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
├── PART1
│ ├── 00 资料
│ │ ├── 1.第一章 直播回放
│ │ │ ├── 1-1 节开班典礼
│ │ │ │ └── 咕泡唐宇迪人工智能【第六期】学习路线图.pdf
│ │ │ ├── 1-10 节直播7：半监督物体检测
│ │ │ │ └── mmdetection-3.x.zip
│ │ │ ├── 1-11 节直播8：基于图模型的时间序列预测
│ │ │ │ ├── 2110.05357.pdf
│ │ │ │ ├── raindrop-AAAI22.pdf
│ │ │ │ └── Raindrop-main.rar
│ │ │ ├── 1-12 节直播9：图像定位与检索
│ │ │ │ ├── CosPlace-main.zip
│ │ │ │ └── small.zip
│ │ │ ├── 1-13 节直播10：近期内容补充
│ │ │ │ ├── Informer_huggingface.zip
│ │ │ │ └── YOLOV7.pdf
│ │ │ ├── 1-14 节直播11文本生成GPT系列
│ │ │ │ └── Cha
│ │ │ │ └── GPT系列.pdf
│ │ │ ├── 1-15 节直播12：异构图神经网络
│ │ │ │ ├── HeterogeneousGraph.zip
│ │ │ │ ├── 异构图.pdf
│ │ │ │ └── 异构图神经网络.pdf
│ │ │ ├── 1-16 节直播13：BEV特征空间
│ │ │ │ └── BEV.pdf
│ │ │ ├── 1-17 节补充：BevFormer源码解读
│ │ │ │ └── bevformer.zip
│ │ │ ├── 1-18 节直播14：知识蒸馏
│ │ │ │ ├── Decoupled Knowledge Distillation.pdf
│ │ │ │ ├── Reinforced Multi-Teacher Selection for Knowledge Distillation.pdf
│ │ │ │ └── 蒸馏.pdf
│ │ │ ├── 1-3 节直播1：深度学习核心算法-神经网络与卷积网络
│ │ │ │ └── 神经网络.pdf
│ │ │ ├── 1-4 节卷积神经网络
│ │ │ │ └── 卷积神经网络.pdf
│ │ │ ├── 1-5 节直播3：Transformer架构
│ │ │ │ └── transformer.pdf
│ │ │ ├── 1-6 节直播4：Transfomer在视觉任务中的应用实例
│ │ │ │ ├── transformer课件.pdf
│ │ │ │ └── VIT算法模型源码解读.zip
│ │ │ ├── 1-7 节直播5：YOLO系列（V7）算法解读
│ │ │ │ ├── YOLOV7.pdf
│ │ │ │ └── Yolov7结构图.pptx
│ │ │ ├── 1-8 节直播6：分割模型Maskformer系列
│ │ │ │ ├── mask2former.pdf
│ │ │ │ └── maskformer.pdf
│ │ │ └── 1-9 节补充：Mask2former源码解读
│ │ │ └── mask2former(mmdetection.zip
│ │ ├── 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
│ │ │ │ └── 工具包使用.zip
│ │ │ ├── 4-使用PyTorch Geometric构建自己的图数据集
│ │ │ │ └── 创建自己的数据集.zip
│ │ │ ├── 5-图注意力机制与序列图模型
│ │ │ │ ├── Temporal Graph Neural Networks.pdf
│ │ │ │ ├── 图注意力机制.pdf
│ │ │ │ └── 时间序列.zip
│ │ │ ├── 6-图相似度论文解读
│ │ │ │ └── 1808.05689.pdf
│ │ │ ├── 7-图相似度计算实战
│ │ │ │ └── Extended-SimGNN.zip
│ │ │ ├── 8-基于图模型的轨迹估计
│ │ │ │ ├── 数据集Demo.mp4
│ │ │ │ └── 轨迹轨迹.pdf
│ │ │ ├── 9-图模型轨迹估计实战
│ │ │ │ └── Vector.zip
│ │ │ ├── 第一章：图神经网络基础
│ │ │ │ └── 图神经网络.pdf
│ │ │ └── 第二章：图卷积GCN模型
│ │ │ └── 图卷积.pdf
│ │ ├── 11.第一十一章 3D点云实战
│ │ │ ├── 第1节：3D点云应用领域分析
│ │ │ │ ├── 激光雷达.mp4
│ │ │ │ └── 点云.pdf
│ │ │ ├── 第2节：3D点云PointNet算法
│ │ │ │ ├── CloudCompare.zip
│ │ │ │ └── PointNet++.pdf
│ │ │ ├── 第3节：PointNet++算法解读
│ │ │ │ └── PointNet++.pdf
│ │ │ ├── 第4节：Pointnet++项目实战
│ │ │ │ └── Pointnet2.zip
│ │ │ ├── 第5节：点云补全PF-Net论文解读
│ │ │ │ ├── 2003.00410.pdf
│ │ │ │ └── 点云补全.pdf
│ │ │ ├── 第6节：点云补全实战解读
│ │ │ │ └── PF-Net-Point-Fractal-Network.zip
│ │ │ ├── 第7节：点云配准及其案例实战
│ │ │ │ ├── 2003.13479.pdf
│ │ │ │ ├── RPMNet.zip
│ │ │ │ └── 点云匹配.pdf
│ │ │ └── 第8节：基础补充-对抗生成网络架构原理与实战解析
│ │ │ └── 第八章：对抗生成网络架构原理与实战解析.zip
│ │ ├── 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
│ │ │ │ ├── Resnet.pdf
│ │ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ │ ├── 第五六七章：YOLO目标检测
│ │ │ │ ├── COCO-DATA
│ │ │ │ │ └── COCO数据集.txt
│ │ │ │ ├── 训练自己的数据集
│ │ │ │ │ ├── json2yolo.py
│ │ │ │ │ └── 构建自己的数据集.pdf
│ │ │ │ ├── NEU-DET.zip
│ │ │ │ ├── YOLO5.zip
│ │ │ │ └── YOLO新版.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
│ │ │ ├── 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
│ │ │ │ ├── Monocular_Depth_Estimation_Using_Laplacian_Pyramid-Based_Depth_Residuals.pdf
│ │ │ │ └── 深度估计.pdf
│ │ │ ├── 10-NeuralRecon项目源码解读
│ │ │ │ └── NeuralRecon
│ │ │ │ ├── all_tsdf_9.zip
│ │ │ │ ├── data.py
│ │ │ │ └── train_demo.zip
│ │ │ ├── 11-TSDF算法与应用
│ │ │ │ └── TSDF.pdf
│ │ │ ├── 12-TSDF实战案例
│ │ │ │ └── TSDF实例
│ │ │ │ └── tsdf-fusion-python-master.zip
│ │ │ ├── 13-轨迹估计算法与论文解读
│ │ │ │ └── 无人驾驶.pdf
│ │ │ ├── 14-轨迹估计预测实战
│ │ │ │ └── Vector.zip
│ │ │ ├── 15-特斯拉无人驾驶解读
│ │ │ │ └── Tesla无人驾驶.pdf
│ │ │ ├── 2.深度估计项目实战
│ │ │ │ └── LapDepth.zip
│ │ │ ├── 3-车道线检测算法与论文解读
│ │ │ │ └── 基于深度学习的车道线检测.pdf
│ │ │ ├── 4-基于深度学习的车道线检测项目实战
│ │ │ │ └── Lane-Detection.zip
│ │ │ ├── 5-商汤LoFTR算法解读
│ │ │ │ ├── 2104.00680.pdf
│ │ │ │ └── Loftr.pdf
│ │ │ ├── 6-局部特征关键点匹配实战
│ │ │ │ └── LoFTR.zip
│ │ │ ├── 7-三维重建应用与坐标系基础
│ │ │ │ └── 三维重建.pdf
│ │ │ ├── 8-NeuralRecon算法解读
│ │ │ │ ├── NeuralRecon.pdf
│ │ │ │ └── 三维重建.pdf
│ │ │ └── 9-NeuralRecon项目环境配置
│ │ │ └── 参考其GITHUB即可
│ │ ├── 14.第一十四章 对比学习与多模态任务实战
│ │ │ ├── ANINET源码解读
│ │ │ │ └── mmocr-main.zip
│ │ │ ├── CLIP系列
│ │ │ │ ├── CLIP.zip
│ │ │ │ └── CLIP及其应用.pdf
│ │ │ ├── 多模态3D目标检测算法源码解读
│ │ │ │ └── mmdetection3d-1.0.0rc0.zip
│ │ │ ├── 多模态文字识别
│ │ │ │ ├── ABINET.pdf
│ │ │ │ └── DBNET.pdf
│ │ │ └── 对比学习算法与实例
│ │ │ ├── trainCLIP.py
│ │ │ └── 对比学习.pdf
│ │ ├── 15.第一十五章 缺陷检测实战
│ │ │ ├── PyTorch基础
│ │ │ │ ├── 1-PyTorch框架基本处理操作.zip
│ │ │ │ ├── 2-神经网络实战分类与回归任务.zip
│ │ │ │ └── 3-图像识别核心模块实战解读.zip
│ │ │ ├── Resnet分类实战
│ │ │ │ ├── Resnet.pdf
│ │ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ │ ├── 第1-4章：YOLOV5缺陷检测
│ │ │ │ ├── Defective_Insulators.zip
│ │ │ │ ├── NEU-DET.zip
│ │ │ │ ├── YOLO5.zip
│ │ │ │ └── YOLO新版.pdf
│ │ │ ├── 第11-12章：deeplab
│ │ │ │ ├── DeepLab.pdf
│ │ │ │ └── DeepLabV3Plus.zip
│ │ │ ├── 第6-8章：Opencv各函数使用实例
│ │ │ │ ├── 第一部分notebook课件.zip
│ │ │ │ └── 第二部分notebook课件.zip
│ │ │ ├── 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
│ │ │ │ └── 行人重识别.pdf
│ │ │ ├── 第2节：基于注意力机制的ReId模型论文解读
│ │ │ │ └── Relation-Aware Global Attention.pdf
│ │ │ ├── 第3节：基于Attention的行人重识别项目实战
│ │ │ │ └── Relation-Aware-Global-Attention-Networks.zip
│ │ │ ├── 第4节：经典会议算法精讲（特征融合
│ │ │ │ └── Relation Network for Person Re-identification.pdf
│ │ │ ├── 第5节：项目实战-基于行人局部特征融合的再识别实战
│ │ │ │ └── Relation Network for Person Re-identification.zip
│ │ │ ├── 第6节：旷视研究院最新算法解读（基于图模型
│ │ │ │ └── Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf
│ │ │ └── 第7节：基于拓扑图的行人重识别项目实战
│ │ │ └── 基于图模型的ReID(旷视.zip
│ │ ├── 17.第一十七章 对抗⽣成⽹络实战
│ │ │ ├── 第4节：stargan论文架构解析
│ │ │ │ ├── 1912.01865.pdf
│ │ │ │ └── stargan.pdf
│ │ │ ├── 第6节：基于starganvc2的变声器论文原理解读
│ │ │ │ ├── 1907.12279.pdf
│ │ │ │ └── stargan-vc2.pdf
│ │ │ ├── 第8节：图像超分辨率重构实战
│ │ │ │ ├── srdata.zip
│ │ │ │ └── srgan超分辨率重构.zip
│ │ │ ├── 第9节：基于GAN的图像补全实战
│ │ │ │ ├── glcic图像补全.zip
│ │ │ │ └── 图像补全人脸数据.zip
│ │ │ ├── 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
│ │ │ │ ├── GPT.zip
│ │ │ │ └── GPT系列.pdf
│ │ │ ├── 2 节GPT建模与预测流程
│ │ │ │ └── ChinesePretrainedModels.zip
│ │ │ ├── 3 节CLIP系列
│ │ │ │ ├── CLIP.zip
│ │ │ │ └── CLIP及其应用.pdf
│ │ │ ├── 4 节Diffusion模型解读
│ │ │ │ └── annotated_diffusion.ipynb
│ │ │ ├── 5 节Dalle2及其源码解读
│ │ │ │ ├── DALLE2-pytorch-main.zip
│ │ │ │ └── dalle2.pdf
│ │ │ └── 6 节Cha
│ │ │ └── GPT系列.pdf
│ │ ├── 2.第二章 深度学习必备核⼼算法
│ │ │ └── 课件
│ │ │ ├── 词向量模型资料
│ │ │ │ └── NLP核心模型-word2vec.zip
│ │ │ ├── 卷积神经网络.pdf
│ │ │ └── 深度学习.pdf
│ │ ├── 20.第二十章 面向医学领域的深度学习实战
│ │ │ ├── 1-神经网络算法PPT
│ │ │ │ └── 深度学习.pdf
│ │ │ ├── 10-基于deeplab的心脏视频数据诊断分析
│ │ │ │ └── 基于deeplab的心脏视频数据诊断分析.zip
│ │ │ ├── 11-YOLO系列物体检测算法原理解读
│ │ │ │ ├── YOLO.pdf
│ │ │ │ └── YOLOv4.pdf
│ │ │ ├── 12-基于YOLO5细胞检测实战
│ │ │ │ └── 基于YOLO5细胞检测实战.zip
│ │ │ ├── 13-知识图谱原理解读
│ │ │ │ └── 知识图谱.pdf
│ │ │ ├── 14-Neo4j数据库实战
│ │ │ │ └── NEO4J.pdf
│ │ │ ├── 15-基于知识图谱的医药问答系统实战
│ │ │ │ ├── 医药问答.zip
│ │ │ │ └── 配置与安装.pdf
│ │ │ ├── 17-医学糖尿病数据命名实体识别
│ │ │ │ ├── eclipse-命名实体识别.zip
│ │ │ │ └── notebook-瑞金.zip
│ │ │ ├── 4-基于Resnet的医学数据集分类实战
│ │ │ │ ├── Resnet.pdf
│ │ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ │ ├── 5-图像分割及其损失函数概述
│ │ │ │ └── 深度学习分割任务.pdf
│ │ │ ├── 6-Unet系列算法讲解
│ │ │ │ └── 深度学习分割任务.pdf
│ │ │ ├── 7-unet医学细胞分割实战
│ │ │ │ ├── 新建文件夹
│ │ │ │ └── unet++.zip
│ │ │ ├── 8-deeplab系列算法
│ │ │ │ └── DeepLab.pdf
│ │ │ ├── 9-基于deeplabV3+版本进行VOC分割实战
│ │ │ │ └── DeepLabV3Plus.zip
│ │ │ ├── 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
│ │ │ │ ├── tensorRT课程PPT
│ │ │ │ │ ├── 1.说在前面.pdf
│ │ │ │ │ ├── 10.tensorrt-integrate.pdf
│ │ │ │ │ ├── 2.介绍.pdf
│ │ │ │ │ ├── 3.cuda-driver-课程概述.pdf
│ │ │ │ │ ├── 4.cuda-driver.pdf
│ │ │ │ │ ├── 5.cuda-runtime-课程概述.pdf
│ │ │ │ │ ├── 6.cuda-runtime.pdf
│ │ │ │ │ ├── 7.tensorrt-basic-课程概述.pdf
│ │ │ │ │ ├── 8.tensorrt-basic.pdf
│ │ │ │ │ ├── 9.tensorrt-integrate-课程概述.pdf
│ │ │ │ │ ├── video-series.mp4
│ │ │ │ │ ├── video1-get-env.mp4
│ │ │ │ │ └── video1-get-templ.mp4
│ │ │ │ └── tensorRT课程代码
│ │ │ │ ├── cuda-driver-api.tar.gz
│ │ │ │ ├── cuda-runtime-api.tar.gz
│ │ │ │ ├── tensorrt-basic.tar.gz
│ │ │ │ └── tensorrt-integrate.tar.gz
│ │ │ ├── 嵌入式AI
│ │ │ │ ├── 第一章 认识 jetson nano
│ │ │ │ │ ├── 1software
│ │ │ │ │ │ ├── balenaEtcher-Setup-1.7.9.exe
│ │ │ │ │ │ ├── code_1.71.2-1663189619_arm64.deb
│ │ │ │ │ │ ├── csiCamera.py
│ │ │ │ │ │ ├── SDCardFormatterv5_WinEN.zip
│ │ │ │ │ │ └── usbCamera.py
│ │ │ │ │ ├── 1.1 jetson nano 硬件介绍.pdf
│ │ │ │ │ ├── 1.2 jetson nano 刷机.pdf
│ │ │ │ │ ├── 1.2b jetson nano 系统安装过程.pdf
│ │ │ │ │ ├── 1.3 感受nano的GPU算力.pdf
│ │ │ │ │ └── 1.4 安装使用摄像头csi usb.pdf
│ │ │ │ ├── 第三章 NVIDIA TAO 实用级的训练神器
│ │ │ │ │ ├── 3.1NVIDIA TAO介绍和安装.pdf
│ │ │ │ │ ├── 3.2NVIDIA TAO数据准备和环境设置.pdf
│ │ │ │ │ ├── 3.3NVIDIA TAO数据转换.pdf
│ │ │ │ │ ├── 3.4NVIDIA TAO预训练模型和训练.pdf
│ │ │ │ │ └── 3.5TAO 剪枝在训练推理验证.pdf
│ │ │ │ ├── 第二章 AI 实战
│ │ │ │ │ ├── 2software
│ │ │ │ │ │ ├── networks
│ │ │ │ │ │ │ ├── bvlc_googlenet.caffemodel
│ │ │ │ │ │ │ ├── googlenet.prototxt
│ │ │ │ │ │ │ ├── googlenet_noprob.prototxt
│ │ │ │ │ │ │ ├── SSD-Mobilenet-v1.tar.gz
│ │ │ │ │ │ │ └── SSD-Mobilenet-v2.tar.gz
│ │ │ │ │ │ ├── csiCamera.py
│ │ │ │ │ │ ├── jetson-inference.zip
│ │ │ │ │ │ ├── mobilenet-v1-ssd-mp-0_675.pth
│ │ │ │ │ │ └── usbCamera.py
│ │ │ │ │ ├── 2.1 jetson-inference 入门.pdf
│ │ │ │ │ ├── 2.2 docker 的安装使用.pdf
│ │ │ │ │ ├── 2.3 docker中运行分类模型.pdf
│ │ │ │ │ ├── 2.4 训练自己的目标检测模型准备.pdf
│ │ │ │ │ ├── 2.5 训练出自己目标识别模型.pdf
│ │ │ │ │ ├── 2.6 转换出onnx模型，并使用.pdf
│ │ │ │ │ └── 时间统计.xlsx
│ │ │ │ └── 第四章 deepstream
│ │ │ │ ├── software
│ │ │ │ │ ├── Accelerated_GStreamer_User_Guide.pdf
│ │ │ │ │ ├── camera_gstreamer_code_rtp.py
│ │ │ │ │ ├── camera_gstreamer_code_rtsp_out.py
│ │ │ │ │ ├── EasyPlayer-RTSP-Win-V3.0.19.0515.zip
│ │ │ │ │ ├── gstreamer-1.0-msvc-x86_64-1.20.4.msi
│ │ │ │ │ ├── rtspCameraH264.py
│ │ │ │ │ └── rtspVideoH264.py
│ │ │ │ ├── 4.1 deepstream 介绍安装.pdf
│ │ │ │ ├── 4.2 deepstream HelloWorld.pdf
│ │ │ │ ├── 4.3 GStreamer RTP和RTSP.pdf
│ │ │ │ ├── 4.4 python实现RTP和RTSP.pdf
│ │ │ │ ├── 4.5 deepstream推理.pdf
│ │ │ │ └── 4.6 deepstream集成yolov4.pdf
│ │ │ ├── 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
│ │ │ │ └── Huggingface初识.pptx
│ │ │ ├── 第七章：GPT系列算法
│ │ │ │ └── GPT系列.pdf
│ │ │ ├── 第三章：transformer原理解读
│ │ │ │ └── transformer.pdf
│ │ │ ├── 第九章：文本摘要建模
│ │ │ │ ├── Summarization.ipynb
│ │ │ │ └── Summarization.zip
│ │ │ ├── 第二章：Transformer工具包基本操作实例解读
│ │ │ │ ├── 1-Transformers.zip
│ │ │ │ └── 2-Finetuning.zip
│ │ │ ├── 第五章：文本标注工具与NER实例
│ │ │ │ └── ner.zip
│ │ │ ├── 第八章：GPT训练与预测部署流程
│ │ │ │ └── GPT.zip
│ │ │ ├── 第六章：文本预训练模型构建实例
│ │ │ │ └── Mask Language Model.ipynb
│ │ │ ├── 第十一章：补充Huggingface数据集制作方法实例
│ │ │ │ └── 数据格式转换.zip
│ │ │ ├── 第十章：图谱知识抽取实战
│ │ │ │ └── CMeKG.zip
│ │ │ └── 第四章：BERT系列算法解读
│ │ │ └── BERT系列.pdf
│ │ ├── 23.第二十三章 ⾃然语⾔处理通⽤框架-BERT实战
│ │ │ ├── 课件、源码
│ │ │ │ ├── BERT.zip
│ │ │ │ ├── BERT开源项目及数据.zip
│ │ │ │ ├── NLP核心模型-word2vec.zip
│ │ │ │ ├── 第1节：BERT课件.pdf
│ │ │ │ ├── 第2节：谷歌开源项目BERT源码解读与应用实例.zip
│ │ │ │ ├── 第3节：项目实战-基于BERT的中文情感分析实战.zip
│ │ │ │ ├── 第4节：项目实战-基于BERT的中文命名实体识别实战.zip
│ │ │ │ ├── 第5节：必备基知识点-word2vec模型通俗解读.zip
│ │ │ │ ├── 第6节：必备基础-掌握Tensorflow如何实现word2vec模型.zip
│ │ │ │ ├── 第7节：必备基础知识点-RNN网络架构与情感分析应用实例.zip
│ │ │ │ └── 第8节：医学糖尿病数据命名实体识别.zip
│ │ │ └── 课后作业
│ │ │ └── 第八模块：BERT作业.pdf
│ │ ├── 24.第二十四章 ⾃然语⾔处理经典案例实战
│ │ │ ├── NLP常用工具包
│ │ │ │ ├── Python-自然语言处理工具包(1.zip
│ │ │ │ └── Python-自然语言处理工具包.zip
│ │ │ ├── 源码、数据集等
│ │ │ │ ├── 10：NLP方法对比
│ │ │ │ │ └── 自然语言处理-特征提取方法对比.zip
│ │ │ │ ├── 11-14：基于Tensorflow的项目实战
│ │ │ │ │ ├── LSTM情感分析
│ │ │ │ │ │ ├── LSTM.ipynb
│ │ │ │ │ │ └── LSTM.zip
│ │ │ │ │ ├── NLP-文本相似度
│ │ │ │ │ │ └── 文本相似度.zip
│ │ │ │ │ ├── 唐诗生成
│ │ │ │ │ │ ├── LSTM.zip
│ │ │ │ │ │ └── poem.zip
│ │ │ │ │ ├── 对话问答机器人
│ │ │ │ │ │ └── chatbot.zip
│ │ │ │ │ └── 问答机器人
│ │ │ │ │ └── QA问答.zip
│ │ │ │ ├── 2：商品信息与文本可视化
│ │ │ │ │ └── 商品可视化展示与文本处理.zip
│ │ │ │ ├── 3：贝叶斯算法
│ │ │ │ │ └── 5-贝叶斯算法.pdf
│ │ │ │ ├── 4：贝叶斯算法-新闻分类任务
│ │ │ │ │ └── 贝叶斯Python文本分析
│ │ │ │ │ ├── 搜狗新闻语料
│ │ │ │ │ │ ├── test.txt
│ │ │ │ │ │ ├── train.txt
│ │ │ │ │ │ └── val.txt
│ │ │ │ │ └── Python文本分析.zip
│ │ │ │ ├── 5-6：HMM实战
│ │ │ │ │ ├── HMM案例实战
│ │ │ │ │ │ ├── HMM
│ │ │ │ │ │ │ ├── pycache
│ │ │ │ │ │ │ │ ├── data.cpython-36.pyc
│ │ │ │ │ │ │ │ └── get_hmm_param.cpython-36.pyc
│ │ │ │ │ │ │ ├── data.py
│ │ │ │ │ │ │ ├── get_hmm_param.py
│ │ │ │ │ │ │ └── hmm_start.py
│ │ │ │ │ │ ├── data2.csv
│ │ │ │ │ │ ├── hmm实践.ipynb
│ │ │ │ │ │ └── 时间序列.ipynb
│ │ │ │ │ └── 隐马尔科夫模型（课件
│ │ │ │ │ └── HMM.pdf
│ │ │ │ └── 8-9：word2vec词向量实战
│ │ │ │ └── Word2Vec
│ │ │ │ ├── Gensim-代码.zip
│ │ │ │ ├── gensim训练model.zip
│ │ │ │ ├── tensorflow-word2vec.zip
│ │ │ │ └── word2vec.zip
│ │ │ ├── 课件
│ │ │ │ ├── 5-贝叶斯算法.pdf
│ │ │ │ ├── Python文本分析.pdf
│ │ │ │ ├── RNN与LSTM.pdf
│ │ │ │ ├── tensorflow-RNN.pdf
│ │ │ │ └── 贝叶斯算法.pdf
│ │ │ └── 课后作业
│ │ │ ├── data.txt
│ │ │ └── 第八模块：NLP实战(1.pdf
│ │ ├── 25.第二十五章 知识图谱实战系列
│ │ │ ├── 第1.2节：知识图谱介绍及其应用领域分析
│ │ │ │ └── 知识图谱.pdf
│ │ │ ├── 第3节：Neo4j数据库实战
│ │ │ │ └── NEO4J.pdf
│ │ │ ├── 第4节：使用python操作neo4j实例
│ │ │ │ └── python操作neo4j.zip
│ │ │ ├── 第5节：基于知识图谱的医药问答系统实战
│ │ │ │ ├── 医药问答.zip
│ │ │ │ └── 配置与安装.pdf
│ │ │ ├── 第6节：文本关系抽取实践
│ │ │ │ └── 关系抽取.zip
│ │ │ ├── 第7节：金融平台风控模型实践
│ │ │ │ └── 贷款风控特征工程.zip
│ │ │ └── 第8节：医学糖尿病数据命名实体识别
│ │ │ ├── eclipse-命名实体识别.zip
│ │ │ └── notebook-瑞金.zip
│ │ ├── 26.第二十六章 语⾳识别实战系列
│ │ │ ├── PPT
│ │ │ │ ├── seq2seq.pdf
│ │ │ │ ├── stargan-vc2.pdf
│ │ │ │ ├── 语音分离.pdf
│ │ │ │ └── 语音合成-tacotron2.pdf
│ │ │ ├── 论文
│ │ │ │ ├── Conv-TasNet论文.pdf
│ │ │ │ ├── stargancv2论文.pdf
│ │ │ │ └── tacotron2论文.pdf
│ │ │ ├── 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
│ │ │ │ └── 电影推荐.zip
│ │ │ ├── 第3节：音乐推荐系统实战
│ │ │ │ └── Python实现音乐推荐系统
│ │ │ │ ├── ipynb_checkpoints
│ │ │ │ │ └── 推荐系统-checkpoint.ipynb
│ │ │ │ ├── pycache
│ │ │ │ │ └── Recommenders.cpython-36.pyc
│ │ │ │ ├── 1.png
│ │ │ │ ├── 2.png
│ │ │ │ ├── 3.png
│ │ │ │ ├── 4.png
│ │ │ │ ├── 5.png
│ │ │ │ ├── 6.png
│ │ │ │ ├── 7.png
│ │ │ │ ├── 8.png
│ │ │ │ ├── recommendation_engines.py
│ │ │ │ ├── Recommenders.py
│ │ │ │ ├── song_playcount_df.csv
│ │ │ │ ├── track_metadata.db
│ │ │ │ ├── track_metadata_df_sub.csv
│ │ │ │ ├── train_triplets.txt
│ │ │ │ ├── triplet_dataset_sub_song.csv
│ │ │ │ ├── user_playcount_df.csv
│ │ │ │ ├── 推荐系统.ipynb
│ │ │ │ └── 老版.ipynb
│ │ │ ├── 第4节：Neo4j数据库实例
│ │ │ │ └── NEO4J.pdf
│ │ │ ├── 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
│ │ │ │ ├── 2111.14556.pdf
│ │ │ │ ├── common.py
│ │ │ │ ├── yolo.py
│ │ │ │ ├── yolov5s_acmix.yaml
│ │ │ │ └── 源码实现.txt
│ │ │ ├── ConvNeXt
│ │ │ │ ├── 2201.03545.pdf
│ │ │ │ ├── common.py
│ │ │ │ ├── yolo.py
│ │ │ │ ├── yolov5s_convnextB.yaml
│ │ │ │ ├── 源码.txt
│ │ │ │ └── 源码链接.txt
│ │ │ ├── Coordinate_attention
│ │ │ │ ├── common.py
│ │ │ │ ├── Hou_Coordinate_Attention_for_Efficient_Mobile_Network_Design_CVPR_2021_paper.pdf
│ │ │ │ ├── yolo.py
│ │ │ │ ├── yolov5s_Coordinate_attention.yaml
│ │ │ │ └── 源码实现.txt
│ │ │ ├── GCNET(全局特征融合
│ │ │ │ ├── 1904.11492.pdf
│ │ │ │ ├── gc.py
│ │ │ │ ├── yolo.py
│ │ │ │ └── yolov5s_cb2d.yaml
│ │ │ ├── mobileone(提速
│ │ │ │ ├── 2206.04040.pdf
│ │ │ │ ├── common.py
│ │ │ │ ├── yolo.py
│ │ │ │ ├── yolov5s_mobileone.yaml
│ │ │ │ └── 源码实现.txt
│ │ │ ├── SPD-Conv
│ │ │ │ ├── common.py
│ │ │ │ ├── SPD-Conv论文.pdf
│ │ │ │ ├── yolo.py
│ │ │ │ ├── yolov5s.yaml
│ │ │ │ ├── yolov5s_spd.yaml
│ │ │ │ └── 源码实现.txt
│ │ │ ├── SPPCSPC(替换SPP
│ │ │ │ └── 源码.txt
│ │ │ ├── gc(2.py
│ │ │ └── gc.py
│ │ ├── 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
│ │ │ │ └── 可变形DETR.pdf
│ │ │ ├── KIE关键信息抽取与视频超分辨率重构
│ │ │ │ ├── BasicVSR++.pdf
│ │ │ │ ├── KIE.pdf
│ │ │ │ └── spynet.pdf
│ │ │ ├── OCR算法解读
│ │ │ │ ├── ABINET.pdf
│ │ │ │ └── DBNET.pdf
│ │ │ ├── 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
│ │ │ │ ├── 第10节：项目实战-文档扫描OCR识别.zip
│ │ │ │ ├── 第13节：案例实战-全景图像拼接.zip
│ │ │ │ ├── 第14节：项目实战-停车场车位识别.zip
│ │ │ │ ├── 第15节：项目实战-答题卡识别判卷.zip
│ │ │ │ ├── 第18节：Opencv的DNN模块.zip
│ │ │ │ ├── 第19节：项目实战-目标追踪.zip
│ │ │ │ ├── 第20节：卷积原理与操作.zip
│ │ │ │ ├── 第21节：人脸关键点定位.zip
│ │ │ │ ├── 第21节：项目实战-疲劳检测.zip
│ │ │ │ └── 第9节：项目实战-信用卡数字识别.zip
│ │ │ └── 课件
│ │ │ ├── 第2-8节课件
│ │ │ │ ├── 第2-7节notebook课件.zip
│ │ │ │ └── 第8节notebook课件.zip
│ │ │ ├── 第11-12节notebook课件.zip
│ │ │ └── 第16-17节notebook课件.zip
│ │ ├── 6.第六章 综合项⽬-物体检测经典算法实战
│ │ │ ├── YOLO系列（PyTorch
│ │ │ │ ├── COCO-DATA
│ │ │ │ │ └── COCO数据集.txt
│ │ │ │ ├── 训练自己的数据集
│ │ │ │ │ ├── json2yolo.py
│ │ │ │ │ └── 构建自己的数据集.pdf
│ │ │ │ ├── NEU-DET.zip
│ │ │ │ ├── PyTorch-YOLOv3.zip
│ │ │ │ ├── YOLO5.zip
│ │ │ │ └── YOLO新版.pdf
│ │ │ ├── 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
│ │ │ ├── 基于Resnet的医学数据集分类实战
│ │ │ │ ├── Resnet.pdf
│ │ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ │ ├── 第1节：图像分割算法
│ │ │ │ └── 深度学习分割任务.pdf
│ │ │ ├── 第2节：卷积网络
│ │ │ │ └── 深度学习.pdf
│ │ │ ├── 第3节：Unet系列算法讲解
│ │ │ │ └── 深度学习分割任务.pdf
│ │ │ ├── 第4节：unet医学细胞分割实战
│ │ │ │ ├── 新建文件夹
│ │ │ │ └── unet++.zip
│ │ │ ├── 第6节：deeplab系列算法
│ │ │ │ └── DeepLab.pdf
│ │ │ ├── 第7节：基于deeplabV3+版本进行VOC分割实战
│ │ │ │ └── DeepLabV3Plus.zip
│ │ │ ├── 第8节：基于deeplab的心脏视频数据诊断分析
│ │ │ │ └── 基于deeplab的心脏视频数据诊断分析.zip
│ │ │ ├── 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
│ │ │ └── 第5节：U-2-Net.zip
│ │ ├── 8.第八章 行为识别实战
│ │ │ ├── slowfast-add
│ │ │ │ ├── download
│ │ │ │ │ ├── ava_annotations
│ │ │ │ │ │ ├── person_box_67091280_iou90
│ │ │ │ │ │ │ ├── ava_action_list_v2.1_for_activitynet_2018.pbtxt
│ │ │ │ │ │ │ ├── ava_detection_test_boxes_and_labels.csv
│ │ │ │ │ │ │ ├── ava_detection_train_boxes_and_labels_include_negative.csv
│ │ │ │ │ │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.1.csv
│ │ │ │ │ │ │ ├── ava_detection_train_boxes_and_labels_include_negative_v2.2.csv
│ │ │ │ │ │ │ ├── ava_detection_val_boxes_and_labels.csv
│ │ │ │ │ │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative.csv
│ │ │ │ │ │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative_v2.1.csv
│ │ │ │ │ │ │ ├── ava_detection_val_for_training_boxes_and_labels_include_negative_v2.2.csv
│ │ │ │ │ │ │ ├── ava_train_predicted_boxes.csv
│ │ │ │ │ │ │ ├── ava_train_v2.1.csv
│ │ │ │ │ │ │ ├── ava_val_excluded_timestamps_v2.1.csv
│ │ │ │ │ │ │ ├── ava_val_predicted_boxes.csv
│ │ │ │ │ │ │ ├── ava_val_v2.1.csv
│ │ │ │ │ │ │ ├── test.csv
│ │ │ │ │ │ │ ├── train.csv
│ │ │ │ │ │ │ └── val.csv
│ │ │ │ │ │ ├── ava_train_v2.1.csv
│ │ │ │ │ │ ├── ava_train_v2.2.csv
│ │ │ │ │ │ └── ava_val_v2.2.csv
│ │ │ │ │ ├── 5KQ66BBWC4.mkv
│ │ │ │ │ ├── 5KQ66BBWC4.mkv.1
│ │ │ │ │ ├── 1j20qq1JyX4.mp4
│ │ │ │ │ ├── 145Aa_xkuE.mp4
│ │ │ │ │ ├── Ca3gOdOHxU.mp4
│ │ │ │ │ ├── train.csv
│ │ │ │ │ └── val.csv
│ │ │ │ └── avademo.zip
│ │ │ ├── 基础补充-Resnet模型及其应用实例
│ │ │ │ ├── Resnet.pdf
│ │ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ │ ├── 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
│ │ ├── 基础补充-Resnet模型及其应用实例
│ │ │ ├── Resnet.pdf
│ │ │ └── 基于Resnet的医学数据集分类实战.zip
│ │ ├── 第一章：transformer原理解读
│ │ │ └── BERT.pdf
│ │ ├── 第九章：项目补充-基于BERT的中文情感分析实战
│ │ │ └── BERT中文情感分类开源项目.zip
│ │ ├── 第十一，十二章
│ │ │ ├── 2104.00680.pdf
│ │ │ ├── Loftr.pdf
│ │ │ └── LoFTR.zip
│ │ ├── 谷歌开源项目BERT源码解读与应用实例
│ │ │ └── BERT开源项目及数据.zip
│ │ ├── Medical-Transformer.zip
│ │ ├── transformer论文.pdf
│ │ ├── 第七章：detr目标检测源码解读.zip
│ │ ├── 第三章：VIT算法模型源码解读.zip
│ │ ├── 第二章：Transformer在视觉中的应用VIT算法.pdf
│ │ ├── 第五章：swintransformer源码解读.zip
│ │ ├── 第六章：基于Transformer的detr目标检测算法.pdf
│ │ └── 第四章：swintransformer算法原理解析.pdf
│ ├── 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 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
│ │ │ ├── 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
│ │ │ ├── 05 tfrecord制作.mp4
│ │ │ ├── 06 Embedding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
│ │ │ ├── 09 mask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
│ │ │ ├── 04 GNN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
│ │ │ ├── 01 GCN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
│ │ │ └── 04 GCN变换原理解读.mp4
│ │ ├── 03 图模型必备神器PyTorch Geometric安装与使用
│ │ │ ├── 01 PyTorch Geometric工具包安装与配置方法.mp4
│ │ │ ├── 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PyTorch Geometric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
│ │ │ ├── 07 TopkPooling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.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
│ │ │ ├── 04 NTN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
│ │ │ ├── 06 NTN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
│ │ │ └── 08 VectorNet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
│ │ ├── 03 Agent特征提取方法.mp4
│ │ ├── 04 DataLoader构建图结构.mp4
│ │ └── 05 SubGraph与Attention模型流程.mp4
│ ├── 11 3D点云实战
│ │ ├── 01 3D点云实战 3D点云应用领域分析
│ │ │ ├── 01 点云数据概述.mp4
│ │ │ ├── 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
│ │ ├── 02 3D点云PointNet算法
│ │ │ ├── 01 3D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
│ │ │ ├── 04 PointNet算法出发点解读.mp4
│ │ │ └── 05 PointNet算法网络架构解读.mp4
│ │ ├── 03 PointNet++算法解读
│ │ │ ├── 01 PointNet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
│ │ ├── 04 Pointnet++项目实战
│ │ │ ├── 01 项目文件概述.mp4
│ │ │ ├── 02 数据读取模块配置.mp4
│ │ │ ├── 03 DEBUG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
│ │ ├── 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
│ │ │ ├── 04 MRE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
│ │ │ ├── 02 GAN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
│ │ └── 05 点云补全PF-Net论文解读.zip
│ ├── 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
│ │ │ ├── 07 PAF向量登场.mp4
│ │ │ ├── 08 PAF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
│ │ │ ├── 11 CPM模型特点.mp4
│ │ │ └── 12 算法流程与总结.mp4
│ │ ├── 03 OpenPose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
│ │ ├── 04 deepsort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
│ │ │ ├── 09 REID特征的作用.mp4
│ │ │ ├── 10 sort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
│ │ ├── 05 deepsort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
│ │ │ ├── 06 IOU代价矩阵计算.mp4
│ │ │ ├── 07 参数更新操作.mp4
│ │ │ ├── 08 级联匹配模块.mp4
│ │ │ ├── 09 ReID特征代价矩阵计算.mp4
│ │ │ └── 10 匹配结果与总结.mp4
│ │ ├── 06 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
│ │ ├── 07 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
│ │ └── 08 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 1-SPP层计算细节分析.mp4
│ │ ├── 14 2-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
│ │ │ ├── 02 kitti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
│ │ │ ├── 05 SPP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
│ │ │ ├── 06 grid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