19MB │ │ ├─07 完成特征提取与融合模块.mp4 42.11MB │ │ ├─08 分割输出模块.mp4 40.74MB │ │ ├─09 全局特征的作用与实现.mp4 44.06MB │ │ └─10 汇总多层级特征进行输出.mp4 31.84MB │ ├─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 25.15MB │ │ ├─02 COCO数据标注格式.mp4 22.09MB │ │ ├─03 通过脚本生成COCO数据格式.mp4 29.92MB │ │ ├─04 配置文件数据增强策略分析.mp4 35.01MB │ │ ├─05 训练所需配置说明.mp4 44.59MB │ │ ├─06 模型训练与DEMO演示.mp4 26.63MB │ │ ├─07 模型测试与可视化分析模块.mp4 58.45MB │ │ └─08 补充:评估指标.mp4 11.22MB │ ├─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 29.54MB │ │ ├─02 序列特征展开并叠加.mp4 37.73MB │ │ ├─03 得到相对位置点编码.mp4 23.07MB │ │ ├─04 准备Encoder编码层所需全部输入.mp4 28.8MB │ │ ├─05 编码层中的序列分析.mp4 30.82MB │ │ ├─06 偏移量offset计算.mp4 35.36MB │ │ ├─07 偏移量对齐操作.mp4 29.92MB │ │ ├─08 Encoder层完成特征对齐.mp4 39.83MB │ │ ├─09 Decoder要完成的操作.mp4 30.18MB │ │ ├─10 分类与回归输出模块.mp4 38.59MB │ │ └─11 预测输出结果与标签匹配模块.mp4 34.69MB │ ├─11 第三模块:DeformableDetr算法解读 │ │ └─01 DeformableDetr算法解读.mp4 540.8MB │ ├─12 KIE关键信息抽取与视频超分辨率重构 │ │ └─01 KIE关键信息抽取与视频超分辨率重构.mp4 671.2MB │ ├─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 42.83MB │ │ ├─02 配置文件参数设置.mp4 29.54MB │ │ ├─03 Neck层特征组合.mp4 24.9MB │ │ ├─04 损失函数模块概述.mp4 33.39MB │ │ └─05 损失计算方法.mp4 42.65MB │ ├─14 第四模块:ANINET文字识别 │ │ ├─01 数据集与环境概述.mp4 41.95MB │ │ ├─02 配置文件修改方法.mp4 40.89MB │ │ ├─03 Bakbone模块得到特征.mp4 32.66MB │ │ ├─04 视觉Transformer模块的作用.mp4 32.87MB │ │ ├─05 视觉模型中的编码与解码的效果.mp4 40.94MB │ │ ├─06 文本模型中的结构分析.mp4 29.91MB │ │ ├─07 迭代修正模块.mp4 29.63MB │ │ └─08 输出层与损失计算.mp4 40.42MB │ ├─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 35.85MB │ │ ├─02 KIE数据集格式调整方法.mp4 54.91MB │ │ ├─03 配置文件与标签要进行处理操作.mp4 38.08MB │ │ ├─04 边框要计算的特征分析.mp4 27.13MB │ │ ├─05 标签数据处理与关系特征提取.mp4 43.15MB │ │ ├─06 特征合并处理.mp4 32.94MB │ │ ├─07 准备拼接边与点特征.mp4 32.09MB │ │ └─08 整合得到图模型输入特征.mp4 53.51MB │ ├─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 42.32MB │ │ ├─02 得到style特征编码.mp4 48.23MB │ │ ├─03 特征编码风格拼接.mp4 27.52MB │ │ ├─04 基础风格特征卷积模块.mp4 39.7MB │ │ ├─05 上采样得到输出结果.mp4 30.65MB │ │ └─06 损失函数概述.mp4 20.4MB │ ├─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 21.75MB │ │ ├─02 特征基础提取模块.mp4 32.14MB │ │ ├─03 光流估计网络模块.mp4 20.18MB │ │ ├─04 基于光流完成对齐操作.mp4 31.97MB │ │ ├─05 偏移量计算方法.mp4 24.16MB │ │ ├─06 双向计算特征对齐.mp4 28.36MB │ │ ├─07 提特征传递流程分析.mp4 28.12MB │ │ ├─08 序列传播计算.mp4 30.5MB │ │ ├─09 准备变形卷积模块的输入.mp4 34.32MB │ │ ├─10 传播流程整体完成一圈.mp4 48MB │ │ └─11 完成输出结果.mp4 40.21MB │ ├─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 40.38MB │ │ ├─02 数据与标注文件介绍.mp4 30.36MB │ │ ├─03 基本流程梳理并进入debug模式.mp4 34.44MB │ │ ├─04 数据与图像特征提取模块.mp4 43.2MB │ │ ├─05 体素索引位置获取.mp4 47.14MB │ │ ├─06 体素特征提取方法解读.mp4 27.56MB │ │ ├─07 体素特征计算方法分析.mp4 50.68MB │ │ ├─08 全局体素特征提取.mp4 70.15MB │ │ ├─09 多模态特征融合.mp4 47.5MB │ │ ├─10 3D卷积特征融合.mp4 41.42MB │ │ └─11 输出层预测结果.mp4 61.43MB │ ├─19 第八模块:模型蒸馏应用实例 │ │ ├─01 任务概述与工具使用.mp4 29.51MB │ │ ├─02 Teacher与Student网络结构定义.mp4 37.76MB │ │ ├─03 训练T与S得到蒸馏模型.mp4 54.35MB │ │ ├─04 开始模型训练过程与问题修正.mp4 43.6MB │ │ ├─05 日志输出与模型分离.mp4 53.46MB │ │ ├─06 分别得到Teacher与Student模型.mp4 36.15MB │ │ └─07 实际测试效果演示.mp4 30.76MB │ ├─20 第八模块:模型剪枝方法概述分析 │ │ ├─01 SuperNet网络结构分析与剪枝概述.mp4 33.41MB │ │ └─02 搜索匹配到符合计算量的模型并训练.mp4 37.01MB │ ├─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 166.37MB │ └─22 OCR算法解读 │ └─01 OCR算法解读.mp4 1.22GB ├─05 Opencv图像处理框架实战 │ ├─01 课程简介与环境配置 │ │ ├─01 课程简介.mp4 4.34MB │ │ ├─02 Python与Opencv配置安装.mp4 27.61MB │ │ └─03 Notebook与IDE环境.mp4 61.54MB │ ├─02 图像基本操作 │ │ ├─01 计算机眼中的图像.mp4 24.2MB │ │ ├─02 视频的读取与处理.mp4 36.28MB │ │ ├─03 ROI区域.mp4 12.14MB │ │ ├─04 边界填充.mp4 18.29MB │ │ └─05 数值计算.mp4 31.9MB │ ├─03 阈值与平滑处理 │ │ ├─01 图像阈值.mp4 25.24MB │ │ ├─02 图像平滑处理.mp4 19.46MB │ │ └─03 高斯与中值滤波.mp4 16.59MB │ ├─04 图像形态学操作 │ │ ├─01 腐蚀操作.mp4 14.52MB │ │ ├─02 膨胀操作.mp4 9.43MB │ │ ├─03 开运算与闭运算.mp4 7.53MB │ │ ├─04 梯度计算.mp4 5.92MB │ │ └─05 礼帽与黑帽.mp4 13.69MB │ ├─05 图像梯度计算 │ │ ├─01 Sobel算子.mp4 21MB │ │ ├─02 梯度计算方法.mp4 23.42MB │ │ └─03 scharr与lapkacian算子.mp4 20.8MB │ ├─06 边缘检测 │ │ ├─01 Canny边缘检测流程.mp4 14.34MB │ │ ├─02 非极大值抑制.mp4 14.12MB │ │ └─03 边缘检测效果.mp4 25.54MB │ ├─07 图像金字塔与轮廓检测 │ │ ├─01 图像金字塔定义.mp4 16.04MB │ │ ├─02 金字塔制作方法.mp4 20.19MB │ │ ├─03 轮廓检测方法.mp4 14.59MB │ │ ├─04 轮廓检测结果.mp4 23.61MB │ │ ├─05 轮廓特征与近似.mp4 29.42MB │ │ ├─06 模板匹配方法.mp4 37.35MB │ │ └─07 匹配效果展示.mp4 17.13MB │ ├─08 直方图与傅里叶变换 │ │ ├─01 直方图定义.mp4 19.79MB │ │ ├─02 均衡化原理.mp4 26.01MB │ │ ├─03 均衡化效果.mp4 21.44MB │ │ ├─04 傅里叶概述.mp4 29.85MB │ │ ├─05 频域变换结果.mp4 21.16MB │ │ └─06 低通与高通滤波.mp4 23.17MB │ ├─09 项目实战-信用卡数字识别 │ │ ├─01 总体流程与方法讲解.mp4 18.81MB │ │ ├─02 环境配置与预处理.mp4 25.37MB │ │ ├─03 模板处理方法.mp4 17.88MB │ │ ├─04 输入数据处理方法.mp4 22.35MB │ │ └─05 模板匹配得出识别结果.mp4 34.75MB │ ├─10 项目实战-文档扫描OCR识别 │ │ ├─01 整体流程演示.mp4 16.02MB │ │ ├─02 文档轮廓提取.mp4 21.82MB │ │ ├─03 原始与变换坐标计算.mp4 19.71MB │ │ ├─04 透视变换结果.mp4 23.95MB │ │ ├─05 tesseract-ocr安装配置.mp4 28.51MB │ │ └─06 文档扫描识别效果.mp4 20.73MB │ ├─11 图像特征-harris │ │ ├─01 角点检测基本原理.mp4 12.66MB │ │ ├─02 基本数学原理.mp4 23.94MB │ │ ├─03 求解化简.mp4 23.69MB │ │ ├─04 特征归属划分.mp4 33.7MB │ │ └─05 opencv角点检测效果.mp4 24.19MB │ ├─12 图像特征-sift │ │ ├─01 尺度空间定义.mp4 17.54MB │ │ ├─02 高斯差分金字塔.mp4 17.54MB │ │ ├─03 特征关键点定位.mp4 39.27MB │ │ ├─04 生成特征描述.mp4 19.13MB │ │ ├─05 特征向量生成.mp4 37.06MB │ │ └─06 opencv中sift函数使用.mp4 23.08MB │ ├─13 案例实战-全景图像拼接 │ │ ├─01 特征匹配方法.mp4 21.73MB │ │ ├─02 RANSAC算法.mp4 28.36MB │ │ ├─03 图像拼接方法.mp4 33.33MB │ │ └─04 流程解读.mp4 16.25MB │ ├─14 项目实战-停车场车位识别 │ │ ├─01 任务整体流程.mp4 38.8MB │ │ ├─02 所需数据介绍.mp4 24.09MB │ │ ├─03 图像数据预处理.mp4 36.17MB │ │ ├─04 车位直线检测.mp4 41.21MB │ │ ├─05 按列划分区域.mp4 37.61MB │ │ ├─06 车位区域划分.mp4 39.33MB │ │ ├─07 识别模型构建.mp4 29.78MB │ │ └─08 基于视频的车位检测.mp4 72.08MB │ ├─15 项目实战-答题卡识别判卷 │ │ ├─01 整体流程与效果概述.mp4 20.47MB │ │ ├─02 预处理操作.mp4 17.86MB │ │ ├─03 填涂轮廓检测.mp4 19.21MB │ │ └─04 选项判断识别.mp4 35.75MB │ ├─16 背景建模 │ │ ├─01 背景消除-帧差法.mp4 16.67MB │ │ ├─02 混合高斯模型.mp4 21.11MB │ │ ├─03 学习步骤.mp4 24.87MB │ │ └─04 背景建模实战.mp4 37.02MB │ ├─17 光流估计 │ │ ├─01 基本概念.mp4 16.77MB │ │ ├─02 Lucas-Kanade算法.mp4 16.18MB │ │ ├─03 推导求解.mp4 21.03MB │ │ └─04 光流估计实战.mp4 49.12MB │ ├─18 Opencv的DNN模块 │ │ ├─01 dnn模块.mp4 22.33MB │ │ └─02 模型加载结果输出.mp4 30.31MB │ ├─19 项目实战-目标追踪 │ │ ├─01 目标追踪概述.mp4 36.05MB │ │ ├─02 多目标追踪实战.mp4 23.65MB │ │ ├─03 深度学习检测框架加载.mp4 29.57MB │ │ ├─04 基于dlib与ssd的追踪.mp4 49.38MB │ │ ├─05 多进程目标追踪.mp4 20.41MB │ │ └─06 多进程效率提升对比.mp4 45.48MB │ ├─20 卷积原理与操作 │ │ ├─01 卷积神经网络的应用.mp4 31.4MB │ │ ├─02 卷积层解释.mp4 20.01MB │ │ ├─03 卷积计算过程.mp4 24.74MB │ │ ├─04 pading与stride.mp4 23.28MB │ │ ├─05 卷积参数共享.mp4 15.55MB │ │ ├─06 池化层原理.mp4 14.38MB │ │ ├─07 卷积效果演示.mp4 18.09MB │ │ └─08 卷积操作流程.mp4 29.6MB │ └─21 项目实战-疲劳检测 │ ├─01 关键点定位概述.mp4 20.84MB │ ├─02 获取人脸关键点.mp4 26.69MB │ ├─03 定位效果演示.mp4 32.4MB │ ├─04 闭眼检测.mp4 47.61MB │ └─05 检测效果.mp4 29.73MB ├─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 │ │ └─02 不同阶段算法优缺点分析.mp4 8.95MB │ ├─02 YOLO-V1整体思想与网络架构 │ │ └─01 YOLO算法整体思路解读.mp4 12.69MB │ ├─03 YOLO-V2改进细节详解 │ │ ├─01 V2版本细节升级概述.mp4 11.25MB │ │ └─06 坐标映射与还原.mp4 8.49MB │ ├─04 YOLO-V3核心网络模型 │ │ ├─03 经典变换方法对比分析.mp4 9.27MB │ │ └─07 sotfmax层改进.mp4 8.78MB │ ├─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 45.92MB │ │ ├─02 训练参数设置.mp4 17.23MB │ │ ├─03 COCO图像数据读取与处理.mp4 30.25MB │ │ ├─04 标签文件读取与处理.mp4 19.05MB │ │ ├─05 debug模式介绍.mp4 19.8MB │ │ ├─06 基于配置文件构建网络模型.mp4 29.14MB │ │ ├─07 路由层与shortcut层的作用.mp4 24.16MB │ │ ├─08 YOLO层定义解析.mp4 44.67MB │ │ ├─09 预测结果计算.mp4 32.27MB │ │ ├─10 网格偏移计算.mp4 24.06MB │ │ ├─11 模型要计算的损失概述.mp4 17.37MB │ │ ├─12 标签值格式修改.mp4 20.28MB │ │ ├─13 坐标相对位置计算.mp4 23.63MB │ │ ├─14 完成所有损失函数所需计算指标.mp4 26.24MB │ │ ├─15 模型训练与总结.mp4 56.27MB │ │ └─16 预测效果展示.mp4 25.13MB │ ├─06 基于YOLO-V3训练自己的数据集与任务(建议直接跑V5版本) │ │ ├─01 Labelme工具安装.mp4 12.56MB │ │ ├─02 数据信息标注.mp4 23.64MB │ │ ├─03 完成标签制作.mp4 23.63MB │ │ ├─04 生成模型所需配置文件.mp4 27.42MB │ │ ├─05 json格式转换成yolo-v3所需输入.mp4 15.62MB │ │ ├─06 完成输入数据准备工作.mp4 29.35MB │ │ ├─07 训练代码与参数配置更改.mp4 33.77MB │ │ └─08 训练模型并测试效果.mp4 26.97MB │ ├─07 YOLO-V4版本算法解读 │ │ ├─02 V4版本贡献解读.mp4 8.2MB │ │ └─06 CIOU损失函数定义.mp4 8.89MB │ ├─08 V5版本项目配置 │ │ ├─01 整体项目概述.mp4 30.59MB │ │ ├─02 训练自己的数据集方法.mp4 32.01MB │ │ ├─03 训练数据参数配置.mp4 39.04MB │ │ └─04 测试DEMO演示.mp4 39.96MB │ ├─09 V5项目工程源码解读 │ │ ├─01 数据源DEBUG流程解读.mp4 31.25MB │ │ ├─02 图像数据源配置.mp4 25.15MB │ │ ├─03 加载标签数据.mp4 19.15MB │ │ ├─04 Mosaic数据增强方法.mp4 20.36MB │ │ ├─05 数据四合一方法与流程演示.mp4 30.47MB │ │ ├─06 getItem构建batch.mp4 24.55MB │ │ ├─07 网络架构图可视化工具安装.mp4 24.71MB │ │ ├─08 V5网络配置文件解读.mp4 28.15MB │ │ ├─09 Focus模块流程分析.mp4 16.16MB │ │ ├─10 完成配置文件解析任务.mp4 40.98MB │ │ ├─11 前向传播计算.mp4 22.14MB │ │ ├─12 BottleneckCSP层计算方法.mp4 23.91MB │ │ ├─13 SPP层计算细节分析.mp4 20.95MB │ │ ├─14 Head层流程解读.mp4 21.79MB │ │ ├─15 上采样与拼接操作.mp4 14.72MB │ │ ├─16 输出结果分析.mp4 26.86MB │ │ ├─17 超参数解读.mp4 26.59MB │ │ ├─18 命令行参数介绍.mp4 31.75MB │ │ ├─19 训练流程解读.mp4 35.08MB │ │ ├─20 各种训练策略概述.mp4 29.71MB │ │ └─21 模型迭代过程.mp4 29.18MB │ ├─10 V7源码解读 │ │ ├─01 命令行参数介绍.mp4 20.65MB │ │ ├─02 基本参数作用.mp4 33.81MB │ │ ├─03 EMA等训练技巧解读.mp4 42.27MB │ │ ├─04 网络结构配置文件解读.mp4 30.17MB │ │ ├─05 各模块操作细节分析.mp4 37.93MB │ │ ├─06 输出层与配置文件其他模块解读.mp4 49.79MB │ │ ├─07 标签分配策略准备操作.mp4 28.18MB │ │ ├─08 候选框偏移方法与find3p模块解读.mp4 27.4MB │ │ ├─09 得到偏移点所在网格位置.mp4 33.88MB │ │ ├─10 完成BuildTargets模块.mp4 40.91MB │ │ ├─11 候选框筛选流程分析.mp4 25.01MB │ │ ├─12 预测值各项指标获取与调整.mp4 36.53MB │ │ ├─13 GT匹配正样本数量计算.mp4 32.73MB │ │ ├─14 通过IOU与置信度分配正样本.mp4 48.07MB │ │ ├─15 损失函数计算方法.mp4 37.06MB │ │ ├─16 辅助头AUX网络结构配置文件解析.mp4 25.75MB │ │ ├─17 辅助头损失函数调整.mp4 33.34MB │ │ ├─18 BN与卷积权重参数融合方法.mp4 41.81MB │ │ └─19 重参数化多分支合并加速.mp4 34.97MB │ ├─11 EfficientNet网络 │ │ └─01 EfficientNet网络模型.mp4 406.83MB │ ├─12 EfficientDet检测算法 │ │ └─01 EfficientDet检测算法.mp4 344.48MB │ ├─13 基于Transformer的detr目标检测算法 │ │ ├─01 DETR目标检测基本思想解读.mp4 16.06MB │ │ ├─02 整体网络架构分析.mp4 24.03MB │ │ ├─03 位置信息初始化query向量.mp4 15.82MB │ │ ├─04 注意力机制的作用方法.mp4 16.18MB │ │ └─05 训练过程的策略.mp4 23.74MB │ └─14 detr目标检测源码解读 │ ├─01 项目环境配置解读.mp4 31.98MB │ ├─02 数据处理与dataloader.mp4 46.78MB │ ├─03 位置编码作用分析.mp4 35.67MB │ ├─04 backbone特征提取模块.mp4 25.74MB │ ├─05 mask与编码模块.mp4 25.66MB │ ├─06 编码层作用方法.mp4 32.24MB │ ├─07 Decoder层操作与计算.mp4 21.6MB │ ├─08 输出预测结果.mp4 30.35MB │ └─09 损失函数与预测输出.mp4 31.76MB ├─07 图像分割实战 │ ├─01 图像分割及其损失函数概述 │ │ └─03 MIOU评估标准.mp4 7.38MB │ ├─05 U2NET显著性检测实战 │ │ ├─01 任务目标与网络整体介绍.mp4 43.02MB │ │ ├─02 显著性检测任务与目标概述.mp4 49.01MB │ │ ├─03 编码器模块解读.mp4 30.94MB │ │ ├─04 解码器输出结果.mp4 21.67MB │ │ └─05 损失函数与应用效果.mp4 25.53MB │ ├─09 物体检测框架-MaskRcnn项目介绍与配置 │ │ ├─01 Mask-Rcnn开源项目简介.mp4 75.3MB │ │ ├─02 开源项目数据集.mp4 33.49MB │ │ └─03 开源项目数据集.mp4 67.38MB │ ├─10 MaskRcnn网络框架源码详解 │ │ ├─01 FPN层特征提取原理解读.mp4 31.41MB │ │ ├─02 FPN网络架构实现解读.mp4 42.03MB │ │ ├─03 生成框比例设置.mp4 21.09MB │ │ ├─04 基于不同尺度特征图生成所有框.mp4 25.04MB │ │ ├─05 RPN层的作用与实现解读.mp4 24.4MB │ │ ├─06 候选框过滤方法.mp4 12.55MB │ │ ├─07 Proposal层实现方法.mp4 25.5MB │ │ ├─08 DetectionTarget层的作用.mp4 19.28MB │ │ ├─09 正负样本选择与标签定义.mp4 20.59MB │ │ ├─10 RoiPooling层的作用与目的.mp4 25.22MB │ │ ├─11 RorAlign操作的效果.mp4 19.39MB │ │ └─12 整体框架回顾.mp4 22.88MB │ └─11 基于MASK-RCNN框架训练自己的数据与任务 │ ├─02 使用labelme进行数据与标签标注.mp4 20.99MB │ ├─03 完成训练数据准备工作.mp4 21.18MB │ ├─04 maskrcnn源码修改方法.mp4 49.33MB │ ├─05 基于标注数据训练所需任务.mp4 33.55MB │ └─06 测试与展示模块.mp4 27.72MB ├─08 行为识别实战 │ ├─01 slowfast算法知识点通俗解读 │ │ ├─01 slowfast核心思想解读.mp4 46.89MB │ │ ├─02 核心网络结构模块分析.mp4 17.28MB │ │ ├─03 数据采样曾的作用.mp4 14.05MB │ │ ├─04 模型网络结构设计.mp4 14.82MB │ │ └─05 特征融合模块与总结分析.mp4 28.3MB │ ├─02 slowfast项目环境配置与配置文件 │ │ ├─01 环境基本配置解读.mp4 33.61MB │ │ ├─02 目录各文件分析.mp4 27.07MB │ │ ├─03 配置文件作用解读.mp4 37.59MB │ │ ├─04 测试DEMO演示.mp4 59.29MB │ │ ├─05 训练所需标签文件说明.mp4 35.7MB │ │ ├─06 训练所需视频数据准备.mp4 31.91MB │ │ ├─07 视频数据集切分操作.mp4 28.9MB │ │ └─08 完成视频分帧操作.mp4 24.24MB │ ├─03 slowfast源码详细解读 │ │ ├─01 模型所需配置文件参数读取.mp4 24.12MB │ │ ├─02 数据处理概述.mp4 32.06MB │ │ ├─03 dataloader数据遍历方法.mp4 34.36MB │ │ ├─04 数据与标签读取实例.mp4 32.41MB │ │ ├─05 图像数据所需预处理方法.mp4 42.91MB │ │ ├─06 slow与fast分别执行采样操作.mp4 42.54MB │ │ ├─07 分别计算特征图输出结果.mp4 37.36MB │ │ ├─08 slow与fast特征图拼接操作.mp4 33.44MB │ │ ├─09 resnetBolock操作.mp4 34.68MB │ │ └─10 RoiAlign与输出层.mp4 51.65MB │ ├─04 基于3D卷积的视频分析与动作识别 │ │ ├─01 3D卷积原理解读.mp4 16.86MB │ │ ├─02 UCF101动作识别数据集简介.mp4 35.7MB │ │ ├─03 测试效果与项目配置.mp4 41.51MB │ │ ├─04 视频数据预处理方法.mp4 22.99MB │ │ ├─05 数据Batch制作方法.mp4 34.49MB │ │ ├─06 3D卷积网络所涉及模块.mp4 27.67MB │ │ └─07 训练网络模型.mp4 30.13MB │ ├─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 17.38MB │ │ ├─02 基本思想与流程分析.mp4 20.71MB │ │ ├─03 预测与常见问题.mp4 21.86MB │ │ ├─04 Meta-Learn要解决的问题.mp4 16.72MB │ │ ├─05 学习能力与参数定义.mp4 11.51MB │ │ ├─06 如何找到合适的初始化参数.mp4 18.9MB │ │ └─07 MAML算法流程解读.mp4 22.61MB │ └─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 19.19MB │ ├─02 数据集配置与读取.mp4 28.28MB │ ├─03 模型编码与解码结构.mp4 24.29MB │ ├─04 注意力机制模块打造.mp4 45.54MB │ ├─05 损失函数的目的.mp4 50.63MB │ ├─06 特征图生成.mp4 30.11MB │ └─07 MetaLearn与输出.mp4 22.05MB ├─09 2022论文必备-Transformer实战系列 │ ├─01 课程介绍 │ │ └─01 课程介绍.mp4 10.88MB │ ├─02 自然语言处理通用框架BERT原理解读 │ │ ├─01 BERT任务目标概述.mp4 10.11MB │ │ ├─02 传统解决方案遇到的问题.mp4 19.87MB │ │ ├─03 注意力机制的作用.mp4 13.08MB │ │ ├─04 self-attention计算方法.mp4 21.41MB │ │ ├─05 特征分配与softmax机制.mp4 18.48MB │ │ ├─06 Multi-head的作用.mp4 17MB │ │ ├─07 位置编码与多层堆叠.mp4 14.55MB │ │ ├─08 transformer整体架构梳理.mp4 20.18MB │ │ ├─09 BERT模型训练方法.mp4 17.76MB │ │ └─10 训练实例.mp4 19.42MB │ ├─03 Transformer在视觉中的应用VIT算法 │ │ ├─01 transformer发家史介绍.mp4 12.63MB │ │ ├─02 对图像数据构建patch序列.mp4 17.96MB │ │ ├─03 VIT整体架构解读.mp4 18.89MB │ │ ├─04 CNN遇到的问题与窘境.mp4 17.44MB │ │ ├─05 计算公式解读.mp4 19.24MB │ │ ├─06 位置编码与TNT模型.mp4 19.57MB │ │ └─07 TNT模型细节分析.mp4 22.12MB │ ├─04 VIT算法模型源码解读 │ │ ├─01 项目配置说明.mp4 34.37MB │ │ ├─02 输入序列构建方法解读.mp4 21.51MB │ │ ├─03 注意力机制计算.mp4 20.15MB │ │ └─04 输出层计算结果.mp4 27.45MB │ ├─05 swintransformer算法原理解析 │ │ ├─01 swintransformer整体概述.mp4 11.68MB │ │ ├─02 要解决的问题及其优势分析.mp4 17.43MB │ │ ├─03 一个block要完成的任务.mp4 13.78MB │ │ ├─04 获取各窗口输入特征.mp4 15.82MB │ │ ├─05 基于窗口的注意力机制解读.mp4 24.91MB │ │ ├─06 窗口偏移操作的实现.mp4 19.45MB │ │ ├─07 偏移细节分析及其计算量概述.mp4 17.07MB │ │ ├─08 整体网络架构整合.mp4 16.13MB │ │ ├─09 下采样操作实现方法.mp4 16.86MB │ │ └─10 分层计算方法.mp4 16.37MB │ ├─06 swintransformer源码解读 │ │ ├─01 数据与环境配置解读.mp4 48.62MB │ │ ├─02 图像数据patch编码.mp4 27.92MB │ │ ├─03 数据按window进行划分计算.mp4 24.66MB │ │ ├─04 基础attention计算模块.mp4 21.72MB │ │ ├─05 窗口位移模块细节分析.mp4 27.77MB │ │ ├─06 patchmerge下采样操作.mp4 18.59MB │ │ ├─07 各block计算方法解读.mp4 21.34MB │ │ └─08 输出层概述.mp4 29.67MB │ ├─07 基于Transformer的detr目标检测算法 │ │ ├─01 DETR目标检测基本思想解读.mp4 16.02MB │ │ ├─02 整体网络架构分析.mp4 24MB │ │ ├─03 位置信息初始化query向量.mp4 15.82MB │ │ ├─04 注意力机制的作用方法.mp4 16.18MB │ │ └─05 训练过程的策略.mp4 23.74MB │ ├─08 detr目标检测源码解读 │ │ ├─01 项目环境配置解读.mp4 31.98MB │ │ ├─02 数据处理与dataloader.mp4 46.74MB │ │ ├─03 位置编码作用分析.mp4 35.67MB │ │ ├─04 backbone特征提取模块.mp4 25.73MB │ │ ├─05 mask与编码模块.mp4 25.66MB │ │ ├─06 编码层作用方法.mp4 32.21MB │ │ ├─07 Decoder层操作与计算.mp4 21.63MB │ │ └─08 输出预测结果.mp4 30.39MB │ ├─09 MedicalTrasnformer论文解读 │ │ ├─01 论文整体分析.mp4 18.35MB │ │ ├─02 核心思想分析.mp4 39.4MB │ │ ├─03 网络结构计算流程概述.mp4 35.54MB │ │ ├─04 论文公式计算分析.mp4 36.46MB │ │ ├─05 位置编码的作用与效果.mp4 35.23MB │ │ └─06 拓展应用分析.mp4 44.06MB │ ├─10 MedicalTransformer源码解读 │ │ ├─01 项目环境配置.mp4 19.92MB │ │ ├─02 医学数据介绍与分析.mp4 45.28MB │ │ ├─03 基本处理操作.mp4 18.98MB │ │ ├─04 AxialAttention实现过程.mp4 26.74MB │ │ ├─05 位置编码向量解读.mp4 20.55MB │ │ ├─06 注意力计算过程与方法.mp4 39.2MB │ │ └─07 局部特征提取与计算.mp4 28.49MB │ ├─11 商汤LoFTR算法解读 │ │ ├─01 特征匹配的应用场景.mp4 55.02MB │ │ ├─02 特征匹配的基本流程分析.mp4 13.1MB │ │ ├─03 整体流程梳理分析.mp4 13.7MB │ │ ├─04 CrossAttention的作用与效果.mp4 13.26MB │ │ ├─05 transformer构建匹配特征.mp4 26.75MB │ │ ├─06 粗粒度匹配过程与作用.mp4 21.4MB │ │ ├─07 特征图拆解操作.mp4 12.16MB │ │ ├─08 细粒度匹配的作用与方法.mp4 16.68MB │ │ ├─09 基于期望预测最终位置.mp4 18.81MB │ │ └─10 总结分析.mp4 26.81MB │ ├─12 局部特征关键点匹配实战 │ │ ├─01 项目与参数配置解读.mp4 30.33MB │ │ ├─02 DEMO效果演示.mp4 51.88MB │ │ ├─03 backbone特征提取模块.mp4 20.14MB │ │ ├─04 注意力机制的作用与效果分析.mp4 21.99MB │ │ ├─05 特征融合模块实现方法.mp4 21.37MB │ │ ├─06 cross关系计算方法实例.mp4 21.14MB │ │ ├─07 粗粒度匹配过程.mp4 36.34MB │ │ ├─08 完成基础匹配模块.mp4 45.63MB │ │ ├─09 精细化调整方法与实例.mp4 31.94MB │ │ ├─10 得到精细化输出结果.mp4 14.21MB │ │ └─11 通过期望计算最终输出.mp4 27.08MB │ ├─13 项目补充-谷歌开源项目BERT源码解读与应用实例 │ │ ├─01 BERT开源项目简介.mp4 33.56MB │ │ ├─02 项目参数配置.mp4 75.02MB │ │ ├─03 数据读取模块.mp4 39.33MB │ │ ├─04 数据预处理模块.mp4 29.63MB │ │ ├─05 tfrecord制作.mp4 37.7MB │ │ ├─06 Embedding层的作用.mp4 22.82MB │ │ ├─07 加入额外编码特征.mp4 31.48MB │ │ ├─08 加入位置编码特征.mp4 17.18MB │ │ ├─09 mask机制的作用.mp4 26.77MB │ │ ├─10 构建QKV矩阵.mp4 38.19MB │ │ ├─11 完成Transformer模块构建.mp4 30.38MB │ │ └─12 训练BERT模型.mp4 40.94MB │ └─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 47.9MB │ ├─02 读取处理自己的数据集.mp4 40.67MB │ └─03 训练BERT中文分类模型.mp4 51.08MB ├─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 21.9MB │ │ ├─02 图基本模块定义.mp4 9.28MB │ │ ├─03 邻接矩阵的定义.mp4 12.9MB │ │ ├─04 GNN中常见任务.mp4 15.63MB │ │ ├─05 消息传递计算方法.mp4 12.64MB │ │ └─06 多层GCN的作用.mp4 11.02MB │ ├─02 图卷积GCN模型 │ │ ├─01 GCN基本模型概述.mp4 11.84MB │ │ ├─02 图卷积的基本计算方法.mp4 10.43MB │ │ ├─03 邻接的矩阵的变换.mp4 15.16MB │ │ └─04 GCN变换原理解读.mp4 16.73MB │ ├─03 图模型必备神器PyTorch Geometric安装与使用 │ │ ├─01 PyTorch Geometric工具包安装与配置方法.mp4 38.17MB │ │ ├─02 数据集与邻接矩阵格式.mp4 42.37MB │ │ ├─03 模型定义与训练方法.mp4 34.02MB │ │ └─04 文献引用数据集分类案例实战.mp4 39.79MB │ ├─04 使用PyTorch Geometric构建自己的图数据集 │ │ ├─01 构建数据集基本方法.mp4 11.37MB │ │ ├─02 数据集与任务背景概述.mp4 16.85MB │ │ ├─03 数据集基本预处理.mp4 25.19MB │ │ ├─04 用户行为图结构创建.mp4 28.98MB │ │ ├─05 数据集创建函数介绍.mp4 27.72MB │ │ ├─06 网络结构定义模块.mp4 29.65MB │ │ ├─07 TopkPooling进行下采样任务.mp4 24.17MB │ │ ├─08 获取全局特征.mp4 20.71MB │ │ └─09 模型训练与总结.mp4 27.64MB │ ├─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 13.58MB │ │ ├─02 邻接矩阵计算图Attention.mp4 17.03MB │ │ ├─03 序列图神经网络TGCN应用.mp4 10.55MB │ │ └─04 序列图神经网络细节.mp4 18.98MB │ ├─06 图相似度论文解读 │ │ ├─01 要完成的任务分析.mp4 36.69MB │ │ ├─02 基本方法概述解读.mp4 39.08MB │ │ ├─03 图模型提取全局与局部特征.mp4 34.55MB │ │ ├─04 NTN模块的作用与效果.mp4 31.42MB │ │ ├─05 点之间的对应关系计算.mp4 40.46MB │ │ └─06 结果输出与总结.mp4 51.72MB │ ├─07 图相似度计算实战 │ │ ├─01 数据集与任务概述.mp4 12.92MB │ │ ├─02 图卷积特征提取模块.mp4 41.78MB │ │ ├─03 分别计算不同Batch点的分布.mp4 23.38MB │ │ ├─04 获得直方图特征结果.mp4 15.63MB │ │ ├─05 图的全局特征构建.mp4 22.57MB │ │ ├─06 NTN图相似特征提取.mp4 28.96MB │ │ └─07 预测得到相似度结果.mp4 13.76MB │ ├─08 基于图模型的轨迹估计 │ │ ├─01 数据集与标注信息解读.mp4 41.67MB │ │ ├─02 整体三大模块分析.mp4 45.76MB │ │ ├─03 特征工程的作用与效果.mp4 29.59MB │ │ ├─04 传统方法与现在向量空间对比.mp4 40.02MB │ │ ├─05 输入细节分析.mp4 36.46MB │ │ ├─06 子图模块构建方法.mp4 32.52MB │ │ ├─07 特征融合模块分析.mp4 36.86MB │ │ └─08 VectorNet输出层分析.mp4 57.31MB │ └─09 图模型轨迹估计实战 │ ├─01 数据与环境配置.mp4 24.55MB │ ├─02 训练数据准备.mp4 19MB │ ├─03 Agent特征提取方法.mp4 30.09MB │ ├─04 DataLoader构建图结构.mp4 22.49MB │ └─05 SubGraph与Attention模型流程.mp4 27.3MB ├─11 3D点云实战 │ ├─01 3D点云实战 3D点云应用领域分析 │ │ ├─01 点云数据概述.mp4 59.71MB │ │ ├─02 点云应用领域与发展分析.mp4 130.53MB │ │ ├─03 点云分割任务.mp4 54.11MB │ │ ├─04 点云补全任务.mp4 19.85MB │ │ ├─05 点云检测与配准任务.mp4 70.48MB │ │ └─06 点云数据特征提取概述与预告.mp4 16.3MB │ ├─02 3D点云PointNet算法 │ │ ├─01 3D数据应用领域与点云介绍.mp4 26.9MB │ │ ├─02 点云数据可视化展示.mp4 24.38MB │ │ ├─03 点云数据特性和及要解决的问题.mp4 25.51MB │ │ ├─04 PointNet算法出发点解读.mp4 13.91MB │ │ └─05 PointNet算法网络架构解读.mp4 24.43MB │ ├─03 PointNet++算法解读 │ │ ├─01 PointNet升级版算法要解决的问题.mp4 17.47MB │ │ ├─02 最远点采样方法.mp4 16MB │ │ ├─03 分组Group方法原理解读.mp4 26.2MB │ │ ├─04 整体流程概述分析.mp4 13.34MB │ │ ├─05 分类与分割问题解决方案.mp4 17.07MB │ │ └─06 遇到的问题及改进方法分析.mp4 10.38MB │ ├─04 Pointnet++项目实战 │ │ ├─01 项目文件概述.mp4 21.66MB │ │ ├─02 数据读取模块配置.mp4 28.76MB │ │ ├─03 DEBUG解读网络模型架构.mp4 18.03MB │ │ ├─04 最远点采样介绍.mp4 14.38MB │ │ ├─05 采样得到中心点.mp4 23.17MB │ │ ├─06 组区域划分方法.mp4 18.33MB │ │ ├─07 实现group操作得到各中心簇.mp4 25.59MB │ │ ├─08 特征提取模块整体流程.mp4 29.68MB │ │ ├─09 预测结果输出模块.mp4 29.52MB │ │ ├─10 分类任务总结.mp4 15.56MB │ │ ├─11 分割任务数据与配置概述.mp4 31.38MB │ │ ├─12 分割需要解决的任务概述.mp4 23.57MB │ │ └─13 上采样完成分割任务.mp4 33.84MB │ ├─05 点云补全PF-Net论文解读 │ │ ├─01 点云补全要解决的问题.mp4 13.76MB │ │ ├─02 基本解决方案概述.mp4 15.08MB │ │ ├─03 整体网络概述.mp4 16.25MB │ │ ├─04 网络计算流程.mp4 20.59MB │ │ └─05 输入与计算结果.mp4 41.49MB │ ├─06 点云补全实战解读 │ │ ├─01 数据与项目配置解读.mp4 31.86MB │ │ ├─02 待补全数据准备方法.mp4 21.11MB │ │ ├─03 整体框架概述.mp4 33.98MB │ │ ├─04 MRE特征提取模块.mp4 28.18MB │ │ ├─05 分层预测输出模块.mp4 21.72MB │ │ ├─06 补全点云数据.mp4 24.21MB │ │ └─07 判别模块.mp4 33.75MB │ ├─07 点云配准及其案例实战 │ │ ├─01 点云配准任务概述.mp4 13.56MB │ │ ├─02 配准要完成的目标解读.mp4 14.9MB │ │ ├─03 训练数据构建.mp4 16.84MB │ │ ├─04 任务基本流程.mp4 11.95MB │ │ ├─05 数据源配置方法.mp4 33.23MB │ │ ├─06 参数计算模块解读.mp4 15.93MB │ │ ├─07 基于模型预测输出参数.mp4 18.04MB │ │ ├─08 特征构建方法分析.mp4 25.85MB │ │ └─09 任务总结.mp4 24.9MB │ └─08 基础补充-对抗生成网络架构原理与实战解析 │ └─02 GAN网络组成.mp4 9.51MB ├─12 目标追踪与姿态估计实战 │ ├─01 课程介绍 │ │ └─01 课程介绍.mp4 19.96MB │ ├─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 40.29MB │ │ ├─02 姿态估计应用领域概述.mp4 16.45MB │ │ ├─03 传统topdown方法的问题.mp4 25.01MB │ │ ├─04 要解决的两个问题分析.mp4 8.65MB │ │ ├─05 基于高斯分布预测关键点位置.mp4 21.4MB │ │ ├─06 各模块输出特征图解读.mp4 13.74MB │ │ ├─07 PAF向量登场.mp4 10.6MB │ │ ├─08 PAF标签设计方法.mp4 20.03MB │ │ ├─09 预测时PAF积分计算方法.mp4 26.24MB │ │ ├─10 匹配方法解读.mp4 16.19MB │ │ ├─11 CPM模型特点.mp4 18.68MB │ │ └─12 算法流程与总结.mp4 29.98MB │ ├─03 OpenPose算法源码分析 │ │ ├─01 数据集与路径配置解读.mp4 24.77MB │ │ ├─02 读取图像与标注信息.mp4 35.24MB │ │ ├─03 关键点与躯干特征图初始化.mp4 23.93MB │ │ ├─04 根据关键点位置设计关键点标签.mp4 37.72MB │ │ ├─05 准备构建PAF躯干标签.mp4 20.97MB │ │ ├─06 各位置点归属判断.mp4 20.56MB │ │ ├─07 特征图各点累加向量计算.mp4 24.26MB │ │ ├─08 完成PAF特征图制作.mp4 23.91MB │ │ ├─09 网络模型一阶段输出.mp4 19.73MB │ │ └─10 多阶段输出与预测.mp4 34.36MB │ ├─04 deepsort算法知识点解读 │ │ ├─01 卡尔曼滤波通俗解释.mp4 22.81MB │ │ ├─02 卡尔曼滤波要完成的任务.mp4 12.89MB │ │ ├─03 任务本质分析.mp4 15.96MB │ │ ├─04 基于观测值进行最优估计.mp4 14.77MB │ │ ├─05 预测与更新操作.mp4 19.57MB │ │ ├─06 追踪中的状态量.mp4 13.03MB │ │ ├─07 匈牙利匹配算法概述.mp4 14.85MB │ │ ├─08 匹配小例子分析.mp4 16.76MB │ │ ├─09 REID特征的作用.mp4 15.89MB │ │ ├─10 sort与deepsort建模流程分析.mp4 21.62MB │ │ ├─11 预测与匹配流程解读.mp4 21.23MB │ │ └─12 追踪任务流程拆解.mp4 22.99MB │ ├─05 deepsort源码解读 │ │ ├─01 项目环境配置.mp4 29.18MB │ │ ├─02 参数与DEMO演示.mp4 29.38MB │ │ ├─03 针对检测结果初始化track.mp4 34.8MB │ │ ├─04 对track执行预测操作.mp4 27.22MB │ │ ├─05 状态量预测结果.mp4 25.47MB │ │ ├─06 IOU代价矩阵计算.mp4 22.77MB │ │ ├─07 参数更新操作.mp4 34.58MB │ │ ├─08 级联匹配模块.mp4 28.61MB │ │ ├─09 ReID特征代价矩阵计算.mp4 32.2MB │ │ └─10 匹配结果与总结.mp4 54.81MB │ ├─06 YOLO-V4版本算法解读 │ │ ├─02 V4版本贡献解读.mp4 8.2MB │ │ └─06 CIOU损失函数定义.mp4 8.89MB │ └─08 V5项目工程源码解读 │ └─13 1-SPP层计算细节分析.mp4 20.98MB ├─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 50.28MB │ │ ├─02 kitti数据集介绍.mp4 64.86MB │ │ ├─03 使用backbone获取层级特征.mp4 17.08MB │ │ ├─04 差异特征计算边界信息.mp4 20.9MB │ │ ├─05 SPP层的作用.mp4 13.01MB │ │ ├─06 空洞卷积与ASPP.mp4 15.22MB │ │ ├─07 特征拼接方法分析.mp4 17.51MB │ │ ├─08 网络coarse-to-fine过程.mp4 20.61MB │ │ ├─09 权重参数预处理.mp4 22.36MB │ │ └─10 损失计算.mp4 23.6MB │ ├─02 深度估计项目实战 │ │ ├─01 项目环境配置解读.mp4 37.03MB │ │ ├─02 数据与标签定义方法.mp4 50.58MB │ │ ├─03 数据集dataloader制作.mp4 27.87MB │ │ ├─04 使用backbone进行特征提取.mp4 30.56MB │ │ ├─05 计算差异特征.mp4 22.66MB │ │ ├─06 权重参数标准化操作.mp4 30.64MB │ │ ├─07 网络结构ASPP层.mp4 35.27MB │ │ ├─08 特征拼接方法解读.mp4 34.7MB │ │ ├─09 输出深度估计结果.mp4 18.42MB │ │ ├─10 损失函数通俗解读.mp4 49.18MB │ │ └─11 模型DEMO输出结果.mp4 54.45MB │ ├─03 车道线检测算法与论文解读 │ │ ├─01 数据标签与任务分析.mp4 39.45MB │ │ ├─02 网络整体框架分析.mp4 23.37MB │ │ ├─03 输出结果分析.mp4 15.09MB │ │ ├─04 损失函数计算方法.mp4 21.16MB │ │ └─05 论文概述分析.mp4 48.2MB │ ├─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 43.13MB │ │ ├─02 项目环境配置演示.mp4 21.52MB │ │ ├─03 制作数据集dataloader.mp4 39.32MB │ │ ├─04 车道线标签数据处理.mp4 24.06MB │ │ ├─05 四条车道线标签位置矩阵.mp4 16.34MB │ │ ├─06 grid设置方法.mp4 29.68MB │ │ ├─07 完成数据与标签制作.mp4 18.52MB │ │ ├─08 算法网络结构解读.mp4 42.15MB │ │ ├─09 损失函数计算模块分析.mp4 33.3MB │ │ ├─10 车道线规则损失函数限制.mp4 32.42MB │ │ └─11 DEMO制作与配置.mp4 31.82MB │ ├─06 局部特征关键点匹配实战 │ │ ├─02 DEMO效果演示.mp4 51.76MB │ │ ├─03 backbone特征提取模块.mp4 20.14MB │ │ ├─04 注意力机制的作用与效果分析.mp4 21.95MB │ │ ├─05 特征融合模块实现方法.mp4 21.37MB │ │ ├─06 cross关系计算方法实例.mp4 21.11MB │ │ ├─09 精细化调整方法与实例.mp4 31.96MB │ │ └─10 得到精细化输出结果.mp4 14.18MB │ ├─07 三维重建应用与坐标系基础 │ │ ├─01 三维重建概述分析.mp4 49.67MB │ │ ├─02 三维重建应用领域概述.mp4 10.83MB │ │ ├─03 成像方法概述.mp4 13.38MB │ │ ├─04 相机坐标系.mp4 15.12MB │ │ ├─05 坐标系转换方法解读.mp4 17.5MB │ │ ├─06 相机内外参.mp4 14.41MB │ │ ├─07 通过内外参数进行坐标变换.mp4 13.82MB │ │ └─08 相机标定简介.mp4 4.21MB │ ├─08 NeuralRecon算法解读 │ │ ├─01 任务流程分析.mp4 16.53MB │ │ ├─02 基本框架熟悉.mp4 22.32MB │ │ ├─03 特征映射方法解读.mp4 27.17MB │ │ ├─04 片段融合思想.mp4 13.43MB │ │ └─05 整体架构重构方法.mp4 17.86MB │ ├─09 NeuralRecon项目环境配置 │ │ ├─01 数据集下载与配置方法.mp4 39.03MB │ │ ├─02 Scannet数据集内容概述.mp4 26.5MB │ │ ├─03 TSDF标签生成方法.mp4 39.48MB │ │ ├─04 ISSUE的作用.mp4 42.05MB │ │ └─05 完成依赖环境配置.mp4 41.48MB │ ├─10 NeuralRecon项目源码解读 │ │ ├─01 Backbone得到特征图.mp4 27.37MB │ │ ├─02 初始化体素位置.mp4 34.07MB │ │ ├─03 坐标映射方法实现.mp4 20.83MB │ │ ├─04 得到体素所对应特征图.mp4 40.45MB │ │ ├─05 插值得到对应特征向量.mp4 24.39MB │ │ ├─06 得到一阶段输出结果.mp4 29.9MB │ │ ├─07 完成三个阶段预测结果.mp4 33.57MB │ │ └─08 项目总结.mp4 72.67MB │ ├─11 TSDF算法与应用 │ │ ├─01 TSDF整体概述分析.mp4 18.9MB │ │ ├─02 合成过程DEMO演示.mp4 13.03MB │ │ ├─03 布局初始化操作.mp4 10.26MB │ │ ├─04 TSDF计算基本流程解读.mp4 21.16MB │ │ ├─05 坐标转换流程分析.mp4 24.78MB │ │ └─06 输出结果融合更新.mp4 20.16MB │ ├─12 TSDF实战案例 │ │ ├─01 环境配置概述.mp4 24.01MB │ │ ├─02 初始化与数据读取.mp4 16.33MB │ │ └─03 计算得到TSDF输出.mp4 30.45MB │ ├─14 轨迹估计预测实战 │ │ ├─01 数据与环境配置.mp4 24.58MB │ │ ├─02 训练数据准备.mp4 19MB │ │ ├─03 Agent特征提取方法.mp4 30.09MB │ │ ├─04 DataLoader构建图结构.mp4 22.52MB │ │ └─05 SubGraph与Attention模型流程.mp4 27.3MB │ └─15 特斯拉无人驾驶解读 │ └─01 特斯拉无人驾驶解读.mp4 409.96MB ├─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 423.98MB │ └─04 多模态文字识别 │ └─01 多模态文字识别.mp4 588.84MB ├─15 缺陷检测实战 │ ├─01 课程介绍 │ │ └─01 课程介绍.mp4 19.17MB │ ├─02 物体检框架YOLO-V4版本算法解读 │ │ ├─02 V4版本贡献解读.mp4 8.2MB │ │ ├─06 CIOU损失函数定义.mp4 8.89MB │ │ ├─第一十二章 第十模块:缺陷检测实战 │ │ └─缺陷检测实战 │ │ ├─DeepLab铁质材料缺陷检测与开源项目应用流程.zip 3.58GB │ │ ├─PyTorch基础 │ │ │ ├─1-PyTorch框架基本处理操作.zip 98.58MB │ │ │ ├─2-神经网络实战分类与回归任务.zip 15.82MB │ │ │ └─3-图像识别核心模块实战解读.zip 336.95MB │ │ ├─Resnet分类实战 │ │ │ └─Resnet.pdf 207.88KB │ │ ├─第1-4章:YOLOV5缺陷检测 │ │ │ ├─Defective_Insulators.zip 54.69MB │ │ │ ├─NEU-DET.zip 26.68MB │ │ │ ├─YOLO5.zip 469.64MB │ │ │ └─YOLO新版.pdf 3.62MB │ │ ├─第10章:基于视频流水线的Opnecv缺陷检测项目.zip 13.96MB │ │ ├─第11-12章:deeplab │ │ │ ├─DeepLab.pdf 704.25KB │ │ │ └─DeepLabV3Plus.zip 1.92GB │ │ ├─第5章:Semi-supervised布料缺陷检测实战.zip 212.33MB │ │ ├─第6-8章:Opencv各函数使用实例 │ │ │ ├─第一部分notebook课件.zip 7.28MB │ │ │ └─第二部分notebook课件.zip 1.29MB │ │ └─第9章:基于Opencv缺陷检测项目实战.zip 11.38MB │ ├─04 物体检测框架YOLOV5项目工程源码解读 │ │ └─14 Head层流程解读.mp4 21.79MB │ ├─05 基于YOLOV5的钢材缺陷检测实战 │ │ ├─01 任务需求与项目概述.mp4 12.92MB │ │ ├─02 数据与标签配置方法.mp4 29.67MB │ │ ├─03 标签转换格式脚本制作.mp4 23.8MB │ │ ├─04 各版本模型介绍分析.mp4 24.69MB │ │ ├─05 项目参数配置.mp4 20.2MB │ │ ├─06 缺陷检测模型训练.mp4 27.45MB │ │ └─07 输出结果与项目总结.mp4 34.16MB │ ├─06 Semi-supervised布料缺陷检测实战 │ │ ├─01 任务目标与流程概述.mp4 41.67MB │ │ ├─02 论文思想与模型分析.mp4 91.35MB │ │ ├─03 项目配置解读.mp4 46.12MB │ │ ├─04 网络流程分析.mp4 25.83MB │ │ └─05 输出结果展示.mp4 28.25MB │ ├─07 Opencv图像常用处理方法实例 │ │ ├─06 图像阈值.mp4 25.24MB │ │ ├─07 图像平滑处理.mp4 19.46MB │ │ ├─08 高斯与中值滤波.mp4 16.59MB │ │ ├─10 膨胀操作.mp4 9.43MB │ │ ├─11 开运算与闭运算.mp4 7.53MB │ │ └─12 梯度计算.mp4 5.92MB │ ├─09 Opencv轮廓检测与直方图 │ │ ├─03 轮廓检测方法.mp4 14.63MB │ │ ├─04 轮廓检测结果.mp4 23.62MB │ │ ├─05 轮廓特征与近似.mp4 29.38MB │ │ ├─06 模板匹配方法.mp4 37.29MB │ │ ├─07 匹配效果展示.mp4 17.08MB │ │ ├─11 傅里叶概述.mp4 29.85MB │ │ ├─12 频域变换结果.mp4 21.16MB │ │ └─13 低通与高通滤波.mp4 23.18MB │ ├─10 基于Opencv缺陷检测项目实战 │ │ ├─01 任务需求与环境配置.mp4 12.01MB │ │ ├─02 数据读取与基本处理.mp4 19.81MB │ │ ├─03 缺陷形态学操作.mp4 19.36MB │ │ ├─04 整体流程解读.mp4 17.73MB │ │ └─05 缺陷检测效果演示.mp4 38.95MB │ ├─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 12.53MB │ │ ├─02 视频数据读取与轮廓检测.mp4 15.77MB │ │ ├─03 目标质心计算.mp4 23.52MB │ │ ├─04 视频数据遍历方法.mp4 22.29MB │ │ ├─05 缺陷区域提取.mp4 26.53MB │ │ ├─06 不同类型的缺陷检测方法.mp4 26.19MB │ │ └─07 检测效果演示.mp4 18.5MB │ └─14 Deeplab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 23.9MB │ ├─02 开源项目应用方法.mp4 27.1MB │ ├─03 github与kaggle中需要注意的点.mp4 30.85MB │ ├─04 源码的利用方法.mp4 98.83MB │ ├─04 源码的利用方法_ev.mp4 74.04MB │ ├─05 数据集制作方法.mp4 58.2MB │ ├─06 数据路径配置.mp4 41.9MB │ ├─07 训练模型.mp4 25.05MB │ └─08 任务总结.mp4 31.72MB ├─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.mp4 14.16MB │ │ ├─02 挑战与困难分析.mp4 27.88MB │ │ ├─03 评估标准rank1指标.mp4 10.32MB │ │ ├─04 map值计算方法.mp4 12.3MB │ │ ├─05 triplet损失计算实例.mp4 19.97MB │ │ └─06 Hard-Negative方法应用.mp4 21.02MB │ ├─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.mp4 40.44MB │ │ ├─02 空间权重值计算流程分析.mp4 23.32MB │ │ ├─03 融合空间注意力所需特征.mp4 20.28MB │ │ └─04 基于特征图的注意力计算.mp4 47.93MB │ ├─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.mp4 38.8MB │ │ ├─02 参数配置与整体架构分析.mp4 48.84MB │ │ ├─03 进入debug模式解读网络计算流程.mp4 21.58MB │ │ ├─04 获得空间位置点之间的关系.mp4 30.42MB │ │ ├─05 组合关系特征图.mp4 29.22MB │ │ ├─06 计算得到位置权重值.mp4 27.12MB │ │ ├─07 基于特征图的权重计算.mp4 17.98MB │ │ ├─08 损失函数计算实例解读.mp4 43.56MB │ │ └─09 训练与测试模块演示.mp4 54.85MB │ ├─04 AAAI2020顶会算法精讲 │ │ ├─01 论文整体框架概述.mp4 14.22MB │ │ ├─02 局部特征与全局关系计算方法.mp4 13.35MB │ │ ├─03 特征分组方法.mp4 12.77MB │ │ ├─04 GCP模块特征融合方法.mp4 23.56MB │ │ ├─05 oneVsReset方法实例.mp4 12.67MB │ │ └─06 损失函数应用位置.mp4 13.73MB │ ├─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.mp4 47.39MB │ │ ├─02 数据源构建方法分析.mp4 31.46MB │ │ ├─03 dataloader加载顺序解读.mp4 19.41MB │ │ ├─04 debug模式解读.mp4 46.24MB │ │ ├─05 网络计算整体流程演示.mp4 21.57MB │ │ ├─06 特征序列构建.mp4 28.24MB │ │ ├─07 GCP全局特征提取.mp4 25.93MB │ │ ├─08 局部特征提取实例.mp4 37.44MB │ │ ├─09 特征组合汇总.mp4 32.5MB │ │ ├─10 得到所有分组特征结果.mp4 35.8MB │ │ ├─11 损失函数与训练过程演示.mp4 30.4MB │ │ └─12 测试与验证模块.mp4 36.6MB │ ├─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.mp4 17.62MB │ │ ├─02 图卷积与匹配的作用.mp4 20.13MB │ │ ├─03 局部特征热度图计算.mp4 21.04MB │ │ ├─04 基于图卷积构建人体拓扑关系.mp4 25.4MB │ │ ├─05 图卷积模块实现方法.mp4 22.74MB │ │ ├─06 图匹配在行人重识别中的作用.mp4 15.41MB │ │ └─07 整体算法框架分析.mp4 20.29MB │ └─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.mp4 35.09MB │ ├─02 局部特征准备方法.mp4 38.93MB │ ├─03 得到一阶段热度图结果.mp4 28.59MB │ ├─04 阶段监督训练.mp4 58.65MB │ ├─05 初始化图卷积模型.mp4 28.31MB │ ├─06 mask矩阵的作用.mp4 32.47MB │ ├─07 邻接矩阵学习与更新.mp4 37.09MB │ ├─08 基于拓扑结构组合关键点特征.mp4 44.34MB │ ├─09 图匹配模块计算流程.mp4 48.66MB │ └─10 整体项目总结.mp4 55.75MB ├─17 对抗生成网络实战 │ ├─01 课程介绍 │ │ └─01 课程介绍.mp4 20.41MB │ ├─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.mp4 16.09MB │ │ ├─02 GAN网络组成.mp4 9.51MB │ │ ├─03 损失函数解释说明.mp4 31.11MB │ │ ├─04 数据读取模块.mp4 21.88MB │ │ └─05 生成与判别网络定义.mp4 31.54MB │ ├─03 基于CycleGan开源项目实战图像合成 │ │ ├─01 CycleGan网络所需数据.mp4 23.17MB │ │ ├─02 CycleGan整体网络架构.mp4 19MB │ │ ├─03 PatchGan判别网络原理.mp4 9.52MB │ │ ├─04 Cycle开源项目简介.mp4 37.84MB │ │ ├─05 数据读取与预处理操作.mp4 40.45MB │ │ ├─06 生成网络模块构造.mp4 36.07MB │ │ ├─07 判别网络模块构造.mp4 14.58MB │ │ ├─08 损失函数:identity loss计算方法.mp4 27.23MB │ │ ├─09 生成与判别损失函数指定.mp4 41.18MB │ │ └─10 额外补充:VISDOM可视化配置.mp4 26.31MB │ ├─04 stargan论文架构解析 │ │ ├─01 stargan效果演示分析.mp4 22.99MB │ │ ├─02 网络架构整体思路解读.mp4 22.27MB │ │ ├─03 建模流程分析.mp4 31.1MB │ │ ├─04 V1版本存在的问题及后续改进思路.mp4 40.55MB │ │ ├─05 V2版本在整体网络架构.mp4 55.7MB │ │ ├─06 编码器训练方法.mp4 45.2MB │ │ ├─07 损失函数公式解析.mp4 36.49MB │ │ └─08 训练过程分析.mp4 81.35MB │ ├─05 stargan项目实战及其源码解读 │ │ ├─01 测试模块效果与实验分析.mp4 24.73MB │ │ ├─02 项目配置与数据源下载.mp4 15.6MB │ │ ├─03 测试效果演示.mp4 30.88MB │ │ ├─04 项目参数解析.mp4 20.98MB │ │ ├─05 生成器模块源码解读.mp4 34.6MB │ │ ├─06 所有网络模块构建实例.mp4 34.07MB │ │ ├─07 数据读取模块分析.mp4 39.59MB │ │ ├─08 判别器损失计算.mp4 22.69MB │ │ ├─09 损失计算详细过程.mp4 33.48MB │ │ └─10 生成模块损失计算.mp4 49.91MB │ ├─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.mp4 29.67MB │ │ ├─02 VCC2016输入数据.mp4 15.87MB │ │ ├─03 语音特征提取.mp4 24.2MB │ │ ├─04 生成器模型架构分析.mp4 11.7MB │ │ ├─05 InstanceNorm的作用解读.mp4 15.21MB │ │ ├─06 AdaIn的目的与效果.mp4 11.13MB │ │ └─07 判别器模块分析.mp4 86.73MB │ ├─07 starganvc2变声器项目实战及其源码解读 │ │ ├─01 数据与项目文件解读.mp4 16.61MB │ │ ├─02 环境配置与工具包安装.mp4 30.25MB │ │ ├─03 数据预处理与声音特征提取.mp4 61.1MB │ │ ├─04 生成器构造模块解读.mp4 29.57MB │ │ ├─05 下采样与上采样操作.mp4 24.51MB │ │ ├─06 starganvc2版本标签输入分析.mp4 37.39MB │ │ ├─07 生成器前向传播维度变化.mp4 19.37MB │ │ ├─08 判别器模块解读.mp4 24.21MB │ │ ├─09 论文损失函数.mp4 87.19MB │ │ ├─10 源码损失计算流程.mp4 27.61MB │ │ └─11 测试模块-生成转换语音.mp4 36.04MB │ ├─08 图像超分辨率重构实战 │ │ ├─01 论文概述.mp4 42.02MB │ │ ├─02 网络架构.mp4 71.02MB │ │ ├─03 数据与环境配置.mp4 21.98MB │ │ ├─04 数据加载与配置.mp4 28.89MB │ │ ├─05 生成模块.mp4 35.6MB │ │ ├─06 判别模块.mp4 31.7MB │ │ ├─07 VGG特征提取网络.mp4 26.99MB │ │ ├─08 损失函数与训练.mp4 67.04MB │ │ └─09 测试模块.mp4 62.4MB │ └─09 基于GAN的图像补全实战 │ ├─01 论文概述.mp4 71.57MB │ ├─02 网络架构.mp4 23.41MB │ ├─03 细节设计.mp4 68.64MB │ ├─04 论文总结.mp4 111MB │ ├─05 数据与项目概述.mp4 37.85MB │ ├─06 参数基本设计.mp4 53.69MB │ ├─07 网络结构配置.mp4 50.16MB │ ├─08 网络迭代训练.mp4 70.55MB │ └─09 测试模块.mp4 34.78MB ├─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.mp4 12.45MB │ │ ├─02 强化学习的指导依据.mp4 15.62MB │ │ ├─03 强化学习AI游戏DEMO.mp4 13.42MB │ │ ├─04 应用领域简介.mp4 13.86MB │ │ ├─05 强化学习工作流程.mp4 12.11MB │ │ └─06 计算机眼中的状态与行为.mp4 16.43MB │ ├─02 PPO算法与公式推导 │ │ ├─01 基本情况介绍.mp4 21.78MB │ │ ├─02 与环境交互得到所需数据.mp4 18.47MB │ │ ├─03 要完成的目标分析.mp4 20.36MB │ │ ├─04 策略梯度推导.mp4 18.05MB │ │ ├─05 baseline方法.mp4 14.12MB │ │ ├─06 OnPolicy与OffPolicy策略.mp4 16.37MB │ │ ├─07 importance sampling的作用.mp4 18.7MB │ │ └─08 PPO算法整体思路解析.mp4 20.43MB │ ├─03 PPO实战-月球登陆器训练实例 │ │ ├─01 Critic的作用与效果.mp4 30.08MB │ │ ├─02 PPO2版本公式解读.mp4 25.27MB │ │ ├─03 参数与网络结构定义.mp4 24.8MB │ │ ├─04 得到动作结果.mp4 21.1MB │ │ ├─05 奖励获得与计算.mp4 26.23MB │ │ └─06 参数迭代与更新.mp4 34.91MB │ ├─04 Q-learning与DQN算法 │ │ ├─01 整体任务流程演示.mp4 17.28MB │ │ ├─02 探索与action获取.mp4 20.69MB │ │ ├─03 计算target值.mp4 16.37MB │ │ ├─04 训练与更新.mp4 24.66MB │ │ ├─05 算法原理通俗解读.mp4 18.82MB │ │ ├─06 目标函数与公式解析.mp4 21.25MB │ │ ├─07 Qlearning算法实例解读.mp4 14.16MB │ │ ├─08 Q值迭代求解.mp4 18.42MB │ │ └─09 DQN简介.mp4 11.6MB │ ├─06 DQN改进与应用技巧 │ │ ├─01 DoubleDqn要解决的问题.mp4 15.79MB │ │ ├─02 DuelingDqn改进方法.mp4 14.41MB │ │ ├─03 Dueling整体网络架构分析.mp4 17.33MB │ │ ├─04 MultiSetp策略.mp4 7.03MB │ │ └─05 连续动作处理方法.mp4 17.45MB │ ├─07 Actor-Critic算法分析(A3C) │ │ ├─01 AC算法回顾与知识点总结.mp4 13.95MB │ │ ├─02 优势函数解读与分析.mp4 15.51MB │ │ ├─03 计算流程实例.mp4 13.83MB │ │ ├─04 A3C整体架构分析.mp4 13.01MB │ │ └─05 损失函数整理.mp4 17.91MB │ └─08 用A3C玩转超级马里奥 │ ├─01 整体流程与环境配置.mp4 19.18MB │ ├─02 启动游戏环境.mp4 24.56MB │ ├─03 要计算的指标回顾.mp4 26.23MB │ ├─04 初始化局部模型并加载参数.mp4 23.3MB │ ├─05 与环境交互得到训练数据.mp4 27.99MB │ └─06 训练网络模型.mp4 31.62MB ├─19 Openai顶级黑科技算法及其项目实战 │ ├─01 GPT系列生成模型 │ │ └─01 GPT系列.mp4 346.97MB │ ├─02 GPT建模与预测流程 │ │ ├─01 生成模型可以完成的任务概述.mp4 23.08MB │ │ ├─02 数据样本生成方法.mp4 53.49MB │ │ ├─03 训练所需参数解读.mp4 46.15MB │ │ ├─04 模型训练过程.mp4 41.38MB │ │ └─05 部署与网页预测展示.mp4 62.81MB │ ├─03 CLIP系列 │ │ └─01 CLIP系列.mp4 479.43MB │ ├─04 Diffusion模型解读 │ │ └─01 Diffusion模型解读.mp4 547.16MB │ ├─05 Dalle2及其源码解读 │ │ └─01 Dalle2源码解读.mp4 462.68MB │ └─06 ChatGPT │ └─01 ChatGPT.mp4 307.01MB ├─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.mp4 17MB │ │ ├─02 卷积的作用.mp4 19.55MB │ │ ├─03 卷积特征值计算方法.mp4 17.82MB │ │ ├─04 得到特征图表示.mp4 15.06MB │ │ ├─05 步长与卷积核大小对结果的影响.mp4 16.54MB │ │ ├─06 边缘填充方法.mp4 14.44MB │ │ ├─07 特征图尺寸计算与参数共享.mp4 17.04MB │ │ ├─08 池化层的作用.mp4 9.77MB │ │ ├─09 整体网络架构.mp4 13.09MB │ │ ├─10 VGG网络架构.mp4 15.63MB │ │ ├─11 残差网络Resnet.mp4 15.69MB │ │ └─12 感受野的作用.mp4 12.87MB │ ├─02 PyTorch框架基本处理操作 │ │ ├─01 PyTorch实战课程简介.mp4 17.65MB │ │ ├─02 PyTorch框架发展趋势简介.mp4 19.2MB │ │ ├─03 框架安装方法(CPU与GPU版本).mp4 14.24MB │ │ ├─04 PyTorch基本操作简介.mp4 21.87MB │ │ ├─05 自动求导机制.mp4 29.31MB │ │ ├─06 线性回归DEMO-数据与参数配置.mp4 19.1MB │ │ ├─07 线性回归DEMO-训练回归模型.mp4 32.78MB │ │ ├─08 补充:常见tensor格式.mp4 16.99MB │ │ └─09 补充:Hub模块简介.mp4 46.3MB │ ├─03 PyTorch框架必备核心模块解读 │ │ ├─01 卷积网络参数定义.mp4 20.39MB │ │ ├─02 网络流程解读.mp4 28.99MB │ │ ├─03 Vision模块功能解读.mp4 18.94MB │ │ ├─04 分类任务数据集定义与配置.mp4 22.08MB │ │ ├─05 图像增强的作用.mp4 13.31MB │ │ ├─06 数据预处理与数据增强模块.mp4 27.17MB │ │ ├─07 Batch数据制作.mp4 34.46MB │ │ ├─08 迁移学习的目标.mp4 10MB │ │ ├─09 迁移学习策略.mp4 13.51MB │ │ ├─10 加载训练好的网络模型.mp4 39.52MB │ │ ├─11 优化器模块配置.mp4 20.43MB │ │ ├─12 实现训练模块.mp4 27.46MB │ │ ├─13 训练结果与模型保存.mp4 33.86MB │ │ ├─14 加载模型对测试数据进行预测.mp4 43.29MB │ │ ├─15 额外补充-Resnet论文解读.mp4 82.12MB │ │ └─16 额外补充-Resnet网络架构解读.mp4 15.63MB │ ├─04 基于Resnet的医学数据集分类实战 │ │ ├─01 医学疾病数据集介绍.mp4 15.89MB │ │ ├─02 Resnet网络架构原理分析.mp4 20.7MB │ │ ├─03 dataloader加载数据集.mp4 46.8MB │ │ ├─04 Resnet网络前向传播.mp4 26.21MB │ │ ├─05 残差网络的shortcut操作.mp4 34.86MB │ │ ├─06 特征图升维与降采样操作.mp4 19.69MB │ │ └─07 网络整体流程与训练演示.mp4 51.41MB │ ├─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.mp4 15.95MB │ │ ├─02 分割任务中的目标函数定义.mp4 15.36MB │ │ └─03 MIOU评估标准.mp4 7.38MB │ ├─06 Unet系列算法讲解 │ │ ├─01 Unet网络编码与解码过程.mp4 15.21MB │ │ ├─02 网络计算流程.mp4 13.01MB │ │ ├─03 Unet升级版本改进.mp4 12.23MB │ │ └─04 后续升级版本介绍.mp4 14.43MB │ ├─07 unet医学细胞分割实战 │ │ ├─01 医学细胞数据集介绍与参数配置.mp4 46.02MB │ │ ├─02 数据增强工具.mp4 52.29MB │ │ ├─03 Debug模式演示网络计算流程.mp4 33.61MB │ │ ├─04 特征融合方法演示.mp4 21.25MB │ │ ├─05 迭代完成整个模型计算任务.mp4 23.97MB │ │ └─06 模型效果验证.mp4 35.4MB │ ├─08 deeplab系列算法 │ │ ├─01 deeplab分割算法概述.mp4 12.26MB │ │ ├─02 空洞卷积的作用.mp4 14.22MB │ │ ├─03 感受野的意义.mp4 14.85MB │ │ ├─04 SPP层的作用.mp4 15.64MB │ │ ├─05 ASPP特征融合策略.mp4 11.13MB │ │ └─06 deeplabV3Plus版本网络架构.mp4 19.02MB │ ├─09 基于deeplabV3+版本进行VOC分割实战 │ │ ├─01 PascalVoc数据集介绍.mp4 49.32MB │ │ ├─02 项目参数与数据集读取.mp4 46.37MB │ │ ├─03 网络前向传播流程.mp4 24.29MB │ │ ├─04 ASPP层特征融合.mp4 37.64MB │ │ └─05 分割模型训练.mp4 26.01MB │ ├─10 基于deeplab的心脏视频数据诊断分析 │ │ ├─01 数据集与任务概述.mp4 27.87MB │ │ ├─02 项目基本配置参数.mp4 26.18MB │ │ ├─03 任务流程解读.mp4 55.78MB │ │ ├─04 文献报告分析.mp4 91.69MB │ │ ├─05 补充:视频数据源特征处理方法概述.mp4 20.94MB │ │ └─06 补充:R(2plus1)D处理方法分析.mp4 14.63MB │ ├─11 YOLO系列物体检测算法原理解读 │ │ ├─01 检测任务中阶段的意义.mp4 12.98MB │ │ ├─02 不同阶段算法优缺点分析.mp4 8.95MB │ │ ├─03 IOU指标计算.mp4 9.83MB │ │ ├─04 评估所需参数计算.mp4 20.94MB │ │ ├─05 map指标计算.mp4 17.04MB │ │ ├─06 YOLO算法整体思路解读.mp4 12.69MB │ │ ├─07 检测算法要得到的结果.mp4 11.73MB │ │ ├─08 整体网络架构解读.mp4 25.48MB │ │ ├─09 位置损失计算.mp4 16.36MB │ │ ├─10 置信度误差与优缺点分析.mp4 23.08MB │ │ ├─11 V2版本细节升级概述.mp4 11.22MB │ │ ├─12 网络结构特点.mp4 12.99MB │ │ ├─13 架构细节解读.mp4 15.85MB │ │ ├─14 基于聚类来选择先验框尺寸.mp4 20.68MB │ │ ├─15 偏移量计算方法.mp4 23.07MB │ │ ├─16 坐标映射与还原.mp4 8.52MB │ │ ├─17 感受野的作用.mp4 22.28MB │ │ ├─18 特征融合改进.mp4 16.21MB │ │ ├─19 V3版本改进概述.mp4 14.95MB │ │ ├─20 多scale方法改进与特征融合.mp4 14.56MB │ │ ├─21 经典变换方法对比分析.mp4 9.27MB │ │ ├─22 残差连接方法解读.mp4 15.89MB │ │ ├─23 整体网络模型架构分析.mp4 10.54MB │ │ ├─24 先验框设计改进.mp4 10.8MB │ │ ├─25 sotfmax层改进.mp4 8.78MB │ │ ├─26 V4版本整体概述.mp4 13.01MB │ │ ├─27 V4版本贡献解读.mp4 8.2MB │ │ ├─28 数据增强策略分析.mp4 19.93MB │ │ ├─29 DropBlock与标签平滑方法.mp4 16.23MB │ │ ├─30 损失函数遇到的问题.mp4 12.28MB │ │ ├─31 CIOU损失函数定义.mp4 8.89MB │ │ ├─32 NMS细节改进.mp4 12.85MB │ │ ├─33 SPP与CSP网络结构.mp4 12.87MB │ │ ├─34 SAM注意力机制模块.mp4 18.63MB │ │ ├─35 PAN模块解读.mp4 18.36MB │ │ └─36 激活函数与整体架构总结.mp4 16.17MB │ ├─12 基于YOLO5细胞检测实战 │ │ ├─01 任务与细胞数据集介绍.mp4 34.32MB │ │ ├─02 模型与算法配置参数解读.mp4 30.75MB │ │ ├─03 网络训练流程演示.mp4 32.31MB │ │ ├─04 效果评估与展示.mp4 22.48MB │ │ └─05 细胞检测效果演示.mp4 30.65MB │ ├─13 知识图谱原理解读 │ │ ├─01 知识图谱通俗解读.mp4 16.25MB │ │ ├─02 知识图谱在搜索引擎中的应用.mp4 20.74MB │ │ ├─03 知识图谱在医疗领域应用实例.mp4 65.42MB │ │ ├─04 金融与推荐领域的应用.mp4 17.14MB │ │ ├─05 数据获取分析.mp4 27.15MB │ │ ├─06 数据关系抽取分析.mp4 21.3MB │ │ ├─07 常用NLP技术点分析.mp4 18.19MB │ │ ├─08 graph-embedding的作用与效果.mp4 21.37MB │ │ ├─09 金融领域图编码实例.mp4 10.15MB │ │ ├─10 视觉领域图编码实例.mp4 17.12MB │ │ └─11 图谱知识融合与总结分析.mp4 19.22MB │ ├─14 Neo4j数据库实战 │ │ ├─01 Neo4j图数据库介绍.mp4 36.75MB │ │ ├─02 Neo4j数据库安装流程演示.mp4 21.06MB │ │ ├─03 可视化例子演示.mp4 33.67MB │ │ ├─04 创建与删除操作演示.mp4 20.28MB │ │ └─05 数据库更改查询操作演示.mp4 21.4MB │ ├─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.mp4 25.49MB │ │ ├─02 医疗数据介绍及其各字段含义.mp4 85.49MB │ │ ├─03 任务流程概述.mp4 24.83MB │ │ ├─04 环境配置与所需工具包安装.mp4 24.23MB │ │ ├─05 提取数据中的关键字段信息.mp4 43.56MB │ │ ├─06 创建关系边.mp4 28.73MB │ │ ├─07 打造医疗知识图谱模型.mp4 41.8MB │ │ ├─08 加载所有实体数据.mp4 27.31MB │ │ ├─09 实体关键词字典制作.mp4 24.13MB │ │ └─10 完成对话系统构建.mp4 28.65MB │ ├─16 词向量模型与RNN网络架构 │ │ ├─01 词向量模型通俗解释.mp4 17.35MB │ │ ├─02 模型整体框架.mp4 23.56MB │ │ ├─03 训练数据构建.mp4 13.87MB │ │ ├─04 CBOW与Skip-gram模型.mp4 20.1MB │ │ ├─05 负采样方案.mp4 24.2MB │ │ └─06 额外补充-RNN网络模型解读.mp4 21.08MB │ └─17 医学糖尿病数据命名实体识别 │ ├─01 数据与任务介绍.mp4 17.2MB │ ├─02 整体模型架构.mp4 12.01MB │ ├─03 数据-标签-语料库处理.mp4 28.87MB │ ├─04 输入样本填充补齐.mp4 26.49MB │ ├─05 训练网络模型.mp4 30.07MB │ └─06 医疗数据集(糖尿病)实体识别.mp4 67.87MB ├─21 深度学习模型部署与剪枝优化实战 │ ├─01 AIoT人工智能物联网之认识 jetson nano │ │ ├─01 jetson nano 硬件介绍.mp4 20.82MB │ │ ├─02 jetson nano 刷机.mp4 16.01MB │ │ ├─03 jetson nano 系统安装过程.mp4 89.8MB │ │ ├─04 感受nano的GPU算力.mp4 67.16MB │ │ └─05 安装使用摄像头csi usb.mp4 47.55MB │ ├─02 AIoT人工智能物联网之AI 实战 │ │ ├─01 jetson-inference 入门.mp4 43.86MB │ │ ├─02 docker 的安装使用.mp4 32.63MB │ │ ├─03 docker中运行分类模型.mp4 141.34MB │ │ ├─04 训练自己的目标检测模型准备.mp4 56.12MB │ │ ├─05 训练出自己目标识别模型a.mp4 101.63MB │ │ ├─06 训练出自己目标识别模型b.mp4 67.93MB │ │ └─07 转换出onnx模型,并使用.mp4 437.24MB │ ├─03 AIoT人工智能物联网之NVIDIA TAO 实用级的训练神器 │ │ ├─01 NVIDIA TAO介绍和安装.mp4 75.5MB │ │ ├─02 NVIDIA TAO数据准备和环境设置.mp4 46.33MB │ │ ├─03 NVIDIA TAO数据转换.mp4 146.44MB │ │ ├─04 NVIDIA TAO预训练模型和训练a.mp4 73.65MB │ │ ├─05 NVIDIA TAO预训练模型和训练b.mp4 13.54MB │ │ ├─06 NVIDIA TAO预训练模型和训练c..mp4 32.06MB │ │ └─07 TAO 剪枝在训练推理验证.mp4 143.98MB │ ├─04 AIoT人工智能物联网之deepstream │ │ ├─01 deepstream 介绍安装.mp4 79.02MB │ │ ├─02 deepstream HelloWorld.mp4 48.33MB │ │ ├─03 GStreamer RTP和RTSP1.mp4 85.36MB │ │ ├─04 GStreamer RTP和RTSP2.mp4 111.14MB │ │ ├─05 python实现RTP和RTSP.mp4 75.31MB │ │ ├─06 deepstream推理.mp4 111.38MB │ │ └─07 deepstream集成yolov4.mp4 108.51MB │ ├─05 tensorRT视频 │ │ ├─01 源码【内有百度云地址,自取】.txt 75B │ │ ├─01 说在前面.mp4 27.34MB │ │ ├─02 学习工具环境的介绍,自动环境配置.mp4 32.91MB │ │ ├─03 cuda驱动API,课程概述和清单.mp4 14.36MB │ │ ├─04 cuda驱动API,初始化和检查的理解,CUDA错误检查习惯.mp4 54.35MB │ │ ├─05 cuda驱动API,上下文管理设置,以及其作用.mp4 36.25MB │ │ ├─06 cuda驱动API,使用驱动API进行内存分配.mp4 16.29MB │ │ ├─07 cuda运行时API,课程概述和清单.mp4 10.72MB │ │ ├─08 cuda运行时API,第一个运行时程序,hello-cuda.mp4 17.07MB │ │ ├─09 cuda运行时API,内存的学习,pinnedmemory,内存效率问题.mp4 39.69MB │ │ ├─10 cuda运行时API,流的学习,异步任务的管理.mp4 32.67MB │ │ ├─11 cuda运行时API,核函数的定义和使用.mp4 115.42MB │ │ ├─12 cuda运行时API,共享内存的学习.mp4 39.35MB │ │ ├─13 cuda运行时API,使用cuda核函数加速warpaffine.mp4 45.75MB │ │ ├─14 cuda运行时API,使用cuda核函数加速yolov5的后处理.mp4 122.15MB │ │ ├─15 cuda运行时API,错误处理的理解以及错误的传播特性.mp4 25.83MB │ │ ├─16 tensorRT基础,课程概述清单.mp4 26.84MB │ │ ├─17 tensorRT基础,第一个trt程序,实现模型编译的过程.mp4 41.94MB │ │ ├─18 tensorRT基础,实现模型的推理过程.mp4 40.09MB │ │ ├─19 tensorRT基础,模型推理时动态shape的具体实现要点.mp4 36.76MB │ │ ├─20 tensorRT基础,onnx文件及其结构的学习,编辑修改onnx.mkv.mp4 80.14MB │ │ ├─21 tensorRT基础,实际模型上onnx文件的各种操作.mp4 227.02MB │ │ ├─22 tensorRT基础,正确导出onnx的介绍,使得onnx问题尽量少.mp4 24.99MB │ │ ├─23 tensorRT基础,学习使用onnx解析器来读取onnx文件,使用onnx-tensorrt源代码.mp4 89.32MB │ │ ├─24 tensorRT基础,学习从下载onnx-tensorrt到配置好并运行起来全过程.mp4 115.59MB │ │ ├─25 tensorRT基础,学习第一个插件的编写.mp4 141.2MB │ │ ├─26 tensorRT基础,对插件过程进行封装,并实现更容易的插件开发.mp4 80.33MB │ │ ├─27 tensorRT基础,学习编译int8模型,对模型进行int8量化.mp4 118.27MB │ │ ├─28 tensorRT高级,课程概述和清单.mp4 32.3MB │ │ ├─29 tensorRT高级,第一个完整的分类器程序.mp4 82.98MB │ │ ├─30 tensorRT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.mp4 144.19MB │ │ ├─31 tensorRT高级,学习UNet场景分割项目的代码修改、模型导出、编译到推理过程,没有封装.mp4 283.67MB │ │ ├─32 tensorRT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.mp4 385.47MB │ │ ├─33 tensorRT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.mp4 303.16MB │ │ ├─34 tensorRT高级,学习如何使用onnxruntime进行onnx的模型推理过程.mp4 63.09MB │ │ ├─35 tensorRT高级,学习如何使用openvino进行onnx的模型推理过程.mp4 49.51MB │ │ ├─36 tensorRT高级,学习深度学习中涉及的线程知识.mp4 54.28MB │ │ ├─37 tensorRT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.mp4 137.02MB │ │ ├─38 tensorRT高级,学习使用RAII资源获取即初始化配合接口模式对代码进行有效封装.mp4 125.43MB │ │ ├─39 tensorRT高级,学习RAII 接口模式下的生产者消费者以及多Batch的实现.mp4 129.41MB │ │ ├─40 tensorRT高级,封装之,模型编译过程封装,简化模型编译代码.mp4 82.12MB │ │ ├─41 tensorRT高级,封装之,内存管理的封装,内存的复用.mp4 39.71MB │ │ ├─42 tensorRT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.mp4 118.52MB │ │ ├─43 tensorRT高级,封装之,infer推理的封装,输入输出tensor的关联.mp4 50.57MB │ │ ├─44 tensorRT高级,封装之,基于生产者消费者实现的yolov5封装.mp4 80.56MB │ │ ├─45 tensorRT高级,封装之,终极封装形态,以及考虑的问题.mp4 234.61MB │ │ ├─46 tensorRT高级,调试方法、思想讨论.mp4 87.75MB │ │ ├─47 tensorRT高级,自动驾驶案例项目self-driving-道路分割分析.mp4 173.54MB │ │ ├─48 tensorRT高级,自动驾驶案例项目self-driving-深度估计分析.mp4 99.57MB │ │ ├─49 tensorRT高级,自动驾驶案例项目self-driving-车道线检测分析.mp4 239.77MB │ │ └─50 tensorRT高级,学习使用pybind11为python开发扩展模块.mp4 91.77MB │ ├─06 pyTorch框架部署实践 │ │ ├─01 所需基本环境配置.mp4 16.18MB │ │ ├─02 模型加载与数据预处理.mp4 28.03MB │ │ ├─03 接收与预测模块实现.mp4 28.56MB │ │ ├─04 效果实例演示.mp4 31.64MB │ │ ├─05 课程简介.mp4 6.52MB │ │ └─第一十九章 深度学习模型部署与剪枝优化实战 │ │ ├─Docker使用命令.zip 7.83MB │ │ ├─Mobilenet.pdf 2.41MB │ │ ├─mobilenetv3.py 7.31KB │ │ ├─pytorch-slimming.zip 356.43MB │ │ ├─PyTorch模型部署实例.zip 102.8KB │ │ ├─TensorFlow-serving.zip 2.96MB │ │ ├─YOLO部署实例.zip 876.45MB │ │ └─剪枝算法.pdf 504.02KB │ ├─07 YOLO-V3物体检测部署实例 │ │ ├─01 项目所需配置文件介绍.mp4 18.91MB │ │ ├─02 加载参数与模型权重.mp4 26.94MB │ │ ├─03 数据预处理.mp4 40.35MB │ │ └─04 返回线性预测结果.mp4 32.57MB │ ├─08 docker实例演示 │ │ ├─01 docker简介.mp4 12.14MB │ │ ├─02 docker安装与配置.mp4 36.85MB │ │ ├─03 阿里云镜像配置.mp4 20.05MB │ │ ├─04 基于docker配置pytorch环境.mp4 28.39MB │ │ ├─05 安装演示环境所需依赖.mp4 25.13MB │ │ ├─06 复制所需配置到容器中.mp4 21.71MB │ │ └─07 上传与下载配置好的项目.mp4 36.19MB │ ├─09 tensorflow-serving实战 │ │ ├─01 tf-serving项目获取与配置.mp4 23.18MB │ │ ├─02 加载并启动模型服务.mp4 23.15MB │ │ ├─03 测试模型部署效果.mp4 32.59MB │ │ ├─04 fashion数据集获取.mp4 27.32MB │ │ └─05 加载fashion模型启动服务.mp4 28.23MB │ ├─10 模型剪枝-Network Slimming算法分析 │ │ ├─01 论文算法核心框架概述.mp4 15.27MB │ │ ├─02 BatchNorm要解决的问题.mp4 15.14MB │ │ ├─03 BN的本质作用.mp4 17.66MB │ │ ├─04 额外的训练参数解读.mp4 16.15MB │ │ └─05 稀疏化原理与效果.mp4 19.09MB │ ├─11 模型剪枝-Network Slimming实战解读 │ │ ├─01 整体案例流程解读.mp4 25.4MB │ │ ├─02 加入L1正则化来进行更新.mp4 20.53MB │ │ ├─03 剪枝模块介绍.mp4 23.63MB │ │ ├─04 筛选需要的特征图.mp4 27.92MB │ │ ├─05 剪枝后模型参数赋值.mp4 36.69MB │ │ └─06 微调完成剪枝模型.mp4 33.71MB │ └─12 Mobilenet三代网络模型架构 │ ├─01 模型剪枝分析.mp4 17.37MB │ ├─02 常见剪枝方法介绍.mp4 19.86MB │ ├─03 mobilenet简介.mp4 7.5MB │ ├─04 经典卷积计算量与参数量分析.mp4 11.52MB │ ├─05 深度可分离卷积的作用与效果.mp4 12.73MB │ ├─06 参数与计算量的比较.mp4 31.98MB │ ├─07 V1版本效果分析.mp4 19.62MB │ ├─08 V2版本改进以及Relu激活函数的问题.mp4 15.45MB │ ├─09 倒残差结构的作用.mp4 14.38MB │ ├─10 V2整体架构与效果分析.mp4 8.36MB │ ├─11 V3版本网络架构分析.mp4 9.57MB │ ├─12 SE模块作用与效果解读.mp4 25.55MB │ └─13 代码实现mobilenetV3网络架构.mp4 47.02MB ├─22 自然语言处理必备神器Huggingface系列实战 │ ├─01 Huggingface与NLP介绍解读 │ │ └─01 Huggingface与NLP介绍解读.mp4 133.52MB │ ├─02 Transformer工具包基本操作实例解读 │ │ ├─01 工具包与任务整体介绍.mp4 24.29MB │ │ ├─02 NLP任务常规流程分析.mp4 23.34MB │ │ ├─03 文本切分方法实例解读.mp4 34.52MB │ │ ├─04 AttentionMask配套使用方法.mp4 32.73MB │ │ ├─05 数据集与模型.mp4 34.75MB │ │ ├─06 数据Dataloader封装.mp4 45.42MB │ │ ├─07 模型训练所需配置参数.mp4 32.04MB │ │ └─08 模型训练DEMO.mp4 51.52MB │ ├─03 transformer原理解读 │ │ └─01 transformer原理解读.mp4 302.11MB │ ├─04 BERT系列算法解读 │ │ ├─01 BERT模型训练方法解读.mp4 20.74MB │ │ ├─02 ALBERT基本定义.mp4 31.85MB │ │ ├─03 ALBERT中的简化方法解读.mp4 36.68MB │ │ ├─04 RoBerta模型训练方法解读.mp4 22.65MB │ │ └─05 DistilBert模型解读.mp4 13.97MB │ ├─05 文本标注工具与NER实例 │ │ ├─01 文本标注工具Doccano配置方法.mp4 27.66MB │ │ ├─02 命名实体识别任务标注方法实例.mp4 29.99MB │ │ ├─03 标注导出与BIO处理.mp4 30.65MB │ │ ├─04 标签处理并完成对齐操作.mp4 32.66MB │ │ ├─05 预训练模型加载与参数配置.mp4 34.16MB │ │ └─06 模型训练与输出结果预测.mp4 35.58MB │ ├─06 文本预训练模型构建实例 │ │ ├─01 预训练模型效果分析.mp4 27.07MB │ │ ├─02 文本数据截断处理.mp4 38.12MB │ │ └─03 预训练模型自定义训练.mp4 83.34MB │ ├─07 GPT系列算法 │ │ ├─01 GPT系列算法概述.mp4 21.8MB │ │ ├─02 GPT三代版本分析.mp4 25.04MB │ │ ├─03 GPT初代版本要解决的问题.mp4 26.62MB │ │ ├─04 GPT第二代版本训练策略.mp4 22.54MB │ │ ├─05 采样策略与多样性.mp4 22.15MB │ │ ├─06 GPT3的提示与生成方法.mp4 58.77MB │ │ ├─07 应用场景CODEX分析.mp4 31.1MB │ │ └─08 DEMO应用演示.mp4 72.72MB │ ├─08 GPT训练与预测部署流程 │ │ └─1-11 节额外补充:GPT建模与预测流程 │ │ └─ChinesePretrainedModels.zip 1.62GB │ ├─09 文本摘要建模 │ │ ├─01 中文商城评价数据处理方法.mp4 53.68MB │ │ ├─02 模型训练与测试结果.mp4 83.07MB │ │ ├─03 文本摘要数据标注方法.mp4 44.45MB │ │ ├─04 训练自己标注的数据并测试.mp4 22.74MB │ │ └─1-12 节额外补充:文本摘要建模 │ │ └─Summarization.zip 2.04GB │ ├─10 图谱知识抽取实战 │ │ ├─01 应用场景概述分析.mp4 66.44MB │ │ ├─02 数据标注格式样例分析.mp4 51.38MB │ │ ├─03 数据处理与读取模块.mp4 31.6MB │ │ ├─04 实体抽取模块分析.mp4 37.16MB │ │ ├─05 标签与数据结构定义方法.mp4 39.88MB │ │ ├─06 模型构建与计算流程.mp4 35.87MB │ │ ├─07 网络模型前向计算方法.mp4 26.18MB │ │ └─08 关系抽取模型训练.mp4 33.54MB │ └─11 补充Huggingface数据集制作方法实例 │ ├─01 数据结构分析.mp4 46.28MB │ ├─02 Huggingface中的预处理实例.mp4 67.48MB │ └─03 数据处理基本流程.mp4 62.47MB ├─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 │ │ ├─01 BERT课程简介.mp4 21.55MB │ │ ├─02 BERT任务目标概述.mp4 10.07MB │ │ ├─03 传统解决方案遇到的问题.mp4 19.87MB │ │ ├─04 注意力机制的作用.mp4 13.08MB │ │ ├─05 self-attention计算方法.mp4 21.41MB │ │ ├─06 特征分配与softmax机制.mp4 18.48MB │ │ ├─07 Multi-head的作用.mp4 17MB │ │ ├─08 位置编码与多层堆叠.mp4 14.55MB │ │ ├─09 transformer整体架构梳理.mp4 20.18MB │ │ ├─10 BERT模型训练方法.mp4 17.79MB │ │ └─11 训练实例.mp4 19.42MB │ ├─02 谷歌开源项目BERT源码解读与应用实例 │ │ ├─01 BERT开源项目简介.mp4 33.52MB │ │ ├─02 项目参数配置.mp4 75.01MB │ │ ├─03 数据读取模块.mp4 39.33MB │ │ ├─04 数据预处理模块.mp4 29.63MB │ │ ├─05 tfrecord数据源制作.mp4 37.7MB │ │ ├─06 Embedding层的作用.mp4 22.79MB │ │ ├─07 加入额外编码特征.mp4 31.48MB │ │ ├─08 加入位置编码特征.mp4 17.18MB │ │ ├─09 mask机制的作用.mp4 26.77MB │ │ ├─10 构建QKV矩阵.mp4 38.23MB │ │ ├─11 完成Transformer模块构建.mp4 30.38MB │ │ └─12 训练BERT模型.mp4 40.91MB │ ├─03 项目实战-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 47.93MB │ │ ├─02 读取处理自己的数据集.mp4 40.67MB │ │ └─03 训练BERT中文分类模型.mp4 51.07MB │ ├─04 项目实战-基于BERT的中文命名实体识别识别实战 │ │ ├─01 命名实体识别数据分析与任务目标.mp4 25.14MB │ │ ├─02 NER标注数据处理与读取.mp4 51.73MB │ │ └─03 构建BERT与CRF模型.mp4 48.72MB │ ├─06 必备基础-掌握Tensorflow如何实现word2vec模型 │ │ ├─01 数据与任务流程.mp4 36.6MB │ │ ├─02 数据清洗.mp4 21.21MB │ │ ├─03 batch数据制作.mp4 38MB │ │ ├─04 网络训练.mp4 37.77MB │ │ └─05 可视化展示.mp4 31MB │ └─07 必备基础知识点-RNN网络架构与情感分析应用实例 │ ├─02 NLP应用领域与任务简介.mp4 27.14MB │ ├─03 项目流程解读.mp4 34.01MB │ ├─04 加载词向量特征.mp4 24.99MB │ ├─05 正负样本数据读取.mp4 30.76MB │ ├─06 构建LSTM网络模型.mp4 37MB │ ├─07 训练与测试效果.mp4 71MB │ └─08 LSTM情感分析.mp4 460.22MB ├─24 自然语言处理经典案例实战 │ ├─01 NLP常用工具包实战 │ │ ├─01 Python字符串处理.mp4 32.38MB │ │ ├─02 正则表达式基本语法.mp4 26.35MB │ │ ├─03 正则常用符号.mp4 30.76MB │ │ ├─04 常用函数介绍.mp4 31.78MB │ │ ├─05 NLTK工具包简介.mp4 24.56MB │ │ ├─06 停用词过滤.mp4 22.19MB │ │ ├─07 词性标注.mp4 28.95MB │ │ ├─08 数据清洗实例.mp4 36.17MB │ │ ├─09 Spacy工具包.mp4 36.94MB │ │ ├─10 名字实体匹配.mp4 17.58MB │ │ ├─11 恐怖袭击分析.mp4 33.51MB │ │ ├─12 统计分析结果.mp4 38.12MB │ │ ├─13 结巴分词器.mp4 22.95MB │ │ └─14 词云展示.mp4 72.84MB │ ├─02 商品信息可视化与文本分析 │ │ ├─01 在线商城商品数据信息概述.mp4 27.31MB │ │ ├─02 商品类别划分方式.mp4 30.38MB │ │ ├─03 商品类别可视化展示.mp4 33.33MB │ │ ├─04 商品描述长度对价格的影响分析.mp4 27.75MB │ │ ├─05 关键词的词云可视化展示.mp4 45.18MB │ │ ├─06 基于tf-idf提取关键词信息.mp4 27.52MB │ │ ├─07 通过降维进行可视化展示.mp4 30.92MB │ │ └─08 聚类分析与主题模型展示.mp4 48.53MB │ ├─03 贝叶斯算法 │ │ ├─01 贝叶斯算法概述.mp4 10.25MB │ │ ├─02 贝叶斯推导实例.mp4 11.08MB │ │ ├─03 贝叶斯拼写纠错实例.mp4 17.59MB │ │ ├─04 垃圾邮件过滤实例.mp4 21.07MB │ │ └─05 贝叶斯实现拼写检查器.mp4 33.53MB │ ├─04 新闻分类任务实战 │ │ ├─01 文本分析与关键词提取.mp4 18.07MB │ │ ├─02 相似度计算.mp4 17.52MB │ │ ├─03 新闻数据与任务简介.mp4 30.56MB │ │ ├─04 TF-IDF关键词提取.mp4 44.01MB │ │ ├─05 LDA建模.mp4 26.23MB │ │ └─06 基于贝叶斯算法进行新闻分类.mp4 46.71MB │ ├─05 HMM隐马尔科夫模型 │ │ ├─01 马尔科夫模型.mp4 14.28MB │ │ ├─02 隐马尔科夫模型基本出发点.mp4 15.05MB │ │ ├─03 组成与要解决的问题.mp4 12.13MB │ │ ├─04 暴力求解方法.mp4 21.02MB │ │ ├─05 复杂度计算.mp4 12.42MB │ │ ├─06 前向算法.mp4 28.2MB │ │ ├─07 前向算法求解实例.mp4 27.1MB │ │ ├─08 Baum-Welch算法.mp4 20.76MB │ │ ├─09 参数求解.mp4 13.68MB │ │ └─10 维特比算法.mp4 34.25MB │ ├─06 HMM工具包实战 │ │ ├─01 hmmlearn工具包.mp4 16.18MB │ │ ├─02 工具包使用方法.mp4 48MB │ │ ├─03 中文分词任务.mp4 11.17MB │ │ └─04 实现中文分词.mp4 27.71MB │ ├─07 语言模型 │ │ ├─01 开篇.mp4 7.56MB │ │ ├─02 语言模型.mp4 8.33MB │ │ ├─03 N-gram模型.mp4 12.62MB │ │ ├─04 词向量.mp4 12.6MB │ │ ├─05 神经网络模型.mp4 14.99MB │ │ ├─06 Hierarchical Softmax.mp4 14.55MB │ │ ├─07 CBOW模型实例.mp4 17.33MB │ │ ├─08 CBOW求解目标.mp4 8.2MB │ │ ├─09 锑度上升求解.mp4 15.56MB │ │ └─10 负采样模型.mp4 9.77MB │ ├─08 使用Gemsim构建词向量 │ │ ├─01 使用Gensim库构造词向量.mp4 14.84MB │ │ ├─02 维基百科中文数据处理.mp4 34.3MB │ │ ├─03 Gensim构造word2vec模型.mp4 19.17MB │ │ └─04 测试模型相似度结果.mp4 17.75MB │ ├─09 基于word2vec的分类任务 │ │ ├─01 影评情感分类.mp4 43.97MB │ │ ├─02 基于词袋模型训练分类器.mp4 26.8MB │ │ ├─03 准备word2vec输入数据.mp4 23.42MB │ │ └─04 使用gensim构建word2vec词向量(新).mp4 54.58MB │ ├─10 NLP-文本特征方法对比 │ │ ├─01 任务概述.mp4 30.59MB │ │ ├─02 词袋模型.mp4 23.2MB │ │ ├─03 词袋模型分析.mp4 53.16MB │ │ ├─04 TFIDF模型.mp4 35.64MB │ │ ├─05 word2vec词向量模型.mp4 40.9MB │ │ └─06 深度学习模型.mp4 31.08MB │ ├─11 NLP-相似度模型 │ │ ├─01 任务概述.mp4 10.63MB │ │ ├─02 数据展示.mp4 17.04MB │ │ ├─03 正负样本制作.mp4 28.71MB │ │ ├─04 数据预处理.mp4 29.06MB │ │ ├─05 网络模型定义.mp4 39.2MB │ │ ├─06 基于字符的训练.mp4 40.91MB │ │ └─07 基于句子的相似度训练.mp4 29.18MB │ ├─12 LSTM情感分析 │ │ ├─01 RNN网络架构.mp4 18.07MB │ │ ├─02 LSTM网络架构.mp4 16.64MB │ │ ├─03 案例:使用LSTM进行情感分类.mp4 28.37MB │ │ ├─04 情感数据集处理.mp4 32.21MB │ │ └─05 基于word2vec的LSTM模型.mp4 47.24MB │ ├─13 机器人写唐诗 │ │ ├─01 任务概述与环境配置.mp4 11.25MB │ │ ├─02 参数配置.mp4 20.54MB │ │ ├─03 数据预处理模块.mp4 31.88MB │ │ ├─04 batch数据制作.mp4 25.87MB │ │ ├─05 RNN模型定义.mp4 16.6MB │ │ ├─06 完成训练模块.mp4 25.3MB │ │ ├─07 训练唐诗生成模型.mp4 10.34MB │ │ └─08 测试唐诗生成效果.mp4 19.61MB │ └─14 对话机器人 │ ├─01 效果演示.mp4 24.2MB │ ├─02 参数配置与数据加载.mp4 37.67MB │ ├─03 数据处理.mp4 31.8MB │ ├─04 词向量与投影.mp4 29.2MB │ ├─05 seq网络.mp4 23.67MB │ └─06 网络训练.mp4 28.48MB ├─25 知识图谱实战系列 │ ├─04 使用python操作neo4j实例 │ │ ├─01 使用Py2neo建立连接.mp4 31.38MB │ │ ├─02 提取所需的指标信息.mp4 35.68MB │ │ ├─03 在图中创建实体.mp4 30.48MB │ │ └─04 根据给定实体创建关系.mp4 36.17MB │ ├─06 文本关系抽取实践 │ │ ├─01 关系抽取要完成的任务演示与分析.mp4 13.83MB │ │ ├─02 LTP工具包概述介绍.mp4 35.51MB │ │ ├─03 pyltp安装与流程演示.mp4 30.13MB │ │ ├─04 得到分词与词性标注结果.mp4 33.37MB │ │ ├─05 依存句法概述.mp4 22.06MB │ │ ├─06 句法分析结果整理.mp4 28.07MB │ │ ├─07 语义角色构建与分析.mp4 39.63MB │ │ └─08 设计规则完成关系抽取.mp4 38.22MB │ └─07 金融平台风控模型实践 │ ├─01 竞赛任务目标.mp4 18.72MB │ ├─02 图模型信息提取.mp4 23.51MB │ ├─03 节点权重特征提取(PageRank).mp4 28.38MB │ ├─04 deepwalk构建图顶点特征.mp4 42.22MB │ ├─05 各项统计特征.mp4 40.57MB │ ├─06 app安装特征.mp4 33.73MB │ └─07 图中联系人特征.mp4 55.96MB ├─26 语音识别实战系列 │ ├─01 seq2seq序列网络模型 │ │ ├─01 序列网络模型概述分析.mp4 15.35MB │ │ ├─02 工作原理概述.mp4 7.46MB │ │ ├─03 注意力机制的作用.mp4 12.54MB │ │ ├─04 加入attention的序列模型整体架构.mp4 17.99MB │ │ └─05 TeacherForcing的作用与训练策略.mp4 13.92MB │ ├─02 LAS模型语音识别实战 │ │ ├─01 数据源与环境配置.mp4 23.62MB │ │ ├─02 语料表制作方法.mp4 18.49MB │ │ ├─03 制作json标注数据.mp4 28.78MB │ │ ├─04 声音数据处理模块解读.mp4 43.67MB │ │ ├─05 Pack与Pad操作解析.mp4 26.11MB │ │ ├─06 编码器模块整体流程.mp4 22.3MB │ │ ├─07 加入注意力机制.mp4 24.02MB │ │ ├─08 计算得到每个输出的attention得分.mp4 26.56MB │ │ └─09 解码器与训练过程演示.mp4 31.69MB │ ├─05 语音分离ConvTasnet模型 │ │ ├─01 语音分离任务分析.mp4 7.28MB │ │ ├─02 经典语音分离模型概述.mp4 14.87MB │ │ ├─03 DeepClustering论文解读.mp4 12.76MB │ │ ├─04 TasNet编码器结构分析.mp4 32.49MB │ │ ├─05 DW卷积的作用与效果.mp4 8.89MB │ │ └─06 基于Mask得到分离结果.mp4 14.08MB │ ├─06 ConvTasnet语音分离实战 │ │ ├─01 数据准备与环境配置.mp4 56.94MB │ │ ├─02 训练任务所需参数介绍.mp4 20.58MB │ │ ├─03 DataLoader定义.mp4 25.84MB │ │ ├─04 采样数据特征编码.mp4 28.11MB │ │ ├─05 编码器特征提取.mp4 40.11MB │ │ ├─06 构建更大的感受区域.mp4 37.09MB │ │ ├─07 解码得到分离后的语音.mp4 35.34MB │ │ └─08 测试模块所需参数.mp4 32.68MB │ └─07 语音合成tacotron最新版实战 │ ├─01 语音合成项目所需环境配置.mp4 34.64MB │ ├─02 所需数据集介绍.mp4 32.55MB │ ├─03 路径配置与整体流程解读.mp4 46.09MB │ ├─04 Dataloader构建数据与标签.mp4 52.87MB │ ├─05 编码层要完成的任务.mp4 33.31MB │ ├─06 得到编码特征向量.mp4 20.52MB │ ├─07 解码器输入准备.mp4 24.83MB │ ├─08 解码器流程梳理.mp4 30.63MB │ ├─09 注意力机制应用方法.mp4 37.26MB │ ├─10 得到加权的编码向量.mp4 38.05MB │ ├─11 模型输出结果.mp4 39.78MB │ └─12 损失函数与预测.mp4 34.73MB ├─27 推荐系统实战系列 │ ├─01 推荐系统介绍及其应用 │ │ ├─01 1-推荐系统通俗解读.mp4 14.61MB │ │ ├─02 2-推荐系统发展简介.mp4 19.2MB │ │ ├─03 3-应用领域与多方位评估指标.mp4 20.16MB │ │ ├─04 4-任务流程与挑战概述.mp4 21.92MB │ │ ├─05 5-常用技术点分析.mp4 13.79MB │ │ └─06 6-与深度学习的结合.mp4 19.13MB │ ├─02 协同过滤与矩阵分解 │ │ ├─01 1-协同过滤与矩阵分解简介.mp4 8.95MB │ │ ├─02 2-基于用户与商品的协同过滤.mp4 15.68MB │ │ ├─03 3-相似度计算与推荐实例.mp4 12.15MB │ │ ├─04 4-矩阵分解的目的与效果.mp4 17.31MB │ │ ├─05 5-矩阵分解中的隐向量.mp4 20.13MB │ │ ├─06 6-目标函数简介.mp4 10.78MB │ │ ├─07 7-隐式情况分析.mp4 11.62MB │ │ └─08 8-Embedding的作用.mp4 8.92MB │ ├─03 音乐推荐系统实战 │ │ ├─01 1-音乐推荐任务概述.mp4 55.21MB │ │ ├─02 2-数据集整合.mp4 42.97MB │ │ ├─03 3-基于物品的协同过滤.mp4 48.36MB │ │ ├─04 4-物品相似度计算与推荐.mp4 52.54MB │ │ ├─05 5-SVD矩阵分解.mp4 24.92MB │ │ └─06 6-基于矩阵分解的音乐推荐.mp4 64.03MB │ ├─05 基于知识图谱的电影推荐实战 │ │ ├─01 1-知识图谱推荐系统效果演示.mp4 17.15MB │ │ ├─02 2-kaggle电影数据集下载与配置.mp4 47.01MB │ │ ├─03 3-图谱需求与任务流程解读.mp4 19.96MB │ │ ├─04 4-项目所需环境配置安装.mp4 35.82MB │ │ ├─05 5-构建用户电影知识图谱.mp4 43.41MB │ │ ├─06 6-图谱查询与匹配操作.mp4 14.8MB │ │ └─07 7-相似度计算与推荐引擎构建.mp4 28.44MB │ ├─06 点击率估计FM与DeepFM算法 │ │ ├─01 1-CTR估计及其经典方法概述.mp4 16.9MB │ │ ├─02 2-高维特征带来的问题.mp4 9.92MB │ │ ├─03 3-二项式特征的作用与挑战.mp4 10.08MB │ │ ├─04 4-二阶公式推导与化简.mp4 17.27MB │ │ ├─05 5-FM算法解析.mp4 16.31MB │ │ ├─06 6-DeepFm整体架构解读.mp4 12.37MB │ │ ├─07 7-输入层所需数据样例.mp4 10.97MB │ │ └─08 8-Embedding层的作用与总结.mp4 17.03MB │ ├─07 DeepFM算法实战 │ │ ├─01 1-数据集介绍与环境配置.mp4 41.08MB │ │ ├─02 2-广告点击数据预处理实例.mp4 36.84MB │ │ ├─03 3-数据处理模块Embedding层.mp4 24.61MB │ │ ├─04 4-Index与Value数据制作.mp4 20.82MB │ │ ├─05 5-一阶权重参数设计.mp4 23.78MB │ │ ├─06 6-二阶特征构建方法.mp4 20.9MB │ │ ├─07 7-特征组合方法实例分析.mp4 31.05MB │ │ ├─08 8-完成FM模块计算.mp4 15.58MB │ │ └─09 9-DNN模块与训练过程.mp4 28.36MB │ ├─08 推荐系统常用工具包演示 │ │ ├─01 1-环境配置与数据集介绍.mp4 24.97MB │ │ ├─02 2-电影数据集预处理分析.mp4 27.96MB │ │ ├─03 3-surprise工具包基本使用.mp4 27.38MB │ │ ├─04 4-模型测试集结果.mp4 25.09MB │ │ └─05 5-评估指标概述.mp4 46.55MB │ ├─09 基于文本数据的推荐实例 │ │ ├─01 1-数据与环境配置介绍.mp4 13.11MB │ │ ├─02 2-数据科学相关数据介绍.mp4 24.27MB │ │ ├─03 3-文本数据预处理.mp4 29.04MB │ │ ├─04 4-TFIDF构建特征矩阵.mp4 22.22MB │ │ ├─05 5-矩阵分解演示.mp4 21.76MB │ │ ├─06 6-LDA主题模型效果演示.mp4 38.49MB │ │ └─07 7-推荐结果分析.mp4 34.39MB │ ├─10 基本统计分析的电影推荐 │ │ ├─01 1-电影数据与环境配置.mp4 52.41MB │ │ ├─02 2-数据与关键词信息展示.mp4 44.81MB │ │ ├─03 3-关键词云与直方图展示.mp4 42.15MB │ │ ├─04 4-特征可视化.mp4 33.15MB │ │ ├─05 5-数据清洗概述.mp4 49.36MB │ │ ├─06 6-缺失值填充方法.mp4 33.95MB │ │ ├─07 7-推荐引擎构造.mp4 36.11MB │ │ ├─08 8-数据特征构造.mp4 26.41MB │ │ └─09 9-得出推荐结果.mp4 37.29MB │ └─11 补充-基于相似度的酒店推荐系统 │ ├─01 1-酒店数据与任务介绍.mp4 18.15MB │ ├─02 2-文本词频统计.mp4 25.41MB │ ├─03 3-ngram结果可视化展示.mp4 41.4MB │ ├─04 4-文本清洗.mp4 27.26MB │ ├─05 5-相似度计算.mp4 37.12MB │ └─06 6-得出推荐结果.mp4 44.93MB ├─28 AI课程所需安装软件教程 │ └─01 AI课程所需安装软件教程.mp4 15.43MB ├─29 额外补充 │ └─01 通用创新点 │ ├─01 ACMIX(卷积与注意力融合).mp4 62.29MB │ ├─02 GCnet(全局特征融合).mp4 50.75MB │ ├─03 Coordinate_attention.mp4 55MB │ ├─04 SPD(可替换下采样).mp4 30.77MB │ ├─05 SPP改进.mp4 11.79MB │ ├─06 mobileOne(加速).mp4 28.63MB │ ├─07 Deformable(替换selfAttention).mp4 31.59MB │ ├─08 ProbAttention(采样策略).mp4 17.12MB │ ├─09 CrossAttention融合特征.mp4 14.17MB │ ├─10 Attention额外加入先验知识.mp4 6.07MB │ ├─11 结合GNN构建局部特征.mp4 20.33MB │ ├─12 损失函数约束项.mp4 7.04MB │ ├─13 自适应可学习参数.mp4 11.57MB │ ├─14 Coarse2Fine大框架.mp4 27.93MB │ ├─15 只能机器学习模型时凑工作量(特征工程).mp4 5.12MB │ ├─16 自己数据集如何发的好(要开源).mp4 30.35MB │ ├─17 可变形卷积加入方法.mp4 19.64MB │ └─18 在源码中加入各种注意力机制方法.mp4 91.89MB ├─目录.txt -1.#INDB └─资料 ├─1.第一章 直播回放 │ ├─1-1 节开班典礼 │ │ └─咕泡唐宇迪人工智能【第六期】学习路线图.pdf 34.83MB │ ├─1-10 节直播7:半监督物体检测 │ │ └─mmdetection-3.x.zip 35.6MB │ ├─1-11 节直播8:基于图模型的时间序列预测 │ │ ├─2110.05357.pdf 880.7KB │ │ ├─raindrop-AAAI22.pdf 10.58MB │ │ └─Raindrop-main.rar 89.66MB │ ├─1-12 节直播9:图像定位与检索 │ │ ├─CosPlace-main.zip 190.53MB │ │ └─small.zip 4.48GB │ ├─1-13 节直播10:近期内容补充 │ │ ├─Informer_huggingface.zip 37.03MB │ │ └─YOLOV7.pdf 1.88MB │ ├─1-14 节直播11文本生成GPT系列 │ │ └─ChatGPT │ │ └─GPT系列.pdf 1.81MB │ ├─1-15 节直播12:异构图神经网络 │ │ ├─HeterogeneousGraph.zip 1.89MB │ │ ├─异构图.pdf 1017.27KB │ │ └─异构图神经网络.pdf 3.06MB │ ├─1-16 节直播13:BEV特征空间 │ │ └─BEV.pdf 998.21KB │ ├─1-17 节补充:BevFormer源码解读 │ │ └─bevformer.zip 5.12GB │ ├─1-18 节直播14:知识蒸馏 │ │ ├─Decoupled Knowledge Distillation.pdf 1.98MB │ │ ├─Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf 1.02MB │ │ └─蒸馏.pdf 1.46MB │ ├─1-3 节直播1:深度学习核心算法-神经网络与卷积网络 │ │ └─神经网络.pdf 6.31MB │ ├─1-4 节卷积神经网络 │ │ └─卷积神经网络.pdf 2.59MB │ ├─1-5 节直播3:Transformer架构 │ │ └─transformer.pdf 1.99MB │ ├─1-6 节直播4:Transfomer在视觉任务中的应用实例 │ │ ├─transformer课件.pdf 1.16MB │ │ └─VIT算法模型源码解读.zip 942.22MB │ ├─1-7 节直播5:YOLO系列(V7)算法解读 │ │ ├─YOLOV7.pdf 1.69MB │ │ └─Yolov7结构图.pptx 44.45KB │ ├─1-8 节直播6:分割模型Maskformer系列 │ │ ├─mask2former.pdf 2.97MB │ │ └─maskformer.pdf 1.51MB │ └─1-9 节补充:Mask2former源码解读 │ └─mask2former(mmdetection).zip 192.38MB ├─10.第一十章 图神经?络实战 -1.#INDB ├─11.第一十一章 3D点云实战 │ ├─第1节:3D点云应用领域分析 │ │ ├─激光雷达.mp4 8.14MB │ │ └─点云.pdf 1.14MB │ ├─第2节:3D点云PointNet算法 │ │ ├─CloudCompare.zip 68.07MB │ │ └─PointNet++.pdf 1.72MB │ ├─第3节:PointNet++算法解读 │ │ └─PointNet++.pdf 1.72MB │ ├─第4节:Pointnet++项目实战 │ │ └─Pointnet2.zip 2.33GB │ ├─第5节:点云补全PF-Net论文解读 │ │ ├─2003.00410.pdf 4.02MB │ │ └─点云补全.pdf 596.42KB │ ├─第6节:点云补全实战解读 │ │ └─PF-Net-Point-Fractal-Network.zip 646.12MB │ ├─第7节:点云配准及其案例实战 │ │ ├─2003.13479.pdf 1.64MB │ │ ├─RPMNet.zip 447.43MB │ │ └─点云匹配.pdf 552.85KB │ └─第8节:基础补充-对抗生成网络架构原理与实战解析 │ └─第八章:对抗生成网络架构原理与实战解析.zip 35.28MB ├─12.第一十二章 ?标追踪与姿态估计实战 -1.#INDB ├─13.第一十三章 ?向深度学习的??驾驶实战 -1.#INDB ├─14.第一十四章 对比学习与多模态任务实战 │ ├─ANINET源码解读 │ │ └─mmocr-main.zip 381.72MB │ ├─CLIP系列 │ │ ├─CLIP.zip 679.35KB │ │ └─CLIP及其应用.pdf 1.94MB │ ├─多模态3D目标检测算法源码解读 │ │ └─mmdetection3d-1.0.0rc0.zip 395.05MB │ ├─多模态文字识别 │ │ ├─ABINET.pdf 1.24MB │ │ └─DBNET.pdf 3.83MB │ └─对比学习算法与实例 │ ├─trainCLIP.py 1.56KB │ └─对比学习.pdf 1.96MB ├─15.第一十五章 缺陷检测实战 │ ├─DeepLab铁质材料缺陷检测与开源项目应用流程.zip 3.58GB │ ├─PyTorch基础 │ │ ├─1-PyTorch框架基本处理操作.zip 98.58MB │ │ ├─2-神经网络实战分类与回归任务.zip 15.82MB │ │ └─3-图像识别核心模块实战解读.zip 336.95MB │ ├─Resnet分类实战 │ │ └─Resnet.pdf 207.88KB │ ├─第1-4章:YOLOV5缺陷检测 │ │ ├─Defective_Insulators.zip 54.69MB │ │ ├─NEU-DET.zip 26.68MB │ │ ├─YOLO5.zip 469.64MB │ │ └─YOLO新版.pdf 3.62MB │ ├─第10章:基于视频流水线的Opnecv缺陷检测项目.zip 13.96MB │ ├─第11-12章:deeplab │ │ ├─DeepLab.pdf 704.25KB │ │ └─DeepLabV3Plus.zip 1.92GB │ ├─第5章:Semi-supervised布料缺陷检测实战.zip 212.33MB │ ├─第6-8章:Opencv各函数使用实例 │ │ ├─第一部分notebook课件.zip 7.28MB │ │ └─第二部分notebook课件.zip 1.29MB │ └─第9章:基于Opencv缺陷检测项目实战.zip 11.38MB ├─16.第一十六章 ??重识别实战 -1.#INDB ├─17.第一十七章 对抗?成?络实战 -1.#INDB ├─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 738.65KB │ ├─第2节:PPO算法与公式推导.pdf 899.22KB │ ├─第3节:策略梯度实战-月球登陆器训练实例.zip 4.34MB │ ├─第4节:DQN算法.pdf 1.43MB │ ├─第5节:DQN算法实例演示.zip 1.98KB │ ├─第7节:Actor-Critic算法分析(A3C).pdf 560.29KB │ └─第8节:A3C算法玩转超级马里奥.zip 97.62MB ├─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 │ │ ├─GPT.zip 1.25GB │ │ └─GPT系列.pdf 1.25MB │ ├─2 节GPT建模与预测流程 │ │ └─ChinesePretrainedModels.zip 1.62GB │ ├─3 节CLIP系列 │ │ ├─CLIP.zip 679.35KB │ │ └─CLIP及其应用.pdf 1.8MB │ ├─4 节Diffusion模型解读 │ │ └─annotated_diffusion.ipynb 4.45MB │ ├─5 节Dalle2及其源码解读 │ │ ├─DALLE2-pytorch-main.zip 4.21MB │ │ └─dalle2.pdf 40.92MB │ └─6 节ChatGPT │ └─GPT系列.pdf 1.81MB ├─2.第二章 深度学习必备核?算法 -1.#INDB ├─20.第二十章 面向医学领域的深度学习实战 │ ├─1-神经网络算法PPT │ │ └─深度学习.pdf 9.93MB │ ├─10-基于deeplab的心脏视频数据诊断分析 │ │ └─基于deeplab的心脏视频数据诊断分析.zip 748.28MB │ ├─11-YOLO系列物体检测算法原理解读 │ │ ├─YOLO.pdf 2.05MB │ │ └─YOLOv4.pdf 3.84MB │ ├─12-基于YOLO5细胞检测实战 │ │ └─基于YOLO5细胞检测实战.zip 584.81MB │ ├─13-知识图谱原理解读 │ │ └─知识图谱.pdf 2.14MB │ ├─14-Neo4j数据库实战 │ │ └─NEO4J.pdf 268KB │ ├─15-基于知识图谱的医药问答系统实战 │ │ ├─医药问答.zip 15.81MB │ │ └─配置与安装.pdf 102.29KB │ ├─16-词向量模型与RNN网络架构.zip 2.15MB │ ├─17-医学糖尿病数据命名实体识别 │ │ ├─eclipse-命名实体识别.zip 18.19MB │ │ └─notebook-瑞金.zip 4.96MB │ ├─2-PyTorch框架基本处理操作.zip 98.58MB │ ├─3-PyTorch框架必备核心模块解读.zip 336.95MB │ ├─4-基于Resnet的医学数据集分类实战 │ │ └─Resnet.pdf 207.88KB │ ├─5-图像分割及其损失函数概述 │ │ └─深度学习分割任务.pdf 1.14MB │ ├─6-Unet系列算法讲解 │ │ └─深度学习分割任务.pdf 1.14MB │ ├─7-unet医学细胞分割实战 │ │ ├─unet++.zip 409.6MB │ │ └─新建文件夹 │ ├─8-deeplab系列算法 │ │ └─DeepLab.pdf 704.25KB │ └─9-基于deeplabV3+版本进行VOC分割实战 │ └─DeepLabV3Plus.zip 1.92GB ├─21.第二十一章 深度学习模型部署与剪枝优化实战 │ ├─Docker使用命令.zip 7.83MB │ ├─Mobilenet.pdf 2.41MB │ ├─mobilenetv3.py 7.31KB │ ├─pytorch-slimming.zip 356.43MB │ ├─PyTorch模型部署实例.zip 102.8KB │ ├─TensorFlow-serving.zip 2.96MB │ ├─tensorRT │ │ ├─tensorRT课程PPT │ │ │ ├─1.说在前面.pdf 715.12KB │ │ │ ├─10.tensorrt-integrate.pdf 1.81MB │ │ │ ├─2.介绍.pdf 386.65KB │ │ │ ├─3.cuda-driver-课程概述.pdf 493.56KB │ │ │ ├─4.cuda-driver.pdf 370.14KB │ │ │ ├─5.cuda-runtime-课程概述.pdf 528.71KB │ │ │ ├─6.cuda-runtime.pdf 2.35MB │ │ │ ├─7.tensorrt-basic-课程概述.pdf 1MB │ │ │ ├─8.tensorrt-basic.pdf 761.65KB │ │ │ ├─9.tensorrt-integrate-课程概述.pdf 2.39MB │ │ │ ├─video-series.mp4 4.61MB │ │ │ ├─video1-get-env.mp4 2.93MB │ │ │ └─video1-get-templ.mp4 16.13MB │ │ └─tensorRT课程代码 │ │ ├─cuda-driver-api.tar.gz 764.03KB │ │ ├─cuda-runtime-api.tar.gz 25.16MB │ │ ├─tensorrt-basic.tar.gz 14.9MB │ │ └─tensorrt-integrate.tar.gz 1.93GB │ ├─YOLO部署实例.zip 876.45MB │ ├─剪枝算法.pdf 504.02KB │ └─嵌入式AI │ ├─第一章 认识 jetson nano │ │ ├─1.1 jetson nano 硬件介绍.pdf 895.04KB │ │ ├─1.2 jetson nano 刷机.pdf 503.86KB │ │ ├─1.2b jetson nano 系统安装过程.pdf 802.23KB │ │ ├─1.3 感受nano的GPU算力.pdf 118.11KB │ │ ├─1.4 安装使用摄像头csi usb.pdf 163.17KB │ │ └─1software │ │ ├─balenaEtcher-Setup-1.7.9.exe 138.76MB │ │ ├─code_1.71.2-1663189619_arm64.deb 71.46MB │ │ ├─csiCamera.py 1002B │ │ ├─SDCardFormatterv5_WinEN.zip 6.13MB │ │ └─usbCamera.py 183B │ ├─第三章 NVIDIA TAO 实用级的训练神器 │ │ ├─3.1NVIDIA TAO介绍和安装.pdf 570.97KB │ │ ├─3.2NVIDIA TAO数据准备和环境设置.pdf 785.88KB │ │ ├─3.3NVIDIA TAO数据转换.pdf 936.63KB │ │ ├─3.4NVIDIA TAO预训练模型和训练.pdf 858.8KB │ │ └─3.5TAO 剪枝在训练推理验证.pdf 791.99KB │ ├─第二章 AI 实战 │ │ ├─2.1 jetson-inference 入门.pdf 115.24KB │ │ ├─2.2 docker 的安装使用.pdf 395.69KB │ │ ├─2.3 docker中运行分类模型.pdf 124.5KB │ │ ├─2.4 训练自己的目标检测模型准备.pdf 300.13KB │ │ ├─2.5 训练出自己目标识别模型.pdf 1.13MB │ │ ├─2.6 转换出onnx模型,并使用.pdf 95.28KB │ │ ├─2software │ │ │ ├─csiCamera.py 1002B │ │ │ ├─jetson-inference.zip 557.41MB │ │ │ ├─mobilenet-v1-ssd-mp-0_675.pth 36.24MB │ │ │ ├─networks │ │ │ │ ├─bvlc_googlenet.caffemodel 51.05MB │ │ │ │ ├─googlenet.prototxt 35.02KB │ │ │ │ ├─googlenet_noprob.prototxt 34.94KB │ │ │ │ ├─SSD-Mobilenet-v1.tar.gz 24.19MB │ │ │ │ └─SSD-Mobilenet-v2.tar.gz 59.61MB │ │ │ └─usbCamera.py 159B │ │ └─时间统计.xlsx 9.57KB │ └─第四章 deepstream │ ├─4.1 deepstream 介绍安装.pdf 620.52KB │ ├─4.2 deepstream HelloWorld.pdf 711.55KB │ ├─4.3 GStreamer RTP和RTSP.pdf 1.46MB │ ├─4.4 python实现RTP和RTSP.pdf 648.17KB │ ├─4.5 deepstream推理.pdf 815.11KB │ ├─4.6 deepstream集成yolov4.pdf 822.46KB │ └─software │ ├─Accelerated_GStreamer_User_Guide.pdf 1.08MB │ ├─camera_gstreamer_code_rtp.py 2.12KB │ ├─camera_gstreamer_code_rtsp_out.py 2.07KB │ ├─EasyPlayer-RTSP-Win-V3.0.19.0515.zip 16.31MB │ ├─gstreamer-1.0-msvc-x86_64-1.20.4.msi 104.38MB │ ├─rtspCameraH264.py 725B │ └─rtspVideoH264.py 717B ├─22.第二十二章 自然语言处理必备神器Huggingface系列实战 │ ├─第一章:Huggingface与NLP介绍解读 │ │ └─Huggingface初识.pptx 168.85KB │ ├─第七章:GPT系列算法 │ │ └─GPT系列.pdf 1.37MB │ ├─第三章:transformer原理解读 │ │ └─transformer.pdf 1.99MB │ ├─第九章:文本摘要建模 │ │ ├─Summarization.ipynb 287.84KB │ │ └─Summarization.zip 2.04GB │ ├─第二章:Transformer工具包基本操作实例解读 │ │ ├─1-Transformers.zip 383.62MB │ │ └─2-Finetuning.zip 2.05GB │ ├─第五章:文本标注工具与NER实例 │ │ └─ner.zip 121.6MB │ ├─第八章:GPT训练与预测部署流程 │ │ └─GPT.zip 1.25GB │ ├─第六章:文本预训练模型构建实例 │ │ └─Mask Language Model.ipynb 51.29KB │ ├─第十一章:补充Huggingface数据集制作方法实例 │ │ └─数据格式转换.zip 89.44MB │ ├─第十章:图谱知识抽取实战 │ │ └─CMeKG.zip 1.32GB │ └─第四章:BERT系列算法解读 │ └─BERT系列.pdf 969.92KB ├─23.第二十三章 ?然语?处理通?框架-BERT实战 -1.#INDB ├─24.第二十四章 ?然语?处理经典案例实战 -1.#INDB ├─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 │ │ └─知识图谱.pdf 2.14MB │ ├─第3节:Neo4j数据库实战 │ │ └─NEO4J.pdf 268KB │ ├─第4节:使用python操作neo4j实例 │ │ └─python操作neo4j.zip 25.53KB │ ├─第5节:基于知识图谱的医药问答系统实战 │ │ ├─医药问答.zip 15.81MB │ │ └─配置与安装.pdf 102.29KB │ ├─第6节:文本关系抽取实践 │ │ └─关系抽取.zip 740.57MB │ ├─第7节:金融平台风控模型实践 │ │ └─贷款风控特征工程.zip 1.95GB │ └─第8节:医学糖尿病数据命名实体识别 │ ├─eclipse-命名实体识别.zip 18.19MB │ └─notebook-瑞金.zip 4.96MB ├─26.第二十六章 语?识别实战系列 -1.#INDB ├─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 │ │ └─电影推荐.zip 10.05MB │ ├─第11节:补充-基于相似度的酒店推荐系统.zip 1.81MB │ ├─第1节:推荐系统介绍.pdf 1.5MB │ ├─第2节:协同过滤与矩阵分解.pdf 974.68KB │ ├─第3节:音乐推荐系统实战 │ │ └─Python实现音乐推荐系统 │ │ ├─.ipynb_checkpoints │ │ │ └─推荐系统-checkpoint.ipynb 344.85KB │ │ ├─1.png 45.33KB │ │ ├─2.png 30.4KB │ │ ├─3.png 42.96KB │ │ ├─4.png 12KB │ │ ├─5.png 3.61KB │ │ ├─6.png 60.31KB │ │ ├─7.png 77.29KB │ │ ├─8.png 68.76KB │ │ ├─recommendation_engines.py 13.66KB │ │ ├─Recommenders.py 9.23KB │ │ ├─song_playcount_df.csv 8.47MB │ │ ├─track_metadata.db 711.61MB │ │ ├─track_metadata_df_sub.csv 5.94MB │ │ ├─train_triplets.txt 2.8GB │ │ ├─triplet_dataset_sub_song.csv 648.3MB │ │ ├─user_playcount_df.csv 44.14MB │ │ ├─__pycache__ │ │ │ └─Recommenders.cpython-36.pyc 4.97KB │ │ ├─推荐系统.ipynb 363.54KB │ │ └─老版.ipynb 344.85KB │ ├─第4节:Neo4j数据库实例 │ │ └─NEO4J.pdf 268KB │ ├─第5节:基于知识图谱的电影推荐实战.zip 160.61MB │ ├─第6节:FM与DeepFM算法.pdf 759.61KB │ ├─第7节:DeepFM算法实战.zip 1.16MB │ ├─第8节:推荐系统常用工具包演示.zip 129.35MB │ └─第9节:基于文本数据的推荐实例.zip 254.77MB ├─28.第二十八章 AI课程所需安装软件教程 │ ├─Anaconda3-2020.07-Windows-x86_64.exe 467.49MB │ ├─cuda_11.3.0_465.89_win10.exe 2.68GB │ ├─mmcv_full-1.4.7-cp38-cp38-win_amd64.whl 12.75MB │ ├─notepadplusplus-8-4.exe 4.28MB │ ├─pycharm-community-2022.1.2.exe 378.78MB │ ├─torch-1.10.0+cu113-cp38-cp38-win_amd64.whl 2.27GB │ ├─torchvision-0.11.0+cu113-cp38-cp38-win_amd64.whl 3.04MB │ └─VisualStudioSetup.exe 1.6MB ├─29.第二十九章 额外补充 │ ├─ACMIX(卷积与注意力结合) │ │ ├─2111.14556.pdf 1.46MB │ │ ├─common.py 12KB │ │ ├─yolo.py 12.63KB │ │ ├─yolov5s_acmix.yaml 1.45KB │ │ └─源码实现.txt 4.9KB │ ├─ConvNeXt │ │ ├─2201.03545.pdf 816.93KB │ │ ├─common.py 15.35KB │ │ ├─yolo.py 12.89KB │ │ ├─yolov5s_convnextB.yaml 1.37KB │ │ ├─源码.txt 3.39KB │ │ └─源码链接.txt 44B │ ├─Coordinate_attention │ │ ├─common.py 7.2KB │ │ ├─Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf 1.3MB │ │ ├─yolo.py 12.12KB │ │ ├─yolov5s_Coordinate_attention.yaml 1.49KB │ │ └─源码实现.txt 2.38KB │ ├─gc(2).py 5.67KB │ ├─gc.py 5.67KB │ ├─GCNET(全局特征融合) │ │ ├─1904.11492.pdf 3.43MB │ │ ├─gc.py 5.67KB │ │ ├─yolo.py 12.44KB │ │ └─yolov5s_cb2d.yaml 1.35KB │ ├─mobileone(提速) │ │ ├─2206.04040.pdf 7.83MB │ │ ├─common.py 19.92KB │ │ ├─yolo.py 13.05KB │ │ ├─yolov5s_mobileone.yaml 1.41KB │ │ └─源码实现.txt 4.63KB │ ├─SPD-Conv │ │ ├─common.py 4.91KB │ │ ├─SPD-Conv论文.pdf 4.53MB │ │ ├─yolo.py 11.93KB │ │ ├─yolov5s.yaml 1.42KB │ │ ├─yolov5s_spd.yaml 1.6KB │ │ └─源码实现.txt 307B │ └─SPPCSPC(替换SPP) │ └─源码.txt 878B ├─3.第三章 深度学习核?框架PyTorch -1.#INDB ├─4.第四章 MMLAB实战系列 │ ├─DeformableDetr算法解读 │ │ └─可变形DETR.pdf 4.5MB │ ├─KIE关键信息抽取与视频超分辨率重构 │ │ ├─BasicVSR++.pdf 13.04MB │ │ ├─KIE.pdf 2.27MB │ │ └─spynet.pdf 5.8MB │ ├─mask2former(mmdetection).zip 192.38MB │ ├─ner.zip 121.6MB │ ├─OCR算法解读 │ │ ├─ABINET.pdf 1.24MB │ │ └─DBNET.pdf 3.83MB │ ├─第一模块:mmclassification-master.zip 912MB │ ├─第七模块:mmdetection3d-1.0.0rc0.zip 395.05MB │ ├─第三模块:mmdetection-master.zip 1.46GB │ ├─第九模块:mmaction2-master.zip 827.76MB │ ├─第二模块:mmsegmentation-0.20.2.zip 2.8GB │ ├─第二模块:MPViT-main.zip 924.77MB │ ├─第五模块:mmgeneration-master.zip 746.81MB │ ├─第八模块:mmrazor-模型蒸馏.zip 1GB │ ├─第六模块:mmediting-master.zip 107.78MB │ └─第四模块:mmocr-main.zip 381.72MB ├─5.第五章 Opencv图像处理框架实战 │ ├─源码资料 │ │ ├─第10节:项目实战-文档扫描OCR识别.zip 44.94MB │ │ ├─第13节:案例实战-全景图像拼接.zip 829.49KB │ │ ├─第14节:项目实战-停车场车位识别.zip 111.34MB │ │ ├─第15节:项目实战-答题卡识别判卷.zip 3.07MB │ │ ├─第18节:Opencv的DNN模块.zip 49.62MB │ │ ├─第19节:项目实战-目标追踪.zip 125.33MB │ │ ├─第20节:卷积原理与操作.zip 24.47KB │ │ ├─第21节:人脸关键点定位.zip 69.75MB │ │ ├─第21节:项目实战-疲劳检测.zip 74.15MB │ │ └─第9节:项目实战-信用卡数字识别.zip 548.1KB │ └─课件 │ ├─第11-12节notebook课件.zip 52.05MB │ ├─第16-17节notebook课件.zip 9.37MB │ └─第2-8节课件 │ ├─第2-7节notebook课件.zip 7.28MB │ └─第8节notebook课件.zip 1.29MB ├─6.第六章 综合项?-物体检测经典算法实战 -1.#INDB ├─7.第七章 图像分割实战 │ ├─f112c9fda85536ee3eba662c9043e683.bat 70B │ ├─mask-rcnn.pdf 989.98KB │ ├─MaskRcnn网络框架源码详解.zip 1.14GB │ ├─PyTorch框架基本处理操作.zip 98.58MB │ ├─R(2+1)D网络.pdf 507.15KB │ ├─图像识别核心模块实战解读.zip 336.95MB │ ├─基于MASK-RCNN框架训练自己的数据与任务.zip 439.38MB │ ├─基于Resnet的医学数据集分类实战 │ │ └─Resnet.pdf 207.88KB │ ├─第1节:图像分割算法 │ │ └─深度学习分割任务.pdf 1.14MB │ ├─第2节:卷积网络 │ │ └─深度学习.pdf 9.93MB │ ├─第3节:Unet系列算法讲解 │ │ └─深度学习分割任务.pdf 1.14MB │ ├─第4节:unet医学细胞分割实战 │ │ ├─unet++.zip 409.6MB │ │ └─新建文件夹 │ ├─第5节:U-2-Net.zip 636.25MB │ ├─第6节:deeplab系列算法 │ │ └─DeepLab.pdf 704.25KB │ ├─第7节:基于deeplabV3+版本进行VOC分割实战 │ │ └─DeepLabV3Plus.zip 1.92GB │ └─第8节:基于deeplab的心脏视频数据诊断分析 │ └─基于deeplab的心脏视频数据诊断分析.zip 748.28MB ├─8.第八章 行为识别实战 │ ├─1-slowfast算法知识点通俗解读.pdf 572.31KB │ ├─4-基于3D卷积的视频分析与动作识别.zip 845.84MB │ ├─5-视频异常检测算法与元学习.pdf 1.15MB │ ├─6-视频异常检测CVPR2021论文及其源码解读.zip 243.75MB │ ├─slowfast-add │ │ ├─avademo.zip 2.08GB │ │ └─download │ │ ├─-5KQ66BBWC4.mkv 251.05MB │ │ ├─-5KQ66BBWC4.mkv.1 251.05MB │ │ ├─1j20qq1JyX4.mp4 240.53MB │ │ ├─ava_annotations │ │ │ ├─ava_train_v2.1.csv 35.11MB │ │ │ ├─ava_train_v2.2.csv 39.22MB │ │ │ ├─ava_val_v2.2.csv 11.05MB │ │ │ └─person_box_67091280_iou90 │ │ │ ├─ava_action_list_v2.1_for_activitynet_2018.pbtxt 2.59KB │ │ │ ├─ava_detection_test_boxes_and_labels.csv 14.63MB │ │ │ ├─ava_detection_train_boxes_and_labels_include_negative.csv 52.2MB │ │ │ ├─ava_detection_train_boxes_and_labels_include_negative_v2.1.csv 52.2MB │ │ │ ├─ava_detection_train_boxes_and_labels_include_negative_v2.2.csv 53.28MB │ │ │ ├─ava_detection_val_boxes_and_labels.csv 7.58MB │ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative.csv 14.93MB │ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv 14.93MB │ │ │ ├─ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv 15.16MB │ │ │ ├─ava_train_predicted_boxes.csv 52.2MB │ │ │ ├─ava_train_v2.1.csv 35.11MB │ │ │ ├─ava_val_excluded_timestamps_v2.1.csv 629B │ │ │ ├─ava_val_predicted_boxes.csv 7.58MB │ │ │ ├─ava_val_v2.1.csv 9.94MB │ │ │ ├─test.csv 198.39MB │ │ │ ├─train.csv 358.14MB │ │ │ └─val.csv 98.31MB │ │ ├─train.csv 1.48MB │ │ ├─val.csv 1.54MB │ │ ├─_145Aa_xkuE.mp4 313.33MB │ │ └─_Ca3gOdOHxU.mp4 516.8MB │ ├─slowfast论文.pdf 1.45MB │ ├─基础补充-PyTorch框架基本处理操作.zip 98.58MB │ ├─基础补充-PyTorch框架必备核心模块解读.zip 336.95MB │ └─基础补充-Resnet模型及其应用实例 │ └─Resnet.pdf 207.88KB └─9.第九章 2022论?必备-Transformer实战系列 -1.#INDB
谢谢分享
现在来学习
感谢分享
感谢分享![:razz:](https://shikey.com/wp-content/themes/Kratos-2/images/smilies/razz.png)
感谢分享
感谢分享这么优秀的资源
![:biggrin:](https://shikey.com/wp-content/themes/Kratos-2/images/smilies/biggrin.png)
学习一下
谢谢分享
感谢分享这么好的资源
学习学习
谢谢分享
学习一下
感谢
谢谢分享