VIPC6免费提供
优质付费破解资源

沽泡人工智能深度学习系统班(第六期),深度学习/计算器视觉/自然语言 价值16800元

人工智能深度学习系统班【第六期】

本套课程人工智能深度学习系统班6期(咕泡),课程官方售价16800元,课程共分为29个大的部分,文件大小共计91.24G,课程主要内容包括PyTorch、mmlab实战、图像处理、物体检测等实用内容,带你领略深度学习的方方面面。从最新算法到实际项目,助你在计算机视觉、自然语言处理等领域快速提升,文章底部附下载地址。

课程适合人群:

1.在校学生(专科/本科/研究生及以上有较强的数学基础,未来在人工智能领域发展后劲十足;
2.研发管理技术拓展(架构师/大数据/算法研究院/CTO)已经是研发大牛,需要人工智能算法与大数据处理,提升技术广度与深度;
3.IT转行(JAVA/C/PHP等语言)具有1-3年左右编程工作经验,对AI感兴趣或有业务需求;
4.非IT兴趣爱好者(拒绝平唐谋求突破在自己多年积累的领域有足够的经验,可以将人工智能 完美应用在传统领域。

人工智能深度学习系统班 视频截图

人工智能深度学习系统班 视频截图

人工智能深度学习系统班 视频截图

人工智能深度学习系统班 视频截图

课程文件目录:V-4414:人工智能深度学习系统班6 期 [91.24G]

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

课程下载地址:

精品课程,年卡VIP与终身VIP用户免C币下载,下载前请阅读上方文件目录,链接下载为百度云网盘,如连接失效,可评论告知。

资源下载

隐藏内容:******,购买后可见!

下载价格:26.6 C

您仅需 ,即可立即下载该资源!

温馨提示:
  • 如何下载资源?
  • 资源来源于网络,仅限购买正版前临时了解,版权归原作者所有,请下载后24小时内删除。如有需要,请购买正版。
  • 如有侵权,请来信指出,本站将立即改正。
  • 如下载链接失效,请评论告知,补链接时间晚上8点至11点。
  • 唯一联系邮箱: admin(at).vipc6.com 请将(at)替换为@。
未经允许不得转载:VIPC6资源网 » 沽泡人工智能深度学习系统班(第六期),深度学习/计算器视觉/自然语言

评论 2

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
  1. #1

    解压密码

    xx776个月前 (12-10)回复
    • 非压缩版 没有解压密码

      admin6个月前 (12-11)回复
Totop