咕泡学院:人工智能深度学习,高薪就业班()最新课程 培训费16800元

培训介绍:

课程来自咕泡学院的人工智能深度学习,高薪就业班(P5第5期2023年) 培训费16800元。主要内容包括:深度学习、计算机视觉、自然语言处理、算法讲解、论文分析、源码解读、项目实战。随着新基建产业的迅猛发展,2023年人工智能产业规模将达2729亿元,5年年复合增长率高达69.79%。本套课程适合:在校学生(专科/本科/研究生及以上)、研发管理技术拓展(架构师/大数据/算法研究院/CTO)、IT转行(JAVA/C/PHP等语言)、非IT兴趣爱好者(拒绝平庸谋求突破)。

培训列表:

├─01.直播课回放
│ ├─1_直播1:开班典礼
│ │ 1人工智能CV NLP高薪实战班.mp4
│ │
│ ├─2_Pycharm环境配置与Debug演示(没用过的同学必看)
│ │ Pycharm环境配置与Debug演示(没用过的同学必看).mp4
│ │
│ ├─3_直播2:深度学习必备基础-神经网络与卷积网络
│ │ 1.深度学习必备基础-神经网络与卷积网络.mp4
│ │
│ ├─4_直播3:Transformer原理及其各领域应用分析
│ │ Transformer原理及其各领域应用分析.mp4
│ │
│ ├─5_额外补充:时间序列预测
│ │ 额外补充:时间序列预测.mp4
│ │
│ └─6_直播4:Informer时间序列预测源码解读
│ Informer时间序列预测源码解读.mp4

├─02.深度学习必备核心算法
│ ├─1_神经网络算法解读
│ │ 1-神经网络算法解读.mp4
│ │
│ ├─2_卷积神经网络算法解读
│ │ 2-卷积神经网络算法解读.mp4
│ │
│ └─3_递归神经网络算法解读
│ 3-递归神经网络算法解读.mp4

├─03.深度学习核心框架PyTorch
│ ├─1_PyTorch框架介绍与配置安装
│ │ 1-PyTorch框架与其他框架区别分析1.mp4
│ │ 2-CPU与GPU版本安装方法解读1.mp4
│ │
│ ├─2_使用神经网络进行分类任务
│ │ 1-数据集与任务概述2.mp4
│ │ 2-基本模块应用测试2.mp4
│ │ 3-网络结构定义方法2.mp4
│ │ 4-数据源定义简介2.mp4
│ │ 5-损失与训练模块分析2.mp4
│ │ 6-训练一个基本的分类模型2.mp4
│ │ 7-参数对结果的影响2.mp4
│ │
│ ├─3_神经网络回归任务-气温预测
│ │ 神经网络回归任务-气温预测1.mp4
│ │
│ ├─4_卷积网络参数解读分析
│ │ 1-输入特征通道分析2.mp4
│ │ 2-卷积网络参数解读2.mp4
│ │ 3-卷积网络模型训练2.mp4
│ │
│ ├─5_图像识别模型与训练策略(重点)
│ │ 1-任务分析与图像数据基本处理2.mp4
│ │ 10-测试结果演示分析1.mp4
│ │ 2-数据增强模块2.mp4
│ │ 3-数据集与模型选择1.mp4
│ │ 4-迁移学习方法解读1.mp4
│ │ 5-输出层与梯度设置1.mp4
│ │ 6-输出类别个数修改1.mp4
│ │ 7-优化器与学习率衰减1.mp4
│ │ 8-模型训练方法1.mp4
│ │ 9-重新训练全部模型1.mp4
│ │
│ ├─6_DataLoader自定义数据集制作
│ │ 1-Dataloader要完成的任务分析1.mp4
│ │ 2-图像数据与标签路径处理1.mp4
│ │ 3-Dataloader中需要实现的方法分析1.mp4
│ │ 4-实用Dataloader加载数据并训练模型1.mp4
│ │
│ ├─7_LSTM文本分类实战
│ │ 1-数据集与任务目标分析1.mp4
│ │ 2-文本数据处理基本流程分析1.mp4
│ │ 3-命令行参数与DEBUG1.mp4
│ │ 4-训练模型所需基本配置参数分析1.mp4
│ │ 5-预料表与字符切分1.mp4
│ │ 6-字符预处理转换ID1.mp4
│ │ 7-LSTM网络结构基本定义1.mp4
│ │ 8-网络模型预测结果输出1.mp4
│ │ 9-模型训练任务与总结1.mp4
│ │
│ └─8_PyTorch框架Flask部署例子
│ 1-基本结构与训练好的模型加载.mp4
│ 2-服务端处理与预测函数.mp4
│ 3-基于Flask测试模型预测结果.mp4

├─0MMLAB实战系列
│ ├─10_第四模块:DBNET文字检测
│ │ 1-文字检测数据概述与配置文件.mp4
│ │ 2-配置文件参数设置.mp4
│ │ 3-Neck层特征组合.mp4
│ │ 4-损失函数模块概述.mp4
│ │ 5-损失计算方法.mp4
│ │
│ ├─11_第四模块:ANINET文字识别
│ │ 1-数据集与环境概述.mp4
│ │ 2-配置文件修改方法.mp4
│ │ 3-Bakbone模块得到特征.mp4
│ │ 4-视觉Transformer模块的作用.mp4
│ │ 5-视觉模型中的编码与解码的效果.mp4
│ │ 6-文本模型中的结构分析.mp4
│ │ 7-迭代修正模块.mp4
│ │ 8-输出层与损失计算.mp4
│ │
│ ├─12_第五模块:stylegan2源码解读
│ │ 1-要完成的任务与基本思想概述.mp4
│ │ 2-得到style特征编码.mp4
│ │ 3-特征编码风格拼接.mp4
│ │ 4-基础风格特征卷积模块.mp4
│ │ 5-上采样得到输出结果.mp4
│ │ 6-损失函数概述.mp4
│ │
│ ├─12_第四模块:KIE基于图模型的关键信息抽取
│ │ 1-配置文件以及要完成的任务解读.mp4
│ │ 2-KIE数据集格式调整方法.mp4
│ │ 3-配置文件与标签要进行处理操作.mp4
│ │ 4-边框要计算的特征分析.mp4
│ │ 5-标签数据处理与关系特征提取.mp4
│ │ 6-特征合并处理.mp4
│ │ 7-准备拼接边与点特征.mp4
│ │ 8-整合得到图模型输入特征.mp4
│ │
│ ├─13_第六模块:BasicVSR++视频超分辨重构源码解读
│ │ 1-要完成的任务分析与配置文件.mp4
│ │ 10-传播流程整体完成一圈.mp4
│ │ 11-完成输出结果.mp4
│ │ 2-特征基础提取模块.mp4
│ │ 3-光流估计网络模块.mp4
│ │ 4-基于光流完成对齐操作.mp4
│ │ 5-偏移量计算方法1.mp4
│ │ 6-双向计算特征对齐.mp4
│ │ 7-提特征传递流程分析.mp4
│ │ 8-序列传播计算.mp4
│ │ 9-准备变形卷积模块的输入.mp4
│ │
│ ├─14_第七模块:多模态3D目标检测算法源码解读
│ │ 1-环境配置与数据集概述.mp4
│ │ 10-3D卷积特征融合.mp4
│ │ 11-输出层预测结果.mp4
│ │ 2-数据与标注文件介绍.mp4
│ │ 3-基本流程梳理并进入debug模式.mp4
│ │ 4-数据与图像特征提取模块.mp4
│ │ 5-体素索引位置获取.mp4
│ │ 6-体素特征提取方法解读.mp4
│ │ 7-体素特征计算方法分析.mp4
│ │ 8-全局体素特征提取.mp4
│ │ 9-多模态特征融合.mp4
│ │
│ ├─15_第八模块:模型蒸馏应用实例
│ │ 1-任务概述与工具使用.mp4
│ │ 2-Teacher与Student网络结构定义.mp4
│ │ 3-训练T与S得到蒸馏模型.mp4
│ │ 4-开始模型训练过程与问题修正.mp4
│ │ 5-日志输出与模型分离.mp4
│ │ 6-分别得到Teacher与Student模型.mp4
│ │ 7-实际测试效果演示.mp4
│ │
│ ├─16_第八模块:模型剪枝方法概述分析
│ │ 1-SuperNet网络结构分析与剪枝概述.mp4
│ │ 2-搜索匹配到符合计算量的模型并训练.mp4
│ │
│ ├─17_第九模块:mmaction行为识别
│ │ 创建自己的行为识别标注数据集.mp4
│ │
│ ├─18_额外补充
│ │ 在源码中加入各种注意力机制方法.mp4
│ │
│ ├─1_MMCV安装方法
│ │ MMCV安装方法.mp4
│ │
│ ├─2_第一模块:分类任务基本操作
│ │ 1-准备MMCLS项目.mp4
│ │ 2-基本参数配置解读.mp4
│ │ 3-各模块配置文件组成.mp4
│ │ 4-生成完整配置文件.mp4
│ │ 5-根据文件夹定义数据集.mp4
│ │ 6-构建自己的数据集.mp4
│ │ 7-训练自己的任务.mp4
│ │ MMCLS问题修正1.mp4
│ │
│ ├─3_第一模块:训练结果测试与验证
│ │ 1-测试DEMO效果.mp4
│ │ 2-测试评估模型效果.mp4
│ │ 3-MMCLS中增加一个新的模块.mp4
│ │ 4-修改配置文件中的参数.mp4
│ │ 5-数据增强流程可视化展示.mp4
│ │ 6-Grad-Cam可视化方法.mp4
│ │ 7-可视化细节与效果分析.mp4
│ │ 8-MMCLS可视化模块应用.mp4
│ │ 9-模型分析脚本使用.mp4
│ │
│ ├─4_第一模块:模型源码DEBUG演示
│ │ 1-VIT任务概述.mp4
│ │ 2-数据增强模块概述分析.mp4
│ │ 3-PatchEmbedding层.mp4
│ │ 4-前向传播基本模块.mp4
│ │ 5-CLS与输出模块.mp4
│ │
│ ├─5_第二模块:使用分割模块训练自己的数据集
│ │ 1-项目配置基本介绍.mp4
│ │ 2-数据集标注与制作方法.mp4
│ │ 3-跟别预测类别数修改配置文件.mp4
│ │ 4-加载预训练模型开始训练.mp4
│ │ 5-预测DEMO演示.mp4
│ │
│ ├─6_第二模块:基于Unet进行各种策略修改
│ │ 1-配置文件解读.mp4
│ │ 2-编码层模块.mp4
│ │ 3-上采样与输出层.mp4
│ │ 4-辅助层的作用.mp4
│ │ 5-给Unet添加一个neck层.mp4
│ │ 6-如何修改参数适配网络结构.mp4
│ │ 7-将Unet特征提取模块替换成transformer.mp4
│ │ 8-VIT模块源码分析.mp4
│ │
│ ├─7_第二模块:分割任务CVPR最新Backbone设计及其应用
│ │ 1-注册自己的Backbone模块.mp4
│ │ 10-汇总多层级特征进行输出.mp4
│ │ 2-配置文件指定.mp4
│ │ 3-DEBUG解读Backbone设计.mp4
│ │ 4-PatchEmbedding的作用与实现.mp4
│ │ 5-卷积位置编码计算方法.mp4
│ │ 6-近似Attention模块实现.mp4
│ │ 7-完成特征提取与融合模块.mp4
│ │ 8-分割任务输出模块.mp4
│ │ 9-全局特征的作用与实现.mp4
│ │
│ ├─8_第三模块:mmdet训练自己的数据任务
│ │ 1-数据集标注与标签获取.mp4
│ │ 2-COCO数据标注格式.mp4
│ │ 3-通过脚本生成COCO数据格式.mp4
│ │ 4-配置文件数据增强策略分析.mp4
│ │ 5-训练所需配置说明.mp4
│ │ 6-模型训练与DEMO演示.mp4
│ │ 7-模型测试与可视化分析模块.mp4
│ │ 8-补充:评估指标.mp4
│ │
│ └─9_第三模块:DeformableDetr物体检测源码分析
│ 1-特征提取与位置编码.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
│ 2-序列特征展开并叠加.mp4
│ 3-得到相对位置点编码.mp4
│ 4-准备Encoder编码层所需全部输入.mp4
│ 5-编码层中的序列分析.mp4
│ 6-偏移量offset计算.mp4
│ 7-偏移量对齐操作.mp4
│ 8-Encoder层完成特征对齐.mp4
│ 9-Decoder要完成的操作.mp4

├─05.Opencv图像处理框架实战
│ ├─10_项目实战-文档扫描OCR识别
│ │ 1-整体流程演示.mp4
│ │ 2-文档轮廓提取.mp4
│ │ 3-原始与变换坐标计算.mp4
│ │ 4-透视变换结果.mp4
│ │ 5-tesseract-ocr安装配置.mp4
│ │ 6-文档扫描识别效果.mp4
│ │
│ ├─11_图像特征-harris
│ │ 1-角点检测基本原理.mp4
│ │ 2-基本数学原理.mp4
│ │ 3-求解化简.mp4
│ │ 4-特征归属划分.mp4
│ │ 5-opencv角点检测效果.mp4
│ │
│ ├─12_图像特征-sift
│ │ 1-尺度空间定义.mp4
│ │ 2-高斯差分金字塔.mp4
│ │ 3-特征关键点定位.mp4
│ │ 4-生成特征描述.mp4
│ │ 5-特征向量生成.mp4
│ │ 6-opencv中sift函数使用.mp4
│ │
│ ├─13_案例实战-全景图像拼接
│ │ 1-特征匹配方法.mp4
│ │ 2-RANSAC算法.mp4
│ │ 2-图像拼接方法.mp4
│ │ 4-流程解读.mp4
│ │
│ ├─14_项目实战-停车场车位识别
│ │ 1-任务整体流程.mp4
│ │ 2-所需数据介绍.mp4
│ │ 3-图像数据预处理.mp4
│ │ 4-车位直线检测.mp4
│ │ 5-按列划分区域.mp4
│ │ 6-车位区域划分.mp4
│ │ 7-识别模型构建.mp4
│ │ 8-基于视频的车位检测.mp4
│ │
│ ├─15_项目实战-答题卡识别判卷
│ │ 1-整体流程与效果概述.mp4
│ │ 2-预处理操作.mp4
│ │ 3-填涂轮廓检测.mp4
│ │ 4-选项判断识别.mp4
│ │
│ ├─16_背景建模
│ │ 1-背景消除-帧差法.mp4
│ │ 2-混合高斯模型.mp4
│ │ 3-学习步骤.mp4
│ │ 4-背景建模实战.mp4
│ │
│ ├─17_光流估计
│ │ 1-基本概念.mp4
│ │ 2-Lucas-Kanade算法.mp4
│ │ 3-推导求解.mp4
│ │ 4-光流估计实战.mp4
│ │
│ ├─18_Opencv的DNN模块
│ │ 1-dnn模块.mp4
│ │ 2-模型加载结果输出.mp4
│ │
│ ├─19_项目实战-目标追踪
│ │ 1-目标追踪概述.mp4
│ │ 2-多目标追踪实战.mp4
│ │ 3-深度学习检测框架加载.mp4
│ │ 4-基于dlib与ssd的追踪.mp4
│ │ 5-多进程目标追踪.mp4
│ │ 6-多进程效率提升对比.mp4
│ │
│ ├─1_课程简介与环境配置
│ │ 0-课程简介2.mp4
│ │ 2-Notebook与IDE环境.mp4
│ │ 2-Python与Opencv配置安装.mp4
│ │
│ ├─20_卷积原理与操作
│ │ 1-卷积效果演示.mp4
│ │ 1-卷积神经网络的应用.mp4
│ │ 2-卷积层解释.mp4
│ │ 2-卷积操作流程.mp4
│ │ 3-卷积计算过程.mp4
│ │ 4-pading与stride.mp4
│ │ 5-卷积参数共享.mp4
│ │ 6-池化层原理.mp4
│ │
│ ├─21_项目实战-疲劳检测
│ │ 1-关键点定位概述.mp4
│ │ 2-获取人脸关键点.mp4
│ │ 3-定位效果演示.mp4
│ │ 4-闭眼检测.mp4
│ │ 5-检测效果.mp4
│ │
│ ├─2_图像基本操作
│ │ 1-计算机眼中的图像.mp4
│ │ 2-视频的读取与处理.mp4
│ │ 3-ROI区域.mp4
│ │ 4-边界填充.mp4
│ │ 5-数值计算.mp4
│ │
│ ├─3_阈值与平滑处理
│ │ 1-图像平滑处理.mp4
│ │ 2-高斯与中值滤波.mp4
│ │ 图像阈值.mp4
│ │
│ ├─4_图像形态学操作
│ │ 1-腐蚀操作.mp4
│ │ 2-膨胀操作.mp4
│ │ 3-开运算与闭运算.mp4
│ │ 4-梯度计算.mp4
│ │ 5-礼帽与黑帽.mp4
│ │
│ ├─5_图像梯度计算
│ │ 1-Sobel算子.mp4
│ │ 2-梯度计算方法.mp4
│ │ 3-scharr与lapkacian算子.mp4
│ │
│ ├─6_边缘检测
│ │ 1-Canny边缘检测流程.mp4
│ │ 2-非极大值抑制.mp4
│ │ 3-边缘检测效果.mp4
│ │
│ ├─7_图像金字塔与轮廓检测
│ │ 1-图像金字塔定义.mp4
│ │ 1-模板匹配方法.mp4
│ │ 1-轮廓检测方法.mp4
│ │ 2-匹配效果展示.mp4
│ │ 2-轮廓检测结果.mp4
│ │ 2-金字塔制作方法.mp4
│ │ 3-轮廓特征与近似.mp4
│ │
│ ├─8_直方图与傅里叶变换
│ │ 1-傅里叶概述.mp4
│ │ 1-直方图定义.mp4
│ │ 2-均衡化原理.mp4
│ │ 2-频域变换结果.mp4
│ │ 3-低通与高通滤波.mp4
│ │ 3-均衡化效果.mp4
│ │
│ └─9_项目实战-信用卡数字识别
│ 2-环境配置与预处理.mp4
│ 3-模板处理方法.mp4
│ 4-输入数据处理方法.mp4
│ 5-模板匹配得出识别结果.mp4
│ 总体流程与方法讲解.mp4

├─06.综合项目-物体检测经典算法实战
│ ├─10_EfficientNet网络
│ │ 第八课:EfficientNet网络模型.mp4
│ │
│ ├─11_EfficientDet检测算法
│ │ 第十一章:EfficientDet检测算法.mp4
│ │
│ ├─12_基于Transformer的detr目标检测算法
│ │ 1-DETR目标检测基本思想解读.mp4
│ │ 2-整体网络架构分析.mp4
│ │ 3-位置信息初始化query向量.mp4
│ │ 4-注意力机制的作用方法.mp4
│ │ 5-训练过程的策略.mp4
│ │
│ ├─13_detr目标检测源码解读
│ │ 1-项目环境配置解读.mp4
│ │ 2-数据处理与dataloader.mp4
│ │ 3-位置编码作用分析.mp4
│ │ 4-backbone特征提取模块.mp4
│ │ 5-mask与编码模块.mp4
│ │ 6-编码层作用方法.mp4
│ │ 7-Decoder层操作与计算.mp4
│ │ 8-输出预测结果.mp4
│ │ 9-损失函数与预测输出.mp4
│ │
│ ├─1_深度学习经典检测方法概述
│ │ 1-检测任务中阶段的意义.mp4
│ │ 2-不同阶段算法优缺点分析.mp4
│ │ 3-IOU指标计算.mp4
│ │ 4-评估所需参数计算.mp4
│ │ 5-map指标计算.mp4
│ │
│ ├─2_YOLO-V1整体思想与网络架构
│ │ 2-检测算法要得到的结果.mp4
│ │ 3-整体网络架构解读.mp4
│ │ 4-位置损失计算.mp4
│ │ 5-置信度误差与优缺点分析.mp4
│ │ YOLO算法整体思路解读.mp4
│ │
│ ├─3_YOLO-V2改进细节详解
│ │ 2-网络结构特点.mp4
│ │ 3-架构细节解读.mp4
│ │ 4-基于聚类来选择先验框尺寸.mp4
│ │ 5-偏移量计算方法.mp4
│ │ 6-坐标映射与还原.mp4
│ │ 7-感受野的作用.mp4
│ │ 8-特征融合改进.mp4
│ │ V2版本细节升级概述.mp4
│ │
│ ├─4_YOLO-V3核心网络模型
│ │ 1-V3版本改进概述.mp4
│ │ 2-多scale方法改进与特征融合.mp4
│ │ 3-经典变换方法对比分析.mp4
│ │ 4-残差连接方法解读.mp4
│ │ 5-整体网络模型架构分析.mp4
│ │ 6-先验框设计改进.mp4
│ │ 7-sotfmax层改进.mp4
│ │
│ ├─5_项目实战-基于V3版本进行源码解读
│ │ 1-数据与环境配置.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
│ │ 2-训练参数设置.mp4
│ │ 3-数据与标签读取.mp4
│ │ 4-标签文件读取与处理.mp4
│ │ 5-debug模式介绍.mp4
│ │ 6-基于配置文件构建网络模型.mp4
│ │ 7-路由层与shortcut层的作用.mp4
│ │ 8-YOLO层定义解析.mp4
│ │ 9-预测结果计算.mp4
│ │
│ ├─6_基于YOLO-V3训练自己的数据集与任务
│ │ 1-Labelme工具安装.mp4
│ │ 2-数据信息标注.mp4
│ │ 3-完成标签制作.mp4
│ │ 4-生成模型所需配置文件.mp4
│ │ 5-json格式转换成yolo-v3所需输入.mp4
│ │ 6-完成输入数据准备工作.mp4
│ │ 7-训练代码与参数配置更改.mp4
│ │ 8-训练模型并测试效果.mp4
│ │
│ ├─7_YOLO-V4版本算法解读
│ │ 1-V4版本整体概述.mp4
│ │ 10-PAN模块解读.mp4
│ │ 11-激活函数与整体架构总结.mp4
│ │ 2-V4版本贡献解读.mp4
│ │ 3-数据增强策略分析.mp4
│ │ 4-DropBlock与标签平滑方法.mp4
│ │ 5-损失函数遇到的问题.mp4
│ │ 6-CIOU损失函数定义.mp4
│ │ 7-NMS细节改进.mp4
│ │ 8-SPP与CSP网络结构.mp4
│ │ 9-SAM注意力机制模块.mp4
│ │
│ ├─8_V5版本项目配置
│ │ 1-整体项目概述.mp4
│ │ 2-训练自己的数据集方法.mp4
│ │ 3-训练数据参数配置.mp4
│ │ 4-测试DEMO演示.mp4
│ │
│ └─9_V5项目工程源码解读
│ 1-数据源DEBUG流程解读.mp4
│ 10-完成配置文件解析任务.mp4
│ 11-前向传播计算.mp4
│ 12-BottleneckCSP层计算方法.mp4
│ 13-1 SPP层计算细节分析.mp4
│ 13-Head层流程解读.mp4
│ 14-上采样与拼接操作.mp4
│ 15-输出结果分析.mp4
│ 16-超参数解读.mp4
│ 17-命令行参数介绍.mp4
│ 18-训练流程解读.mp4
│ 19-各种训练策略概述.mp4
│ 2-图像数据源配置.mp4
│ 20-模型迭代过程.mp4
│ 3-加载标签数据.mp4
│ 4-Mosaic数据增强方法.mp4
│ 5-数据四合一方法与流程演示.mp4
│ 6-getItem构建batch.mp4
│ 7-网络架构图可视化工具安装.mp4
│ 8-V5网络配置文件解读.mp4
│ 9-Focus模块流程分析.mp4

├─07.图像分割实战
│ ├─10_MaskRcnn网络框架源码详解
│ │ 1-FPN层特征提取原理解读.mp4
│ │ 10-RoiPooling层的作用与目的.mp4
│ │ 11-RorAlign操作的效果.mp4
│ │ 12-整体框架回顾.mp4
│ │ 2-FPN网络架构实现解读.mp4
│ │ 3-生成框比例设置.mp4
│ │ 4-基于不同尺度特征图生成所有框.mp4
│ │ 5-RPN层的作用与实现解读.mp4
│ │ 6-候选框过滤方法.mp4
│ │ 7-Proposal层实现方法.mp4
│ │ 8-DetectionTarget层的作用.mp4
│ │ 9-正负样本选择与标签定义.mp4
│ │
│ ├─11_基于MASK-RCNN框架训练自己的数据与任务
│ │ 1-Labelme工具安装.mp4
│ │ 2-使用labelme进行数据与标签标注.mp4
│ │ 3-完成训练数据准备工作.mp4
│ │ 4-maskrcnn源码修改方法.mp4
│ │ 5-基于标注数据训练所需任务.mp4
│ │ 6-测试与展示模块.mp4
│ │
│ ├─1_图像分割及其损失函数概述
│ │ 1-语义分割与实例分割概述.mp4
│ │ 2-分割任务中的目标函数定义.mp4
│ │ 3-MIOU评估标准.mp4
│ │
│ ├─2_卷积神经网络原理与参数解读
│ │ 1-卷积神经网络应用领域.mp4
│ │ 10-VGG网络架构.mp4
│ │ 11-残差网络Resnet.mp4
│ │ 12-感受野的作用.mp4
│ │ 2-卷积的作用.mp4
│ │ 3-卷积特征值计算方法.mp4
│ │ 4-得到特征图表示.mp4
│ │ 5-步长与卷积核大小对结果的影响.mp4
│ │ 6-边缘填充方法.mp4
│ │ 7-特征图尺寸计算与参数共享.mp4
│ │ 8-池化层的作用.mp4
│ │ 9-1整体网络架构.mp4
│ │
│ ├─3_Unet系列算法讲解
│ │ 1-Unet网络编码与解码过程.mp4
│ │ 2-网络计算流程.mp4
│ │ 3-Unet升级版本改进.mp4
│ │ 4-后续升级版本介绍.mp4
│ │
│ ├─4_unet医学细胞分割实战
│ │ 1-医学细胞数据集介绍与参数配置.mp4
│ │ 2-数据增强工具.mp4
│ │ 3-Debug模式演示网络计算流程.mp4
│ │ 4-特征融合方法演示.mp4
│ │ 5-迭代完成整个模型计算任务.mp4
│ │ 6-模型效果验证.mp4
│ │
│ ├─5_U2NET显著性检测实战
│ │ 1-任务目标与网络整体介绍.mp4
│ │ 2-显著性检测任务与目标概述.mp4
│ │ 3-编码器模块解读.mp4
│ │ 4-解码器输出结果.mp4
│ │ 5-损失函数与应用效果.mp4
│ │
│ ├─6_deeplab系列算法
│ │ 1-deeplab分割算法概述.mp4
│ │ 2-空洞卷积的作用.mp4
│ │ 3-感受野的意义.mp4
│ │ 4-SPP层的作用.mp4
│ │ 5-ASPP特征融合策略.mp4
│ │ 6-deeplabV3Plus版本网络架构.mp4
│ │
│ ├─7_基于deeplabV3+版本进行VOC分割实战
│ │ 1-PascalVoc数据集介绍.mp4
│ │ 2-项目参数与数据集读取.mp4
│ │ 3-网络前向传播流程.mp4
│ │ 4-ASPP层特征融合.mp4
│ │ 5-分割模型训练.mp4
│ │
│ ├─8_医学心脏视频数据集分割建模实战
│ │ 1-数据集与任务概述.mp4
│ │ 2-项目基本配置参数.mp4
│ │ 3-任务流程解读.mp4
│ │ 4-文献报告分析.mp4
│ │ 5-补充:视频数据源特征处理方法概述.mp4
│ │ 6-补充:R(2plus1)D处理方法分析.mp4
│ │
│ └─9_物体检测框架-MaskRcnn项目介绍与配置
│ 0-Mask-Rcnn开源项目简介.mp4
│ 0-参数配置.mp4
│ 0-开源项目数据集.mp4

├─08.行为识别实战
│ ├─1_slowfast算法知识点通俗解读
│ │ 1-slowfast核心思想解读.mp4
│ │ 2-核心网络结构模块分析.mp4
│ │ 3-数据采样曾的作用.mp4
│ │ 4-模型网络结构设计.mp4
│ │ 5-特征融合模块与总结分析.mp4
│ │
│ ├─2_slowfast项目环境配置与配置文件
│ │ 1-环境基本配置解读.mp4
│ │ 2-目录各文件分析.mp4
│ │ 3-配置文件作用解读.mp4
│ │ 4-测试DEMO演示1.mp4
│ │ 5-训练所需标签文件说明.mp4
│ │ 6-训练所需视频数据准备.mp4
│ │ 7-视频数据集切分操作.mp4
│ │ 8-完成视频分帧操作.mp4
│ │
│ ├─3_slowfast源码详细解读
│ │ 1-模型所需配置文件参数读取1.mp4
│ │ 10-RoiAlign与输出层1.mp4
│ │ 2-数据处理概述1.mp4
│ │ 3-dataloader数据遍历方法1.mp4
│ │ 4-数据与标签读取实例1.mp4
│ │ 5-图像数据所需预处理方法1.mp4
│ │ 6-slow与fast分别执行采样操作1.mp4
│ │ 7-分别计算特征图输出结果1.mp4
│ │ 8-slow与fast特征图拼接操作1.mp4
│ │ 9-resnetBolock操作1.mp4
│ │
│ ├─4_基于3D卷积的视频分析与动作识别
│ │ 1-3D卷积原理解读.mp4
│ │ 2-UCF101动作识别数据集简介.mp4
│ │ 3-测试效果与项目配置.mp4
│ │ 4-视频数据预处理方法.mp4
│ │ 5-数据Batch制作方法.mp4
│ │ 6-3D卷积网络所涉及模块.mp4
│ │ 7-训练网络模型.mp4
│ │
│ ├─5_视频异常检测算法与元学习
│ │ 1-异常检测要解决的问题与数据集介绍.mp4
│ │ 2-基本思想与流程分析.mp4
│ │ 3-预测与常见问题.mp4
│ │ 4-Meta-Learn要解决的问题.mp4
│ │ 5-学习能力与参数定义.mp4
│ │ 6-如何找到合适的初始化参数.mp4
│ │ 7-MAML算法流程解读.mp4
│ │
│ ├─6_视频异常检测CVPR2023论文及其源码解读
│ │ 1-论文概述与环境配置.mp4
│ │ 2-数据集配置与读取.mp4
│ │ 3-模型编码与解码结构.mp4
│ │ 4-注意力机制模块打造.mp4
│ │ 5-损失函数的目的.mp4
│ │ 6-特征图生成.mp4
│ │ 7-MetaLearn与输出.mp4
│ │
│ └─7_基础补充-Resnet模型及其应用实例
│ 1-医学疾病数据集介绍.mp4
│ 2-Resnet网络架构原理分析.mp4
│ 3-dataloader加载数据集.mp4
│ 4-Resnet网络前向传播.mp4
│ 5-残差网络的shortcut操作.mp4
│ 6-特征图升维与降采样操作.mp4
│ 7-网络整体流程与训练演示.mp4

├─09.2023论文必备-Transformer实战系列
│ ├─10_MedicalTransformer源码解读
│ │ 1-项目环境配置1.mp4
│ │ 2-医学数据介绍与分析1.mp4
│ │ 3-基本处理操作1.mp4
│ │ 4-AxialAttention实现过程1.mp4
│ │ 5-位置编码向量解读1.mp4
│ │ 6-注意力计算过程与方法1.mp4
│ │ 7-局部特征提取与计算1.mp4
│ │
│ ├─11_商汤LoFTR算法解读
│ │ 1-特征匹配的应用场景.mp4
│ │ 10-总结分析.mp4
│ │ 2-特征匹配的基本流程分析.mp4
│ │ 3-整体流程梳理分析.mp4
│ │ 4-CrossAttention的作用与效果.mp4
│ │ 5-transformer构建匹配特征.mp4
│ │ 6-粗粒度匹配过程与作用.mp4
│ │ 7-特征图拆解操作.mp4
│ │ 8-细粒度匹配的作用与方法.mp4
│ │ 9-基于期望预测最终位置.mp4
│ │
│ ├─12_局部特征关键点匹配实战
│ │ 1-项目与参数配置解读1.mp4
│ │ 10-得到精细化输出结果1.mp4
│ │ 11-通过期望计算最终输出1.mp4
│ │ 2-DEMO效果演示1.mp4
│ │ 3-backbone特征提取模块1.mp4
│ │ 4-注意力机制的作用与效果分析1.mp4
│ │ 5-特征融合模块实现方法1.mp4
│ │ 6-cross关系计算方法实例1.mp4
│ │ 7-粗粒度匹配过程1.mp4
│ │ 8-完成基础匹配模块1.mp4
│ │ 9-精细化调整方法与实例1.mp4
│ │
│ ├─13_项目补充-谷歌开源项目BERT源码解读与应用实例
│ │ 1-BERT开源项目简介1.mp4
│ │ 10-构建QKV矩阵1.mp4
│ │ 11-完成Transformer模块构建1.mp4
│ │ 12-训练BERT模型1.mp4
│ │ 2-项目参数配置1.mp4
│ │ 3-数据读取模块1.mp4
│ │ 4-数据预处理模块1.mp4
│ │ 6-Embedding层的作用1.mp4
│ │ 7-加入额外编码特征1.mp4
│ │ 8-加入位置编码特征1.mp4
│ │ 9-mask机制1.mp4
│ │ tfrecord制作1.mp4
│ │
│ ├─14_项目补充-基于BERT的中文情感分析实战
│ │ 1-中文分类数据与任务概述1.mp4
│ │ 2-读取处理自己的数据集1.mp4
│ │ 3-训练BERT中文分类模型1.mp4
│ │
│ ├─1_课程介绍
│ │ 课程介绍1.mp4
│ │
│ ├─2_自然语言处理通用框架BERT原理解读
│ │ 1-BERT任务目标概述.mp4
│ │ 10-训练实例.mp4
│ │ 2-传统解决方案遇到的问题1.mp4
│ │ 3-注意力机制的作用1.mp4
│ │ 4-self-attention计算方法1.mp4
│ │ 5-特征分配与softmax机制1.mp4
│ │ 6-Multi-head的作用1.mp4
│ │ 7-位置编码与多层堆叠1.mp4
│ │ 8-transformer整体架构梳理.mp4
│ │ 9-BERT模型训练方法.mp4
│ │
│ ├─3_Transformer在视觉中的应用VIT算法
│ │ 1-transformer发家史介绍1.mp4
│ │ 2-对图像数据构建patch序列1.mp4
│ │ 3-VIT整体架构解读1.mp4
│ │ 4-CNN遇到的问题与窘境1.mp4
│ │ 5-计算公式解读1.mp4
│ │ 6-位置编码与TNT模型1.mp4
│ │ 7-TNT模型细节分析1.mp4
│ │
│ ├─4_VIT算法模型源码解读
│ │ 1-项目配置说明1.mp4
│ │ 2-输入序列构建方法解读1.mp4
│ │ 3-注意力机制计算1.mp4
│ │ 4-输出层计算结果1.mp4
│ │
│ ├─5_swintransformer算法原理解析
│ │ 1-swintransformer整体概述1.mp4
│ │ 10-分层计算方法1.mp4
│ │ 2-要解决的问题及其优势分析1.mp4
│ │ 3-一个block要完成的任务1.mp4
│ │ 4-获取各窗口输入特征1.mp4
│ │ 5-基于窗口的注意力机制解读1.mp4
│ │ 6-窗口偏移操作的实现1.mp4
│ │ 7-偏移细节分析及其计算量概述1.mp4
│ │ 8-整体网络架构整合1.mp4
│ │ 9-下采样操作实现方法1.mp4
│ │
│ ├─6_swintransformer源码解读
│ │ 1-数据与环境配置解读1.mp4
│ │ 2-图像数据patch编码1.mp4
│ │ 3-数据按window进行划分计算1.mp4
│ │ 4-基础attention计算模块1.mp4
│ │ 5-窗口位移模块细节分析1.mp4
│ │ 6-patchmerge下采样操作1.mp4
│ │ 7-各block计算方法解读1.mp4
│ │ 8-输出层概述1.mp4
│ │
│ ├─7_基于Transformer的detr目标检测算法
│ │ 1-DETR目标检测基本思想解读1.mp4
│ │ 2-整体网络架构分析1.mp4
│ │ 3-位置信息初始化query向量1.mp4
│ │ 4-注意力机制的作用方法1.mp4
│ │ 5-训练过程的策略1.mp4
│ │
│ ├─8_detr目标检测源码解读
│ │ 1-项目环境配置解读2.mp4
│ │ 2-数据处理与dataloader2.mp4
│ │ 3-位置编码作用分析2.mp4
│ │ 4-backbone特征提取模块1.mp4
│ │ 5-mask与编码模块1.mp4
│ │ 6-编码层作用方法1.mp4
│ │ 7-Decoder层操作与计算1.mp4
│ │ 8-输出预测结果1.mp4
│ │ 9-损失函数与预测输出1.mp4
│ │
│ └─9_MedicalTrasnformer论文解读
│ 1-论文整体分析.mp4
│ 2-核心思想分析.mp4
│ 3-网络结构计算流程概述.mp4
│ 4-论文公式计算分析.mp4
│ 5-位置编码的作用与效果.mp4
│ 6-拓展应用分析.mp4

└─10.图神经网络实战
├─1_图神经网络基础
│ 1-图神经网络应用领域分析.mp4
│ 2-图基本模块定义.mp4
│ 3-邻接矩阵的定义.mp4
│ 4-GNN中常见任务.mp4
│ 5-消息传递计算方法.mp4
│ 6-多层GCN的作用.mp4

├─2_图卷积GCN模型
│ 1-GCN基本模型概述.mp4
│ 2-图卷积的基本计算方法.mp4
│ 3-邻接的矩阵的变换.mp4
│ 4-GCN变换原理解读.mp4

├─3_图模型必备神器PyTorch Geometric安装与使用
│ 1-PyTorch Geometric工具包安装与配置方法.mp4
│ 2-数据集与邻接矩阵格式.mp4
│ 3-模型定义与训练方法.mp4
│ 4-文献引用数据集分类案例实战.mp4

├─4_使用PyTorch Geometric构建自己的图数据集
│ 1-构建数据集基本方法.mp4
│ 2-数据集与任务背景概述.mp4
│ 3-数据集基本预处理.mp4
│ 4-用户行为图结构创建.mp4
│ 5-数据集创建函数介绍.mp4
│ 6-网络结构定义模块.mp4
│ 7-TopkPooling进行下采样任务.mp4
│ 8-获取全局特征.mp4
│ 9-模型训练与总结.mp4

├─5_图注意力机制与序列图模型
│ 1-图注意力机制的作用与方法.mp4
│ 2-邻接矩阵计算图Attention.mp4
│ 3-序列图神经网络TGCN应用.mp4
│ 4-序列图神经网络细节.mp4

├─6_图相似度论文解读
│ 1-要完成的任务分析.mp4
│ 2-基本方法概述解读.mp4
│ 3-图模型提取全局与局部特征.mp4
│ 4-NTN模块的作用与效果.mp4
│ 5-点之间的对应关系计算.mp4
│ 6-结果输出与总结.mp4

├─7_图相似度计算实战
│ 1-数据集与任务概述3.mp4
│ 2-图卷积特征提取模块3.mp4
│ 3-分别计算不同Batch点的分布3.mp4
│ 4-获得直方图特征结果.mp4
│ 5-图的全局特征构建.mp4
│ 6-NTN图相似特征提取.mp4
│ 7-预测得到相似度结果.mp4

├─8_基于图模型的轨迹估计
│ 1-数据集与标注信息解读.mp4
│ 2-整体三大模块分析.mp4
│ 3-特征工程的作用与效果.mp4
│ 4-传统方法与现在向量空间对比.mp4
│ 5-输入细节分析.mp4
│ 6-子图模块构建方法.mp4
│ 7-特征融合模块分析.mp4
│ 8-VectorNet输出层分析.mp4

└─9_图模型轨迹估计实战
1-数据与环境配置.mp4
2-训练数据准备.mp4
3-Agent特征提取方法.mp4
4-DataLoader构建图结构.mp4
5-SubGraph与Attention模型流程.mp4

下载地址

此处内容需要权限查看

您还没有获得查看权限包月VIP包年VIP终身VIP可免费查看

升级VIP免费查看