下载地址：
文件目录：古泡人工智能P5第5期2022年，文件大小：31.77G
1_直播课回放[5.70G]
1_直播1：开班典礼[1.88G]
1人工智能CVNLP高薪实战班.mp4[1.88G]
2_Pycharm环境配置与Debug演示(没用过的同学必看)[125.39M]
Pycharm环境配置与Debug演示(没用过的同学必看).mp4[125.39M]
3_直播2：深度学习必备基础-神经网络与卷积网络[937.92M]
1.深度学习必备基础-神经网络与卷积网络.mp4[937.92M]
4_直播3：Transformer原理及其各领域应用分析[383.49M]
Transformer原理及其各领域应用分析.mp4[383.49M]
5_额外补充：时间序列预测[374.26M]
额外补充：时间序列预测.mp4[374.26M]
6_直播4：Informer时间序列预测源码解读[2.04G]
Informer时间序列预测源码解读.mp4[2.04G]
10_图神经网络实战[1.79G]
1_图神经网络基础[99.37M]
1-图神经网络应用领域分析.mp4.mp4[26.40M]
2-图基本模块定义.mp4.mp4[10.51M]
3-邻接矩阵的定义.mp4.mp4[16.06M]
4-GNN中常见任务.mp4.mp4[19.17M]
5-消息传递计算方法.mp4.mp4[14.23M]
6-多层GCN的作用.mp4.mp4[13.00M]
2_图卷积GCN模型[65.30M]
1-GCN基本模型概述.mp4.mp4[13.24M]
2-图卷积的基本计算方法.mp4.mp4[12.56M]
3-邻接的矩阵的变换.mp4.mp4[18.38M]
4-GCN变换原理解读.mp4.mp4[21.12M]
3_图模型必备神器PyTorchGeometric安装与使用[186.66M]
1-PyTorchGeometric工具包安装与配置方法.mp4.mp4[45.07M]
2-数据集与邻接矩阵格式.mp4.mp4[51.92M]
3-模型定义与训练方法.mp4.mp4[41.92M]
4-文献引用数据集分类案例实战.mp4.mp4[47.75M]
4_使用PyTorchGeometric构建自己的图数据集[267.86M]
1-构建数据集基本方法.mp4.mp4[13.47M]
2-数据集与任务背景概述.mp4.mp4[21.63M]
3-数据集基本预处理.mp4.mp4[31.50M]
4-用户行为图结构创建.mp4.mp4[36.67M]
5-数据集创建函数介绍.mp4.mp4[34.87M]
6-网络结构定义模块.mp4.mp4[36.87M]
7-TopkPooling进行下采样任务.mp4.mp4[31.30M]
8-获取全局特征.mp4.mp4[25.70M]
9-模型训练与总结.mp4.mp4[35.84M]
5_图注意力机制与序列图模型[74.19M]
1-图注意力机制的作用与方法.mp4.mp4[16.53M]
2-邻接矩阵计算图Attention.mp4.mp4[21.40M]
3-序列图神经网络TGCN应用.mp4.mp4[12.59M]
4-序列图神经网络细节.mp4.mp4[23.67M]
6_图相似度论文解读[311.37M]
1-要完成的任务分析.mp4.mp4[47.79M]
2-基本方法概述解读.mp4.mp4[52.67M]
3-图模型提取全局与局部特征.mp4.mp4[47.42M]
4-NTN模块的作用与效果.mp4.mp4[41.09M]
5-点之间的对应关系计算.mp4.mp4[51.22M]
6-结果输出与总结.mp4.mp4[71.18M]
7_图相似度计算实战[216.19M]
1-数据集与任务概述3.mp4.mp4[18.11M]
2-图卷积特征提取模块3.mp4.mp4[55.92M]
3-分别计算不同Batch点的分布3.mp4.mp4[31.70M]
4-获得直方图特征结果.mp4.mp4[21.11M]
5-图的全局特征构建.mp4.mp4[31.45M]
6-NTN图相似特征提取.mp4.mp4[39.25M]
7-预测得到相似度结果.mp4.mp4[18.64M]
8_基于图模型的轨迹估计[448.56M]
1-数据集与标注信息解读.mp4.mp4[57.53M]
2-整体三大模块分析.mp4.mp4[71.83M]
3-特征工程的作用与效果.mp4.mp4[41.75M]
4-传统方法与现在向量空间对比.mp4.mp4[51.83M]
5-输入细节分析.mp4.mp4[49.96M]
6-子图模块构建方法.mp4.mp4[42.55M]
7-特征融合模块分析.mp4.mp4[47.67M]
8-VectorNet输出层分析.mp4.mp4[85.45M]
9_图模型轨迹估计实战[164.09M]
1-数据与环境配置4.mp4.mp4[35.36M]
2-训练数据准备4.mp4.mp4[27.69M]
3-Agent特征提取方法4.mp4.mp4[37.87M]
4-DataLoader构建图结构4.mp4.mp4[28.61M]
5-SubGraph与Attention模型流程4.mp4.mp4[34.55M]
2_深度学习必备核心算法[1.33G]
1_神经网络算法解读[589.67M]
1-神经网络算法解读.mp4[589.67M]
2_卷积神经网络算法解读[432.74M]
2-卷积神经网络算法解读.mp4[432.74M]
3_递归神经网络算法解读[336.06M]
3-递归神经网络算法解读.mp4[336.06M]
3_深度学习核心框架PyTorch[1.99G]
1_PyTorch框架介绍与配置安装[133.81M]
1-PyTorch框架与其他框架区别分析1.mp4.mp4[33.24M]
2-CPU与GPU版本安装方法解读1.mp4.mp4[100.57M]
2_使用神经网络进行分类任务[334.09M]
1-数据集与任务概述2.mp4.mp4[43.34M]
2-基本模块应用测试2.mp4.mp4[47.62M]
3-网络结构定义方法2.mp4.mp4[55.60M]
4-数据源定义简介2.mp4.mp4[38.98M]
5-损失与训练模块分析2.mp4.mp4[42.31M]
6-训练一个基本的分类模型2.mp4.mp4[54.59M]
7-参数对结果的影响2.mp4.mp4[51.65M]
3_神经网络回归任务-气温预测[198.56M]
神经网络回归任务-气温预测1.mp4.mp4[198.56M]
4_卷积网络参数解读分析[129.09M]
1-输入特征通道分析2.mp4.mp4[42.48M]
2-卷积网络参数解读2.mp4.mp4[31.46M]
3-卷积网络模型训练2.mp4.mp4[55.14M]
5_图像识别模型与训练策略（重点）[553.46M]
10-测试结果演示分析1.mp4.mp4[110.98M]
1-任务分析与图像数据基本处理2.mp4.mp4[41.62M]
2-数据增强模块2.mp4.mp4[40.50M]
3-数据集与模型选择1.mp4.mp4[45.32M]
4-迁移学习方法解读1.mp4.mp4[44.66M]
5-输出层与梯度设置1.mp4.mp4[61.42M]
6-输出类别个数修改1.mp4.mp4[49.06M]
7-优化器与学习率衰减1.mp4.mp4[52.48M]
8-模型训练方法1.mp4.mp4[52.60M]
9-重新训练全部模型1.mp4.mp4[54.81M]
6_DataLoader自定义数据集制作[212.96M]
1-Dataloader要完成的任务分析1.mp4.mp4[39.20M]
2-图像数据与标签路径处理1.mp4.mp4[48.98M]
3-Dataloader中需要实现的方法分析1.mp4.mp4[46.95M]
4-实用Dataloader加载数据并训练模型1.mp4.mp4[77.82M]
7_LSTM文本分类实战[371.56M]
1-数据集与任务目标分析1.mp4.mp4[52.81M]
2-文本数据处理基本流程分析1.mp4.mp4[55.97M]
3-命令行参数与DEBUG1.mp4.mp4[36.52M]
4-训练模型所需基本配置参数分析1.mp4.mp4[40.92M]
5-预料表与字符切分1.mp4.mp4[31.98M]
6-字符预处理转换ID1.mp4.mp4[34.37M]
7-LSTM网络结构基本定义1.mp4.mp4[34.73M]
8-网络模型预测结果输出1.mp4.mp4[39.11M]
9-模型训练任务与总结1.mp4.mp4[45.16M]
8_PyTorch框架Flask部署例子[108.20M]
1-基本结构与训练好的模型加载.mp4.mp4[21.02M]
2-服务端处理与预测函数.mp4.mp4[40.92M]
3-基于Flask测试模型预测结果.mp4.mp4[46.26M]
4_MMLAB实战系列[5.91G]
1_MMCV安装方法[55.75M]
MMCV安装方法.mp4[55.75M]
10_第四模块：DBNET文字检测[229.84M]
1-文字检测数据概述与配置文件.mp4.mp4[56.60M]
2-配置文件参数设置.mp4.mp4[38.74M]
3-Neck层特征组合.mp4.mp4[32.04M]
4-损失函数模块概述.mp4.mp4[43.11M]
5-损失计算方法.mp4.mp4[59.35M]
11_第四模块：ANINET文字识别[380.24M]
1-数据集与环境概述.mp4.mp4[55.58M]
2-配置文件修改方法.mp4.mp4[52.49M]
3-Bakbone模块得到特征.mp4.mp4[42.10M]
4-视觉Transformer模块的作用.mp4.mp4[45.97M]
5-视觉模型中的编码与解码的效果.mp4.mp4[54.49M]
6-文本模型中的结构分析.mp4.mp4[38.66M]
7-迭代修正模块.mp4.mp4[38.14M]
8-输出层与损失计算.mp4.mp4[52.81M]
12_第四模块：KIE基于图模型的关键信息抽取[418.00M]
1-配置文件以及要完成的任务解读.mp4.mp4[51.55M]
2-KIE数据集格式调整方法.mp4.mp4[69.46M]
3-配置文件与标签要进行处理操作.mp4.mp4[47.83M]
4-边框要计算的特征分析.mp4.mp4[35.57M]
5-标签数据处理与关系特征提取.mp4.mp4[56.48M]
6-特征合并处理.mp4.mp4[43.74M]
7-准备拼接边与点特征.mp4.mp4[41.38M]
8-整合得到图模型输入特征.mp4.mp4[71.98M]
12_第五模块：stylegan2源码解读[286.06M]
1-要完成的任务与基本思想概述.mp4.mp4[57.79M]
2-得到style特征编码.mp4.mp4[69.51M]
3-特征编码风格拼接.mp4.mp4[36.76M]
4-基础风格特征卷积模块.mp4.mp4[54.69M]
5-上采样得到输出结果.mp4.mp4[40.75M]
6-损失函数概述.mp4.mp4[26.56M]
13_第六模块：BasicVSR++视频超分辨重构源码解读[442.21M]
10-传播流程整体完成一圈.mp4[61.55M]
11-完成输出结果.mp4.mp4[51.56M]
1-要完成的任务分析与配置文件.mp4.mp4[27.36M]
2-特征基础提取模块.mp4[44.58M]
3-光流估计网络模块.mp4[25.67M]
4-基于光流完成对齐操作.mp4[40.23M]
5-偏移量计算方法1.mp4.mp4[32.48M]
6-双向计算特征对齐.mp4[36.97M]
7-提特征传递流程分析.mp4[37.23M]
8-序列传播计算.mp4[39.88M]
9-准备变形卷积模块的输入.mp4.mp4[44.71M]
14_第七模块：多模态3D目标检测算法源码解读[672.25M]
10-3D卷积特征融合.mp4[56.76M]
11-输出层预测结果.mp4[80.80M]
1-环境配置与数据集概述.mp4[51.52M]
2-数据与标注文件介绍.mp4[37.49M]
3-基本流程梳理并进入debug模式.mp4[50.33M]
4-数据与图像特征提取模块.mp4[58.02M]
5-体素索引位置获取.mp4.mp4[64.72M]
6-体素特征提取方法解读.mp4[37.57M]
7-体素特征计算方法分析.mp4[70.71M]
8-全局体素特征提取.mp4[95.96M]
9-多模态特征融合.mp4[68.36M]
15_第八模块：模型蒸馏应用实例[368.79M]
1-任务概述与工具使用.mp4[39.64M]
2-Teacher与Student网络结构定义.mp4[46.25M]
3-训练T与S得到蒸馏模型.mp4[70.63M]
4-开始模型训练过程与问题修正.mp4[57.26M]
5-日志输出与模型分离.mp4[70.25M]
6-分别得到Teacher与Student模型.mp4[45.74M]
7-实际测试效果演示.mp4[39.02M]
16_第八模块：模型剪枝方法概述分析[87.41M]
1-SuperNet网络结构分析与剪枝概述.mp4[40.58M]
2-搜索匹配到符合计算量的模型并训练.mp4[46.83M]
17_第九模块：mmaction行为识别[232.73M]
创建自己的行为识别标注数据集.mp4[232.73M]
18_额外补充[122.48M]
在源码中加入各种注意力机制方法.mp4[122.48M]
2_第一模块：分类任务基本操作[266.46M]
1-准备MMCLS项目.mp4[32.26M]
2-基本参数配置解读.mp4[34.52M]
3-各模块配置文件组成.mp4[35.81M]
4-生成完整配置文件.mp4[24.45M]
5-根据文件夹定义数据集.mp4[40.27M]
6-构建自己的数据集.mp4[36.33M]
7-训练自己的任务.mp4[39.32M]
MMCLS问题修正1.mp4[23.50M]
3_第一模块：训练结果测试与验证[494.59M]
1-测试DEMO效果.mp4[25.49M]
2-测试评估模型效果.mp4[27.58M]
3-MMCLS中增加一个新的模块.mp4[62.61M]
4-修改配置文件中的参数.mp4[67.72M]
5-数据增强流程可视化展示.mp4[37.40M]
6-Grad-Cam可视化方法.mp4[41.17M]
7-可视化细节与效果分析.mp4[124.19M]
8-MMCLS可视化模块应用.mp4[72.07M]
9-模型分析脚本使用.mp4[36.37M]
4_第一模块：模型源码DEBUG演示[187.75M]
1-VIT任务概述.mp4[29.96M]
2-数据增强模块概述分析.mp4[49.58M]
3-PatchEmbedding层.mp4[25.30M]
4-前向传播基本模块.mp4[38.87M]
5-CLS与输出模块.mp4[44.04M]
5_第二模块：使用分割模块训练自己的数据集[278.96M]
1-项目配置基本介绍.mp4[74.23M]
2-数据集标注与制作方法.mp4[56.84M]
3-跟别预测类别数修改配置文件.mp4[39.48M]
4-加载预训练模型开始训练.mp4[86.52M]
5-预测DEMO演示.mp4[21.88M]
6_第二模块：基于Unet进行各种策略修改[232.64M]
1-配置文件解读.mp4[32.12M]
2-编码层模块.mp4[32.47M]
3-上采样与输出层.mp4[28.25M]
4-辅助层的作用.mp4[19.83M]
5-给Unet添加一个neck层.mp4[30.37M]
6-如何修改参数适配网络结构.mp4[21.73M]
7-将Unet特征提取模块替换成transformer.mp4[22.41M]
8-VIT模块源码分析.mp4[45.48M]
7_第二模块：分割任务CVPR最新Backbone设计及其应用[501.96M]
10-汇总多层级特征进行输出.mp4.mp4[43.35M]
1-注册自己的Backbone模块.mp4.mp4[34.30M]
2-配置文件指定.mp4.mp4[35.84M]
3-DEBUG解读Backbone设计.mp4.mp4[40.45M]
4-PatchEmbedding的作用与实现.mp4.mp4[44.88M]
5-卷积位置编码计算方法.mp4.mp4[53.89M]
6-近似Attention模块实现.mp4.mp4[79.49M]
7-完成特征提取与融合模块.mp4.mp4[55.69M]
8-分割任务输出模块.mp4.mp4[57.72M]
9-全局特征的作用与实现.mp4.mp4[56.34M]
8_第三模块：mmdet训练自己的数据任务[326.60M]
1-数据集标注与标签获取.mp4.mp4[31.35M]
2-COCO数据标注格式.mp4.mp4[28.16M]
3-通过脚本生成COCO数据格式.mp4.mp4[38.55M]
4-配置文件数据增强策略分析.mp4.mp4[45.59M]
5-训练所需配置说明.mp4.mp4[56.00M]
6-模型训练与DEMO演示.mp4.mp4[35.27M]
7-模型测试与可视化分析模块.mp4.mp4[77.61M]
8-补充：评估指标.mp4.mp4[14.06M]
9_第三模块：DeformableDetr物体检测源码分析[466.41M]
10-分类与回归输出模块.mp4[49.72M]
11-预测输出结果与标签匹配模块.mp4[44.31M]
1-特征提取与位置编码.mp4[38.16M]
2-序列特征展开并叠加.mp4[51.07M]
3-得到相对位置点编码.mp4[28.80M]
4-准备Encoder编码层所需全部输入.mp4[37.91M]
5-编码层中的序列分析.mp4[39.73M]
6-偏移量offset计算.mp4[46.09M]
7-偏移量对齐操作.mp4[39.80M]
8-Encoder层完成特征对齐.mp4[51.84M]
9-Decoder要完成的操作.mp4[38.98M]
5_Opencv图像处理框架实战[3.40G]
1_课程简介与环境配置[123.05M]
0-课程简介2.mp4.mp4[5.37M]
2-Notebook与IDE环境.mp4.mp4[84.39M]
2-Python与Opencv配置安装.mp4.mp4[33.28M]
10_项目实战-文档扫描OCR识别[178.50M]
1-整体流程演示.mp4.mp4[21.50M]
2-文档轮廓提取.mp4.mp4[27.81M]
3-原始与变换坐标计算.mp4.mp4[26.24M]
4-透视变换结果.mp4.mp4[32.87M]
5-tesseract-ocr安装配置.mp4.mp4[41.23M]
6-文档扫描识别效果.mp4.mp4[28.86M]
11_图像特征-harris[152.16M]
1-角点检测基本原理.mp4.mp4[15.53M]
2-基本数学原理.mp4.mp4[30.58M]
3-求解化简.mp4.mp4[31.79M]
4-特征归属划分.mp4.mp4[43.23M]
5-opencv角点检测效果.mp4.mp4[31.04M]
12_图像特征-sift[187.06M]
1-尺度空间定义.mp4.mp4[20.04M]
2-高斯差分金字塔.mp4.mp4[21.68M]
3-特征关键点定位.mp4.mp4[48.15M]
4-生成特征描述.mp4.mp4[24.66M]
5-特征向量生成.mp4.mp4[43.73M]
6-opencv中sift函数使用.mp4.mp4[28.80M]
13_案例实战-全景图像拼接[129.68M]
1-特征匹配方法.mp4.mp4[28.56M]
2-RANSAC算法.mp4.mp4[34.50M]
2-图像拼接方法.mp4.mp4[44.96M]
4-流程解读.mp4.mp4[21.65M]
14_项目实战-停车场车位识别[512.69M]
1-任务整体流程.mp4.mp4[71.40M]
2-所需数据介绍.mp4.mp4[34.31M]
3-图像数据预处理.mp4.mp4[56.75M]
4-车位直线检测.mp4.mp4[61.44M]
5-按列划分区域.mp4.mp4[54.67M]
6-车位区域划分.mp4.mp4[57.33M]
7-识别模型构建.mp4.mp4[41.19M]
8-基于视频的车位检测.mp4.mp4[135.61M]
15_项目实战-答题卡识别判卷[136.35M]
1-整体流程与效果概述.mp4.mp4[29.49M]
2-预处理操作.mp4.mp4[24.08M]
3-填涂轮廓检测.mp4.mp4[25.66M]
4-选项判断识别.mp4.mp4[57.12M]
16_背景建模[130.10M]
1-背景消除-帧差法.mp4.mp4[20.79M]
2-混合高斯模型.mp4.mp4[26.39M]
3-学习步骤.mp4.mp4[31.75M]
4-背景建模实战.mp4.mp4[51.17M]
17_光流估计[130.04M]
1-基本概念.mp4.mp4[20.20M]
2-Lucas-Kanade算法.mp4.mp4[19.67M]
3-推导求解.mp4.mp4[25.94M]
4-光流估计实战.mp4.mp4[64.22M]
18_Opencv的DNN模块[69.09M]
1-dnn模块.mp4.mp4[28.59M]
2-模型加载结果输出.mp4.mp4[40.50M]
19_项目实战-目标追踪[304.87M]
1-目标追踪概述.mp4.mp4[49.75M]
2-多目标追踪实战.mp4.mp4[34.62M]
3-深度学习检测框架加载.mp4.mp4[43.62M]
4-基于dlib与ssd的追踪.mp4.mp4[73.02M]
5-多进程目标追踪.mp4.mp4[25.72M]
6-多进程效率提升对比.mp4.mp4[78.13M]
2_图像基本操作[154.72M]
1-计算机眼中的图像.mp4.mp4[30.88M]
2-视频的读取与处理.mp4.mp4[46.97M]
3-ROI区域.mp4.mp4[15.37M]
4-边界填充.mp4.mp4[21.46M]
5-数值计算.mp4.mp4[40.04M]
20_卷积原理与操作[211.74M]
1-卷积神经网络的应用.mp4.mp4[36.18M]
1-卷积效果演示.mp4.mp4[24.58M]
2-卷积操作流程.mp4.mp4[41.15M]
2-卷积层解释.mp4.mp4[22.31M]
3-卷积计算过程.mp4.mp4[27.61M]
4-pading与stride.mp4.mp4[26.12M]
5-卷积参数共享.mp4.mp4[17.69M]
6-池化层原理.mp4.mp4[16.09M]
21_项目实战-疲劳检测[221.63M]
1-关键点定位概述.mp4.mp4[28.45M]
2-获取人脸关键点.mp4.mp4[36.07M]
3-定位效果演示.mp4.mp4[45.43M]
4-闭眼检测.mp4.mp4[71.07M]
5-检测效果.mp4.mp4[40.60M]
3_阈值与平滑处理[76.02M]
1-图像平滑处理.mp4.mp4[24.69M]
2-高斯与中值滤波.mp4.mp4[20.55M]
图像阈值.mp4.mp4[30.78M]
4_图像形态学操作[66.29M]
1-腐蚀操作.mp4.mp4[20.99M]
2-膨胀操作.mp4.mp4[12.25M]
3-开运算与闭运算.mp4.mp4[9.32M]
4-梯度计算.mp4.mp4[7.85M]
5-礼帽与黑帽.mp4.mp4[15.88M]
5_图像梯度计算[84.69M]
1-Sobel算子.mp4.mp4[27.00M]
2-梯度计算方法.mp4.mp4[30.29M]
3-scharr与lapkacian算子.mp4.mp4[27.39M]
6_边缘检测[73.92M]
1-Canny边缘检测流程.mp4.mp4[18.97M]
2-非极大值抑制.mp4.mp4[18.32M]
3-边缘检测效果.mp4.mp4[36.63M]
7_图像金字塔与轮廓检测[204.83M]
1-轮廓检测方法.mp4.mp4[19.31M]
1-模板匹配方法.mp4.mp4[47.35M]
1-图像金字塔定义.mp4.mp4[19.68M]
2-金字塔制作方法.mp4.mp4[25.47M]
2-轮廓检测结果.mp4.mp4[34.37M]
2-匹配效果展示.mp4.mp4[21.14M]
3-轮廓特征与近似.mp4.mp4[37.51M]
8_直方图与傅里叶变换[174.59M]
1-傅里叶概述.mp4.mp4[38.79M]
1-直方图定义.mp4.mp4[23.64M]
2-均衡化原理.mp4.mp4[31.35M]
2-频域变换结果.mp4.mp4[26.26M]
3-低通与高通滤波.mp4.mp4[27.34M]
3-均衡化效果.mp4.mp4[27.21M]
9_项目实战-信用卡数字识别[155.79M]
2-环境配置与预处理.mp4.mp4[34.85M]
3-模板处理方法.mp4.mp4[23.69M]
4-输入数据处理方法.mp4.mp4[28.88M]
5-模板匹配得出识别结果.mp4.mp4[47.72M]
总体流程与方法讲解.mp4.mp4[20.65M]
6_综合项目-物体检测经典算法实战[3.85G]
1_深度学习经典检测方法概述[83.42M]
1-检测任务中阶段的意义.mp4.mp4[15.14M]
2-不同阶段算法优缺点分析.mp4.mp4[10.68M]
3-IOU指标计算.mp4.mp4[11.74M]
4-评估所需参数计算.mp4.mp4[26.23M]
5-map指标计算.mp4.mp4[19.63M]
10_EfficientNet网络[538.47M]
第八课：EfficientNet网络模型.mp4.mp4[538.47M]
11_EfficientDet检测算法[448.01M]
第十一章：EfficientDet检测算法.mp4.mp4[448.01M]
12_基于Transformer的detr目标检测算法[120.21M]
1-DETR目标检测基本思想解读.mp4.mp4[19.35M]
2-整体网络架构分析.mp4.mp4[31.64M]
3-位置信息初始化query向量.mp4.mp4[19.97M]
4-注意力机制的作用方法.mp4.mp4[20.85M]
5-训练过程的策略.mp4.mp4[28.41M]
13_detr目标检测源码解读[378.31M]
1-项目环境配置解读.mp4.mp4[40.42M]
2-数据处理与dataloader.mp4.mp4[64.11M]
3-位置编码作用分析.mp4.mp4[47.95M]
4-backbone特征提取模块.mp4.mp4[35.62M]
5-mask与编码模块.mp4.mp4[34.75M]
6-编码层作用方法.mp4.mp4[42.86M]
7-Decoder层操作与计算.mp4.mp4[30.15M]
8-输出预测结果.mp4.mp4[41.28M]
9-损失函数与预测输出.mp4.mp4[41.18M]
2_YOLO-V1整体思想与网络架构[104.81M]
2-检测算法要得到的结果.mp4.mp4[13.63M]
3-整体网络架构解读.mp4.mp4[30.67M]
4-位置损失计算.mp4.mp4[18.97M]
5-置信度误差与优缺点分析.mp4.mp4[26.86M]
YOLO算法整体思路解读.mp4.mp4[14.68M]
3_YOLO-V2改进细节详解[157.17M]
2-网络结构特点.mp4.mp4[15.69M]
3-架构细节解读.mp4.mp4[18.92M]
4-基于聚类来选择先验框尺寸.mp4.mp4[24.24M]
5-偏移量计算方法.mp4.mp4[27.55M]
6-坐标映射与还原.mp4.mp4[10.08M]
7-感受野的作用.mp4.mp4[28.11M]
8-特征融合改进.mp4.mp4[19.20M]
V2版本细节升级概述.mp4.mp4[13.38M]
4_YOLO-V3核心网络模型[101.39M]
1-V3版本改进概述.mp4.mp4[18.27M]
2-多scale方法改进与特征融合.mp4.mp4[17.07M]
3-经典变换方法对比分析.mp4.mp4[10.83M]
4-残差连接方法解读.mp4.mp4[18.64M]
5-整体网络模型架构分析.mp4.mp4[12.93M]
6-先验框设计改进.mp4.mp4[13.04M]
7-sotfmax层改进.mp4.mp4[10.61M]
5_项目实战-基于V3版本进行源码解读[630.33M]
10-网格偏移计算.mp4.mp4[33.92M]
11-模型要计算的损失概述.mp4.mp4[23.14M]
12-标签值格式修改.mp4.mp4[28.27M]
13-坐标相对位置计算.mp4.mp4[32.80M]
14-完成所有损失函数所需计算指标.mp4.mp4[35.32M]
15-模型训练与总结.mp4.mp4[72.91M]
16-预测效果展示.mp4.mp4[34.51M]
1-数据与环境配置.mp4.mp4[65.52M]
2-训练参数设置.mp4.mp4[23.85M]
3-数据与标签读取.mp4.mp4[42.51M]
4-标签文件读取与处理.mp4.mp4[27.48M]
5-debug模式介绍.mp4.mp4[27.25M]
6-基于配置文件构建网络模型.mp4.mp4[42.04M]
7-路由层与shortcut层的作用.mp4.mp4[33.72M]
8-YOLO层定义解析.mp4.mp4[61.09M]
9-预测结果计算.mp4.mp4[46.00M]
6_基于YOLO-V3训练自己的数据集与任务[258.67M]
1-Labelme工具安装.mp4.mp4[14.29M]
2-数据信息标注.mp4.mp4[32.09M]
3-完成标签制作.mp4.mp4[31.74M]
4-生成模型所需配置文件.mp4.mp4[36.71M]
5-json格式转换成yolo-v3所需输入.mp4.mp4[20.95M]
6-完成输入数据准备工作.mp4.mp4[40.10M]
7-训练代码与参数配置更改.mp4.mp4[44.29M]
8-训练模型并测试效果.mp4.mp4[38.49M]
7_YOLO-V4版本算法解读[188.03M]
10-PAN模块解读.mp4.mp4[20.64M]
11-激活函数与整体架构总结.mp4.mp4[19.19M]
1-V4版本整体概述.mp4.mp4[15.06M]
2-V4版本贡献解读.mp4.mp4[10.06M]
3-数据增强策略分析.mp4.mp4[24.70M]
4-DropBlock与标签平滑方法.mp4.mp4[19.36M]
5-损失函数遇到的问题.mp4.mp4[14.26M]
6-CIOU损失函数定义.mp4.mp4[10.82M]
7-NMS细节改进.mp4.mp4[16.66M]
8-SPP与CSP网络结构.mp4.mp4[14.81M]
9-SAM注意力机制模块.mp4.mp4[22.48M]
8_V5版本项目配置[179.04M]
1-整体项目概述.mp4.mp4[35.77M]
2-训练自己的数据集方法.mp4.mp4[41.32M]
3-训练数据参数配置.mp4.mp4[51.48M]
4-测试DEMO演示.mp4.mp4[50.47M]
9_V5项目工程源码解读[751.76M]
10-完成配置文件解析任务.mp4.mp4[58.80M]
11-前向传播计算.mp4.mp4[30.80M]
12-BottleneckCSP层计算方法.mp4.mp4[33.82M]
13-1SPP层计算细节分析.mp4.mp4[29.17M]
13-Head层流程解读.mp4.mp4[29.12M]
14-上采样与拼接操作.mp4.mp4[21.48M]
15-输出结果分析.mp4.mp4[41.71M]
16-超参数解读.mp4.mp4[34.94M]
17-命令行参数介绍.mp4.mp4[44.26M]
18-训练流程解读.mp4.mp4[46.81M]
19-各种训练策略概述.mp4.mp4[38.43M]
1-数据源DEBUG流程解读.mp4.mp4[48.13M]
20-模型迭代过程.mp4.mp4[38.42M]
2-图像数据源配置.mp4.mp4[34.65M]
3-加载标签数据.mp4.mp4[26.33M]
4-Mosaic数据增强方法.mp4.mp4[28.19M]
5-数据四合一方法与流程演示.mp4.mp4[41.69M]
6-getItem构建batch.mp4.mp4[33.03M]
7-网络架构图可视化工具安装.mp4.mp4[34.33M]
8-V5网络配置文件解读.mp4.mp4[35.74M]
9-Focus模块流程分析.mp4.mp4[21.93M]
7_图像分割实战[2.28G]
1_图像分割及其损失函数概述[49.27M]
1-语义分割与实例分割概述.mp4.mp4[20.24M]
2-分割任务中的目标函数定义.mp4.mp4[20.00M]
3-MIOU评估标准.mp4.mp4[9.03M]
10_MaskRcnn网络框架源码详解[380.35M]
10-RoiPooling层的作用与目的.mp4.mp4[33.45M]
11-RorAlign操作的效果.mp4.mp4[25.70M]
12-整体框架回顾.mp4.mp4[28.86M]
1-FPN层特征提取原理解读.mp4.mp4[42.31M]
2-FPN网络架构实现解读.mp4.mp4[55.77M]
3-生成框比例设置.mp4.mp4[28.25M]
4-基于不同尺度特征图生成所有框.mp4.mp4[32.93M]
5-RPN层的作用与实现解读.mp4.mp4[30.90M]
6-候选框过滤方法.mp4.mp4[15.59M]
7-Proposal层实现方法.mp4.mp4[33.31M]
8-DetectionTarget层的作用.mp4.mp4[25.70M]
9-正负样本选择与标签定义.mp4.mp4[27.59M]
11_基于MASK-RCNN框架训练自己的数据与任务[209.07M]
1-Labelme工具安装.mp4.mp4[14.29M]
2-使用labelme进行数据与标签标注.mp4.mp4[26.29M]
3-完成训练数据准备工作.mp4.mp4[26.61M]
4-maskrcnn源码修改方法.mp4.mp4[63.56M]
5-基于标注数据训练所需任务.mp4.mp4[39.72M]
6-测试与展示模块.mp4.mp4[38.60M]
2_卷积神经网络原理与参数解读[224.97M]
10-VGG网络架构.mp4.mp4[19.34M]
11-残差网络Resnet.mp4.mp4[18.02M]
12-感受野的作用.mp4.mp4[16.86M]
1-卷积神经网络应用领域.mp4.mp4[21.20M]
2-卷积的作用.mp4.mp4[22.67M]
3-卷积特征值计算方法.mp4.mp4[21.23M]
4-得到特征图表示.mp4.mp4[18.23M]
5-步长与卷积核大小对结果的影响.mp4.mp4[19.86M]
6-边缘填充方法.mp4.mp4[17.28M]
7-特征图尺寸计算与参数共享.mp4.mp4[21.99M]
8-池化层的作用.mp4.mp4[11.31M]
9-1整体网络架构.mp4.mp4[16.98M]
3_Unet系列算法讲解[68.54M]
1-Unet网络编码与解码过程.mp4.mp4[18.29M]
2-网络计算流程.mp4.mp4[16.13M]
3-Unet升级版本改进.mp4.mp4[15.75M]
4-后续升级版本介绍.mp4.mp4[18.37M]
4_unet医学细胞分割实战[284.93M]
1-医学细胞数据集介绍与参数配置.mp4.mp4[71.21M]
2-数据增强工具.mp4.mp4[61.47M]
3-Debug模式演示网络计算流程.mp4.mp4[41.37M]
4-特征融合方法演示.mp4.mp4[30.05M]
5-迭代完成整个模型计算任务.mp4.mp4[33.55M]
6-模型效果验证.mp4.mp4[47.29M]
5_U2NET显著性检测实战[218.53M]
1-任务目标与网络整体介绍.mp4.mp4[58.66M]
2-显著性检测任务与目标概述.mp4.mp4[53.96M]
3-编码器模块解读.mp4.mp4[43.66M]
4-解码器输出结果.mp4.mp4[27.90M]
5-损失函数与应用效果.mp4.mp4[34.34M]
6_deeplab系列算法[106.47M]
1-deeplab分割算法概述.mp4.mp4[13.81M]
2-空洞卷积的作用.mp4.mp4[16.74M]
3-感受野的意义.mp4.mp4[19.37M]
4-SPP层的作用.mp4.mp4[19.02M]
5-ASPP特征融合策略.mp4.mp4[13.45M]
6-deeplabV3Plus版本网络架构.mp4.mp4[24.08M]
7_基于deeplabV3+版本进行VOC分割实战[249.69M]
1-PascalVoc数据集介绍.mp4.mp4[70.12M]
2-项目参数与数据集读取.mp4.mp4[60.32M]
3-网络前向传播流程.mp4.mp4[33.10M]
4-ASPP层特征融合.mp4.mp4[51.19M]
5-分割模型训练.mp4.mp4[34.97M]
8_医学心脏视频数据集分割建模实战[315.86M]
1-数据集与任务概述.mp4.mp4[45.55M]
2-项目基本配置参数.mp4.mp4[33.31M]
3-任务流程解读.mp4.mp4[69.12M]
4-文献报告分析.mp4.mp4[122.67M]
5-补充：视频数据源特征处理方法概述.mp4.mp4[26.33M]
6-补充：R(2plus1)D处理方法分析.mp4.mp4[18.88M]
9_物体检测框架-MaskRcnn项目介绍与配置[228.51M]
0-Mask-Rcnn开源项目简介.mp4.mp4[88.18M]
0-参数配置.mp4.mp4[97.85M]
0-开源项目数据集.mp4.mp4[42.48M]
8_行为识别实战[2.07G]
1_slowfast算法知识点通俗解读[172.69M]
1-slowfast核心思想解读.mp4.mp4[74.86M]
2-核心网络结构模块分析.mp4.mp4[20.98M]
3-数据采样曾的作用.mp4.mp4[18.26M]
4-模型网络结构设计.mp4.mp4[19.30M]
5-特征融合模块与总结分析.mp4.mp4[39.30M]
2_slowfast项目环境配置与配置文件[368.46M]
1-环境基本配置解读.mp4.mp4[45.35M]
2-目录各文件分析.mp4.mp4[36.84M]
3-配置文件作用解读.mp4.mp4[50.90M]
4-测试DEMO演示1.mp4.mp4[66.77M]
5-训练所需标签文件说明.mp4.mp4[48.77M]
6-训练所需视频数据准备.mp4.mp4[47.39M]
7-视频数据集切分操作.mp4.mp4[39.66M]
8-完成视频分帧操作.mp4.mp4[32.77M]
3_slowfast源码详细解读[564.02M]
10-RoiAlign与输出层1.mp4.mp4[78.92M]
1-模型所需配置文件参数读取1.mp4.mp4[33.24M]
2-数据处理概述1.mp4.mp4[49.72M]
3-dataloader数据遍历方法1.mp4.mp4[56.85M]
4-数据与标签读取实例1.mp4.mp4[52.22M]
5-图像数据所需预处理方法1.mp4.mp4[66.76M]
6-slow与fast分别执行采样操作1.mp4.mp4[66.34M]
7-分别计算特征图输出结果1.mp4.mp4[56.64M]
8-slow与fast特征图拼接操作1.mp4.mp4[49.69M]
9-resnetBolock操作1.mp4.mp4[53.62M]
4_基于3D卷积的视频分析与动作识别[283.39M]
1-3D卷积原理解读.mp4.mp4[20.62M]
2-UCF101动作识别数据集简介.mp4.mp4[51.69M]
3-测试效果与项目配置.mp4.mp4[55.60M]
4-视频数据预处理方法.mp4.mp4[32.25M]
5-数据Batch制作方法.mp4.mp4[46.66M]
6-3D卷积网络所涉及模块.mp4.mp4[37.76M]
7-训练网络模型.mp4.mp4[38.81M]
5_视频异常检测算法与元学习[159.63M]
1-异常检测要解决的问题与数据集介绍.mp4.mp4[21.49M]
2-基本思想与流程分析.mp4.mp4[24.27M]
3-预测与常见问题.mp4.mp4[26.58M]
4-Meta-Learn要解决的问题.mp4.mp4[20.78M]
5-学习能力与参数定义.mp4.mp4[14.17M]
6-如何找到合适的初始化参数.mp4.mp4[23.36M]
7-MAML算法流程解读.mp4.mp4[28.99M]
6_视频异常检测CVPR2021论文及其源码解读[285.62M]
1-论文概述与环境配置.mp4.mp4[26.61M]
2-数据集配置与读取.mp4.mp4[38.74M]
3-模型编码与解码结构.mp4.mp4[33.37M]
4-注意力机制模块打造.mp4.mp4[61.12M]
5-损失函数的目的.mp4.mp4[57.97M]
6-特征图生成.mp4.mp4[38.02M]
7-MetaLearn与输出.mp4.mp4[29.79M]
7_基础补充-Resnet模型及其应用实例[285.93M]
1-医学疾病数据集介绍.mp4.mp4[18.85M]
2-Resnet网络架构原理分析.mp4.mp4[24.81M]
3-dataloader加载数据集.mp4.mp4[64.78M]
4-Resnet网络前向传播.mp4.mp4[35.82M]
5-残差网络的shortcut操作.mp4.mp4[47.34M]
6-特征图升维与降采样操作.mp4.mp4[26.89M]
7-网络整体流程与训练演示.mp4.mp4[67.45M]
9_2022论文必备-Transformer实战系列[3.46G]
1_课程介绍[14.82M]
课程介绍1.mp4.mp4[14.82M]
10_MedicalTransformer源码解读[265.46M]
1-项目环境配置1.mp4.mp4[25.29M]
2-医学数据介绍与分析1.mp4.mp4[56.68M]
3-基本处理操作1.mp4.mp4[25.77M]
4-AxialAttention实现过程1.mp4.mp4[36.87M]
5-位置编码向量解读1.mp4.mp4[27.80M]
6-注意力计算过程与方法1.mp4.mp4[52.13M]
7-局部特征提取与计算1.mp4.mp4[40.92M]
11_商汤LoFTR算法解读[291.90M]
10-总结分析.mp4.mp4[39.42M]
1-特征匹配的应用场景.mp4.mp4[87.35M]
2-特征匹配的基本流程分析.mp4.mp4[15.91M]
3-整体流程梳理分析.mp4.mp4[16.46M]
4-CrossAttention的作用与效果.mp4.mp4[15.69M]
5-transformer构建匹配特征.mp4.mp4[33.79M]
6-粗粒度匹配过程与作用.mp4.mp4[26.00M]
7-特征图拆解操作.mp4.mp4[14.34M]
8-细粒度匹配的作用与方法.mp4.mp4[19.87M]
9-基于期望预测最终位置.mp4.mp4[23.08M]
12_局部特征关键点匹配实战[417.70M]
10-得到精细化输出结果1.mp4.mp4[19.35M]
11-通过期望计算最终输出1.mp4.mp4[40.24M]
1-项目与参数配置解读1.mp4.mp4[44.48M]
2-DEMO效果演示1.mp4.mp4[39.57M]
3-backbone特征提取模块1.mp4.mp4[28.65M]
4-注意力机制的作用与效果分析1.mp4.mp4[30.98M]
5-特征融合模块实现方法1.mp4.mp4[29.29M]
6-cross关系计算方法实例1.mp4.mp4[29.30M]
7-粗粒度匹配过程1.mp4.mp4[49.80M]
8-完成基础匹配模块1.mp4.mp4[63.33M]
9-精细化调整方法与实例1.mp4.mp4[42.73M]
13_项目补充-谷歌开源项目BERT源码解读与应用实例[573.01M]
10-构建QKV矩阵1.mp4.mp4[50.65M]
11-完成Transformer模块构建1.mp4.mp4[40.72M]
12-训练BERT模型1.mp4.mp4[54.58M]
1-BERT开源项目简介1.mp4.mp4[41.26M]
2-项目参数配置1.mp4.mp4[106.67M]
3-数据读取模块1.mp4.mp4[54.19M]
4-数据预处理模块1.mp4.mp4[40.01M]
6-Embedding层的作用1.mp4.mp4[30.91M]
7-加入额外编码特征1.mp4.mp4[42.36M]
8-加入位置编码特征1.mp4.mp4[23.57M]
9-mask机制1.mp4.mp4[36.69M]
tfrecord制作1.mp4.mp4[51.39M]
14_项目补充-基于BERT的中文情感分析实战[208.68M]
1-中文分类数据与任务概述1.mp4.mp4[83.47M]
2-读取处理自己的数据集1.mp4.mp4[53.00M]
3-训练BERT中文分类模型1.mp4.mp4[72.20M]
2_自然语言处理通用框架BERT原理解读[196.68M]
10-训练实例.mp4.mp4[24.09M]
1-BERT任务目标概述.mp4.mp4[11.47M]
2-传统解决方案遇到的问题1.mp4.mp4[22.59M]
3-注意力机制的作用1.mp4.mp4[14.72M]
4-self-attention计算方法1.mp4.mp4[23.69M]
5-特征分配与softmax机制1.mp4.mp4[21.24M]
6-Multi-head的作用1.mp4.mp4[19.29M]
7-位置编码与多层堆叠1.mp4.mp4[16.77M]
8-transformer整体架构梳理.mp4.mp4[22.24M]
9-BERT模型训练方法.mp4.mp4[20.59M]
3_Transformer在视觉中的应用VIT算法[161.53M]
1-transformer发家史介绍1.mp4.mp4[15.84M]
2-对图像数据构建patch序列1.mp4.mp4[22.18M]
3-VIT整体架构解读1.mp4.mp4[24.32M]
4-CNN遇到的问题与窘境1.mp4.mp4[22.34M]
5-计算公式解读1.mp4.mp4[24.11M]
6-位置编码与TNT模型1.mp4.mp4[25.20M]
7-TNT模型细节分析1.mp4.mp4[27.54M]
4_VIT算法模型源码解读[138.83M]
1-项目配置说明1.mp4.mp4[43.27M]
2-输入序列构建方法解读1.mp4.mp4[29.80M]
3-注意力机制计算1.mp4.mp4[28.04M]
4-输出层计算结果1.mp4.mp4[37.72M]
5_swintransformer算法原理解析[212.48M]
10-分层计算方法1.mp4.mp4[21.71M]
1-swintransformer整体概述1.mp4.mp4[14.76M]
2-要解决的问题及其优势分析1.mp4.mp4[22.33M]
3-一个block要完成的任务1.mp4.mp4[17.36M]
4-获取各窗口输入特征1.mp4.mp4[18.99M]
5-基于窗口的注意力机制解读1.mp4.mp4[29.53M]
6-窗口偏移操作的实现1.mp4.mp4[24.27M]
7-偏移细节分析及其计算量概述1.mp4.mp4[20.41M]
8-整体网络架构整合1.mp4.mp4[20.88M]
9-下采样操作实现方法1.mp4.mp4[22.24M]
6_swintransformer源码解读[287.33M]
1-数据与环境配置解读1.mp4.mp4[59.59M]
2-图像数据patch编码1.mp4.mp4[37.62M]
3-数据按window进行划分计算1.mp4.mp4[31.46M]
4-基础attention计算模块1.mp4.mp4[27.58M]
5-窗口位移模块细节分析1.mp4.mp4[36.81M]
6-patchmerge下采样操作1.mp4.mp4[25.24M]
7-各block计算方法解读1.mp4.mp4[27.91M]
8-输出层概述1.mp4.mp4[41.11M]
7_基于Transformer的detr目标检测算法[119.85M]
1-DETR目标检测基本思想解读1.mp4.mp4[19.27M]
2-整体网络架构分析1.mp4.mp4[31.54M]
3-位置信息初始化query向量1.mp4.mp4[19.90M]
4-注意力机制的作用方法1.mp4.mp4[20.79M]
5-训练过程的策略1.mp4.mp4[28.34M]
8_detr目标检测源码解读[377.63M]
1-项目环境配置解读2.mp4.mp4[40.33M]
2-数据处理与dataloader2.mp4.mp4[63.98M]
3-位置编码作用分析2.mp4.mp4[47.86M]
4-backbone特征提取模块1.mp4.mp4[35.54M]
5-mask与编码模块1.mp4.mp4[34.68M]
6-编码层作用方法1.mp4.mp4[42.78M]
7-Decoder层操作与计算1.mp4.mp4[30.08M]
8-输出预测结果1.mp4.mp4[41.20M]
9-损失函数与预测输出1.mp4.mp4[41.18M]
9_MedicalTrasnformer论文解读[272.44M]
1-论文整体分析.mp4.mp4[23.72M]
2-核心思想分析.mp4.mp4[54.26M]
3-网络结构计算流程概述.mp4.mp4[44.46M]
4-论文公式计算分析.mp4.mp4[46.93M]
5-位置编码的作用与效果.mp4.mp4[46.55M]
6-拓展应用分析.mp4.mp4[56.52M]
评论0