190G 全方位人工智能系统就业班 OpenAI顶级技术全面融入 29章节深度学习课程
190G 全方位人工智能系统就业班 OpenAI顶级技术全面融入 29章节深度学习课程是什么资源？
这是一份教程课程资源。系统全面的技能提升课程，内容由浅入深，理论结合实战，适合零基础学员和进阶学习者，帮助你快速掌握核心技能。
| 参数 | 详情 |
|---|---|
| 文件数量 | 1147个 |
| 资源格式 | 高清视频课程 |
| 资源类型 | 教程课程 |
谁需要这份教程课程资源？
零基础学员、进阶学习者、职业技能提升者
👇 点击上方 支付下载 按钮即可获取完整资源
这份资源包含哪些具体内容？
该资源为高清视频课程，共1147个文件
├── PART1 │ ├── 00 资料 │ │ ├── 1.第一章 直播回放 │ │ │ ├── 1-1 节开班典礼 │ │ │ ├── 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 │ │ │ ├── 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 │ │ ├── 2.第二章 深度学习必备核⼼算法 │ │ │ └── 课件 │ │ ├── 3.第三章 深度学习核⼼框架PyTorch │ │ │ ├── flask预测.zip │ │ │ ├── 第七章：LSTM文本分类实战.zip │ │ │ ├── 第二,三章：神经网络实战分类与回归任务.zip │ │ │ ├── 第五章：图像识别模型与训练策略（重点）.zip │ │ │ ├── 第八章：对抗生成网络架构原理与实战解析.zip │ │ │ ├── 第六章：DataLoader自定义数据集制作.zip │ │ │ └── 第四章：卷积网络参数解读.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 │ │ │ ├── 第一模块：mmclassification-master-.zip │ │ │ ├── 第七模块：mmdetection3d-1.0.0rc0-.zip │ │ │ ├── 第三模块：mmdetection-master-.zip │ │ │ ├── 第九模块：mmaction2-master-.zip │ │ │ ├── 第二模块：mmsegmentation-0.20.2-.zip │ │ │ ├── 第二模块：MPViT-main-.zip │ │ │ ├── 第五模块：mmgeneration-master-.zip │ │ │ ├── 第八模块：mmrazor-模型蒸馏-.zip │ │ │ ├── 第六模块：mmediting-master-.zip │ │ │ └── 第四模块：mmocr-main-.zip │ │ ├── 5.第五章 Opencv图像处理框架实战 │ │ │ ├── 源码资料 │ │ │ └── 课件 │ │ ├── 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 │ │ │ ├── 物体检测.pdf │ │ │ └── 第十二章：基于Transformer的detr目标检测算法.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 │ │ │ ├── 第5节：U-2-Net-.zip │ │ │ ├── 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 │ │ │ ├── 图像识别核心模块实战解读-.zip │ │ │ └── 基于MASK-RCNN框架训练自己的数据与任务-.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框架基本处理操作-.zip │ │ │ └── 基础补充-PyTorch框架必备核心模块解读-.zip │ │ ├── 9.第九章 2022论⽂必备-Transformer实战系列 │ │ │ └── transformer系列 │ │ ├── 10.第一十章 图神经⽹络实战 │ │ │ ├── 3-图模型必备神器PyTorch Geometric安装与使用 │ │ │ ├── 4-使用PyTorch Geometric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 │ │ │ ├── 第一章：图神经网络基础 │ │ │ └── 第二章：图卷积GCN模型 │ │ ├── 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 │ │ │ ├── 基础补充-Resnet模型及其应用实例 │ │ │ ├── 第五六七章：YOLO目标检测 │ │ │ ├── 基础补充-PyTorch框架基本处理操作.zip │ │ │ ├── 基础补充-PyTorch框架必备核心模块解读.zip │ │ │ ├── 第一章：姿态估计OpenPose系列算法解读.pdf │ │ │ ├── 第三章：Deepsort算法知识点解读.pdf │ │ │ ├── 第二章：OpenPose算法源码分析.zip │ │ │ └── 第四章：Deepsort源码解读.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 │ │ │ ├── 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 │ │ │ ├── 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 │ │ ├── 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 │ │ │ ├── 多模态3D目标检测算法源码解读 │ │ │ ├── 多模态文字识别 │ │ │ └── 对比学习算法与实例 │ │ ├── 15.第一十五章 缺陷检测实战 │ │ │ ├── PyTorch基础 │ │ │ ├── Resnet分类实战 │ │ │ ├── 第1-4章：YOLOV5缺陷检测 │ │ │ ├── 第6-8章：Opencv各函数使用实例 │ │ │ ├── 第11-12章：deeplab │ │ │ ├── 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 │ │ │ ├── 第10章：基于视频流水线的Opnecv缺陷检测项目-.zip │ │ │ └── DeepLab铁质材料缺陷检测与开源项目应用流程-.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 │ │ │ ├── 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 │ │ │ ├── cyclegan.pdf │ │ │ └── static.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 │ │ ├── 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 │ │ │ ├── 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 │ │ │ ├── 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 │ │ │ ├── 2-PyTorch框架基本处理操作-.zip │ │ │ ├── 3-PyTorch框架必备核心模块解读-.zip │ │ │ └── 16-词向量模型与RNN网络架构-.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 │ │ │ ├── 第一章：Huggingface与NLP介绍解读 │ │ │ ├── 第七章：GPT系列算法 │ │ │ ├── 第三章：transformer原理解读 │ │ │ ├── 第九章：文本摘要建模 │ │ │ ├── 第二章：Transformer工具包基本操作实例解读 │ │ │ ├── 第五章：文本标注工具与NER实例 │ │ │ ├── 第八章：GPT训练与预测部署流程 │ │ │ ├── 第六章：文本预训练模型构建实例 │ │ │ ├── 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 │ │ ├── 23.第二十三章 ⾃然语⾔处理通⽤框架-BERT实战 │ │ │ ├── 课件、源码 │ │ │ └── 课后作业 │ │ ├── 24.第二十四章 ⾃然语⾔处理经典案例实战 │ │ │ ├── NLP常用工具包 │ │ │ ├── 源码、数据集等 │ │ │ ├── 课件 │ │ │ └── 课后作业 │ │ ├── 25.第二十五章 知识图谱实战系列 │ │ │ ├── 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 │ │ │ └── 第1.2节：知识图谱介绍及其应用领域分析 │ │ ├── 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3节：音乐推荐系统实战 │ │ │ ├── 第4节：Neo4j数据库实例 │ │ │ ├── 第10节：基于统计分析的电影推荐 │ │ │ ├── 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 │ │ │ └── 第11节：补充-基于相似度的酒店推荐系统-.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-.py │ │ └── gc(2)-.py │ ├── 01 直播课回放 │ │ ├── 01 开班典礼 │ │ │ └── 01 开班典礼-.mp4 │ │ ├── 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 │ │ ├── 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 │ │ │ └── 01 Transformer架构-.mp4 │ │ ├── 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 │ │ ├── 07 直播5：YOLO系列（V7）算法解读 │ │ │ └── 01 YOLO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 │ │ │ ├── 01 Backbone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 │ │ │ ├── 05 Encoder特征构建方法实例-.mp4 │ │ │ ├── 06 query要预测的任务解读-.mp4 │ │ │ ├── 07 Decoder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 │ │ │ └── 01 BEV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 │ │ │ ├── 05 Reference初始点构建-.mp4 │ │ │ ├── 06 BEV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 │ │ │ ├── 08 BEV空间特征构建-.mp4 │ │ │ ├── 09 Decoder要完成的任务分析-.mp4 │ │ │ ├── 10 获取当前BEV特征-.mp4 │ │ │ ├── 11 Decoder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 │ │ ├── 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 │ │ │ └── 02 CPU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 │ │ ├── 06 DataLoader自定义数据集制作 │ │ │ ├── 01 Dataloader要完成的任务分析-.mp4 │ │ │ ├── 02 图像数据与标签路径处理-.mp4 │ │ │ ├── 03 Dataloader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 │ │ ├── 07 LSTM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 │ │ │ ├── 07 LSTM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 │ │ └── 08 PyTorch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 │ ├── 04 MMLAB实战系列 │ │ ├── 01 MMCV安装方法 │ │ │ └── 01 MMCV安装方法-.mp4 │ │ ├── 02 第一模块：分类任务基本操作 │ │ │ ├── 01 MMCLS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 │ │ │ ├── 03 MMCLS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 │ │ │ ├── 06 Grad-Cam可视化方法-.mp4 │ │ │ ├── 07 可视化细节与效果分析-.mp4 │ │ │ ├── 08 MMCLS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 │ │ │ ├── 01 VIT任务概述-.mp4 │ │ │ ├── 02 数据增强模块概述分析-.mp4 │ │ │ ├── 03 PatchEmbedding层-.mp4 │ │ │ ├── 04 前向传播基本模块-.mp4 │ │ │ └── 05 CLS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 │ │ │ └── 08 VIT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 │ │ │ ├── 03 DEBUG解读Backbone设计-.mp4 │ │ │ ├── 04 PatchEmbedding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 │ │ │ ├── 02 COCO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 │ │ │ ├── 08 Encoder层完成特征对齐-.mp4 │ │ │ ├── 09 Decoder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 │ │ │ ├── 01 Backbone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 │ │ │ ├── 05 Encoder特征构建方法实例-.mp4 │ │ │ ├── 06 query要预测的任务解读-.mp4 │ │ │ ├── 07 Decoder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 │ │ │ └── 01 DeformableDetr算法解读-.mp4 │ │ ├── 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 │ │ ├── 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 │ │ │ ├── 03 Neck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 │ │ │ ├── 03 Bakbone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 │ │ │ ├── 02 KIE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 │ │ │ ├── 10 3D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 │ │ │ ├── 02 Teacher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 │ │ │ ├── 01 SuperNet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 │ │ ├── 22 OCR算法解读 │ │ │ └── 01 OCR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 │ ├── 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 │ │ │ ├── 02 Python与Opencv配置安装-.mp4 │ │ │ └── 03 Notebook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 │ │ │ ├── 03 ROI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 │ │ │ ├── 01 Sobel算子-.mp4 │ │ │ ├── 02 梯度计算方法-.mp4 │ │ │ └── 03 scharr与lapkacian算子-.mp4 │ │ ├── 06 边缘检测 │ │ │ ├── 01 Canny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 │ │ │ ├── 05 tesseract-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 │ │ │ └── 05 opencv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 │ │ │ └── 06 opencv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 │ │ │ ├── 02 RANSAC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 │ │ │ ├── 02 Lucas-Kanade算法-.mp4 │ │ │ ├── 03 推导求解-.mp4 │ │ │ └── 04 光流估计实战-.mp4 │ │ ├── 18 Opencv的DNN模块 │ │ │ ├── 01 dnn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 │ │ │ ├── 04 pading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 │ │ │ ├── 03 IOU指标计算-.mp4 │ │ │ ├── 04 评估所需参数计算-.mp4 │ │ │ └── 05 map指标计算-.mp4 │ │ ├── 02 YOLO-V1整体思想与网络架构 │ │ │ ├── 01 YOLO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 │ │ ├── 03 YOLO-V2改进细节详解 │ │ │ ├── 01 V2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 │ │ ├── 04 YOLO-V3核心网络模型 │ │ │ ├── 01 V3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 │ │ │ └── 07 sotfmax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 │ │ │ ├── 03 COCO图像数据读取与处理-.mp4 │ │ │ ├── 04 标签文件读取与处理-.mp4 │ │ │ ├── 05 debug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 │ │ │ ├── 08 YOLO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） │ │ │ ├── 01 Labelme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 │ │ │ ├── 05 json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 │ │ ├── 07 YOLO-V4版本算法解读 │ │ │ ├── 01 V4版本整体概述-.mp4 │ │ │ ├── 02 V4版本贡献解读-.mp4 │ │ │ ├── 03 数据增强策略分析-.mp4 │ │ │ ├── 04 DropBlock与标签平滑方法-.mp4 │ │ │ ├── 05 损失函数遇到的问题-.mp4 │ │ │ ├── 06 CIOU损失函数定义-.mp4 │ │ │ ├── 07 NMS细节改进-.mp4 │ │ │ ├── 08 SPP与CSP网络结构-.mp4 │ │ │ ├── 09 SAM注意力机制模块-.mp4 │ │ │ ├── 10 PAN模块解读-.mp4 │ │ │ └── 11 激活函数与整体架构总结-.mp4 │ │ ├── 08 V5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 │ │ ├── 09 V5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 │ │ │ ├── 04 Mosaic数据增强方法-.mp4 │ │ │ ├── 05 数据四合一方法与流程演示-.mp4 │ │ │ ├── 06 getItem构建batch-.mp4 │ │ │ ├── 07 网络架构图可视化工具安装-.mp4 │ │ │ ├── 08 V5网络配置文件解读-.mp4 │ │ │ ├── 09 Focus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 │ │ │ ├── 12 BottleneckCSP层计算方法-.mp4 │ │ │ ├── 13 SPP层计算细节分析-.mp4 │ │ │ ├── 14 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 │ │ ├── 10 V7源码解读 │ │ │ ├── 01 命令行参数介绍-.mp4 │ │ │ ├── 02 基本参数作用-.mp4 │ │ │ ├── 03 EMA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 │ │ │ ├── 13 GT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 │ │ │ ├── 18 BN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 │ │ ├── 11 EfficientNet网络 │ │ │ └── 01 EfficientNet网络模型-.mp4 │ │ ├── 12 EfficientDet检测算法 │ │ │ └── 01 EfficientDet检测算法-.mp4 │ │ ├── 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 │ │ │ ├── 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 │ │ └── 14 detr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 │ │ ├── 04 backbone特征提取模块-.mp4 │ │ ├── 05 mask与编码模块-.mp4 │ │ ├── 06 编码层作用方法-.mp4 │ │ ├── 07 Decoder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 │ │ │ └── 03 MIOU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 │ │ │ ├── 10 VGG网络架构-.mp4 │ │ │ ├── 11 残差网络Resnet-.mp4 │ │ │ └── 12 感受野的作用-.mp4 │ │ ├── 03 Unet系列算法讲解 │ │ │ ├── 01 Unet网络编码与解码过程-.mp4 │ │ │ ├── 02 网络计算流程-.mp4 │ │ │ ├── 03 Unet升级版本改进-.mp4 │ │ │ └── 04 后续升级版本介绍-.mp4 │ │ ├── 04 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 │ │ │ ├── 02 数据增强工具-.mp4 │ │ │ ├── 03 Debug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 │ │ ├── 05 U2NET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 │ │ ├── 06 deeplab系列算法 │ │ │ ├── 01 deeplab分割算法概述-.mp4 │ │ │ ├── 02 空洞卷积的作用-.mp4 │ │ │ ├── 03 感受野的意义-.mp4 │ │ │ ├── 04 SPP层的作用-.mp4 │ │ │ ├── 05 ASPP特征融合策略-.mp4 │ │ │ └── 06 deeplabV3Plus版本网络架构-.mp4 │ │ ├── 07 基于deeplabV3+版本进行VOC分割实战 │ │ │ ├── 01 PascalVoc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 │ │ │ ├── 04 ASPP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 │ │ │ ├── 01 Mask-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 │ │ ├── 10 MaskRcnn网络框架源码详解 │ │ │ ├── 01 FPN层特征提取原理解读-.mp4 │ │ │ ├── 02 FPN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 │ │ │ ├── 05 RPN层的作用与实现解读-.mp4 │ │ │ ├── 06 候选框过滤方法-.mp4 │ │ │ ├── 07 Proposal层实现方法-.mp4 │ │ │ ├── 08 DetectionTarget层的作用-.mp4 │ │ │ ├── 09 正负样本选择与标签定义-.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 │ │ └── 11 基于MASK-RCNN框架训练自己的数据与任务 │ │ ├── 01 Labelme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 │ │ ├── 04 maskrcnn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 │ │ ├── 01 slowfast算法知识点通俗解读 │ │ │ ├── 01 slowfast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 │ │ ├── 02 slowfast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 │ │ ├── 03 slowfast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 │ │ │ ├── 03 dataloader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 │ │ │ ├── 06 slow与fast分别执行采样操作-.mp4 │ │ │ ├── 07 分别计算特征图输出结果-.mp4 │ │ │ ├── 08 slow与fast特征图拼接操作-.mp4 │ │ │ ├── 09 resnetBolock操作-.mp4 │ │ │ └── 10 RoiAlign与输出层-.mp4 │ │ ├── 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 │ │ │ ├── 02 UCF101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 │ │ │ ├── 06 3D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 │ │ │ ├── 04 Meta-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 │ │ │ └── 07 MAML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 │ │ │ └── 07 MetaLearn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 │ │ ├── 02 Resnet网络架构原理分析-.mp4 │ │ ├── 03 dataloader加载数据集-.mp4 │ │ ├── 04 Resnet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 │ ├── 09 2022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 │ │ │ ├── 01 BERT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 │ │ │ ├── 04 self-attention计算方法-.mp4 │ │ │ ├── 05 特征分配与softmax机制-.mp4 │ │ │ ├── 06 Multi-head的作用-.mp4 │ │ │ ├── 07 位置编码与多层堆叠-.mp4 │ │ │ ├── 08 transformer整体架构梳理-.mp4 │ │ │ ├── 09 BERT模型训练方法-.mp4 │ │ │ └── 10 训练实例-.mp4 │ │ ├── 03 Transformer在视觉中的应用VIT算法 │ │ │ ├── 01 transformer发家史介绍-.mp4 │ │ │ ├── 02 对图像数据构建patch序列-.mp4 │ │ │ ├── 03 VIT整体架构解读-.mp4 │ │ │ ├── 04 CNN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 │ │ │ └── 07 TNT模型细节分析-.mp4 │ │ ├── 04 VIT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 │ │ ├── 05 swintransformer算法原理解析 │ │ │ ├── 01 swintransformer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 │ │ ├── 06 swintransformer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 │ │ │ ├── 06 patchmerge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 │ │ │ ├── 01 DETR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 │ │ ├── 08 detr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 │ │ │ ├── 04 backbone特征提取模块-.mp4 │ │ │ ├── 05 mask与编码模块-.mp4 │ │ │ ├── 06 编码层作用方法-.mp4 │ │ │ ├── 07 Decoder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 │ │ ├── 09 MedicalTrasnformer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 │ │ ├── 10 MedicalTransformer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 │ │ │ ├── 04 AxialAttention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 │ │ │ ├── 04 CrossAttention的作用与效果-.mp4 │ │ │ ├── 05 transformer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 │ │ │ ├── 02 DEMO效果演示-.mp4 │ │ │ ├── 03 backbone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 │ │ │ ├── 06 cross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 │ │ │ ├── 01 BERT开源项目简介-.mp4 ├── PART1 │ ├── 00 资料 │ │ ├── 1.第一章 直播回放 │ │ │ ├── 1-1 节开班典礼 │ │ │ ├── 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 │ │ │ ├── 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 │ │ ├── 2.第二章 深度学习必备核⼼算法 │ │ │ └── 课件 │ │ ├── 3.第三章 深度学习核⼼框架PyTorch │ │ │ ├── flask预测.zip │ │ │ ├── 第七章：LSTM文本分类实战.zip │ │ │ ├── 第二,三章：神经网络实战分类与回归任务.zip │ │ │ ├── 第五章：图像识别模型与训练策略（重点）.zip │ │ │ ├── 第八章：对抗生成网络架构原理与实战解析.zip │ │ │ ├── 第六章：DataLoader自定义数据集制作.zip │ │ │ └── 第四章：卷积网络参数解读.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 │ │ │ ├── 第一模块：mmclassification-master-.zip │ │ │ ├── 第七模块：mmdetection3d-1.0.0rc0-.zip │ │ │ ├── 第三模块：mmdetection-master-.zip │ │ │ ├── 第九模块：mmaction2-master-.zip │ │ │ ├── 第二模块：mmsegmentation-0.20.2-.zip │ │ │ ├── 第二模块：MPViT-main-.zip │ │ │ ├── 第五模块：mmgeneration-master-.zip │ │ │ ├── 第八模块：mmrazor-模型蒸馏-.zip │ │ │ ├── 第六模块：mmediting-master-.zip │ │ │ └── 第四模块：mmocr-main-.zip │ │ ├── 5.第五章 Opencv图像处理框架实战 │ │ │ ├── 源码资料 │ │ │ └── 课件 │ │ ├── 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 │ │ │ ├── 物体检测.pdf │ │ │ └── 第十二章：基于Transformer的detr目标检测算法.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 │ │ │ ├── 第5节：U-2-Net-.zip │ │ │ ├── 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 │ │ │ ├── 图像识别核心模块实战解读-.zip │ │ │ └── 基于MASK-RCNN框架训练自己的数据与任务-.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框架基本处理操作-.zi
如何下载和使用这份资源？
点击页面上的立即下载按钮即可获取完整资源
- 点击页面上方的”支付下载”按钮
- 根据提示完成支付流程
- 支付完成后即可下载完整资源
- 如有问题请联系客服获取帮助
