【尊享】ZX091 – AI计算机视觉：从入门到高薪就业 [30.2G]

【尊享】ZX091 – AI计算机视觉：从入门到高薪就业 [30.2G]

┣━━01.视频 [24.7G]
┃ ┣━━【阶段1：Pytorch使用】第1周、Pytorch使用 [1G]
┃ ┃ ┣━━1-1 课程试看章节 [289.2M]
┃ ┃ ┃ ┣━━1-1-1 Pytorch课程课程简介.abc [21M]
┃ ┃ ┃ ┣━━1-1-2 数据读取及增强（上）.abc [37.9M]
┃ ┃ ┃ ┣━━1-1-3 数据读取及增强（下）.abc [47.3M]
┃ ┃ ┃ ┣━━1-1-4 模型读取与加载.abc [19.6M]
┃ ┃ ┃ ┣━━1-1-5 数据获取方法.abc [42.3M]
┃ ┃ ┃ ┗━━1-1-6 imgaug使用.abc [121.1M]
┃ ┃ ┣━━1-2 Pytorch介绍 [28.6M]
┃ ┃ ┃ ┣━━1-2-1 课程介绍.abc [5.9M]
┃ ┃ ┃ ┗━━1-2-2 PyTorch简介.abc [22.7M]
┃ ┃ ┣━━1-3 PyTorch安装 [129.4M]
┃ ┃ ┃ ┣━━1-3-1 Windows系统下配置PyTorch环境.abc [57.3M]
┃ ┃ ┃ ┗━━1-3-2 ubuntu系统下配置PyTorch环境.abc [72M]
┃ ┃ ┣━━1-4 张量 [234.9M]
┃ ┃ ┃ ┣━━1-4-1 张量（上）.abc [25.6M]
┃ ┃ ┃ ┗━━1-4-2 张量（下）.abc [209.3M]
┃ ┃ ┣━━1-5 模型搭建 [240.4M]
┃ ┃ ┃ ┣━━1-5-1 层结构基本介绍.abc [130.5M]
┃ ┃ ┃ ┣━━1-5-2 网络结构搭建方法.abc [79.6M]
┃ ┃ ┃ ┗━━1-5-3 经典分类网络介绍.abc [30.3M]
┃ ┃ ┣━━1-6 优化器与损失 [44.7M]
┃ ┃ ┃ ┗━━1-6-1 优化器及损失函数.abc [44.7M]
┃ ┃ ┗━━1-7 数据使用 [101.8M]
┃ ┃ ┣━━1-7-1 数据读取及增强（上）.abc [38.5M]
┃ ┃ ┣━━1-7-2 数据读取及增强（下）.abc [43M]
┃ ┃ ┗━━1-7-3 模型读取与加载.abc [20.3M]
┃ ┣━━【阶段2：数据使用】第2周、数据使用 [575.5M]
┃ ┃ ┣━━2-1 数据获取与整理，标注 [178.5M]
┃ ┃ ┃ ┣━━2-1-1 课程介绍.abc [5.6M]
┃ ┃ ┃ ┣━━2-1-2 数据获取方法.abc [42.9M]
┃ ┃ ┃ ┣━━2-1-3 数据整理方法.abc [78.1M]
┃ ┃ ┃ ┗━━2-1-4 数据标注.abc [51.9M]
┃ ┃ ┣━━2-2 数据增强 [207.9M]
┃ ┃ ┃ ┣━━2-2-1 数据增强方法.abc [88.3M]
┃ ┃ ┃ ┣━━2-2-2 Pytorch数据增强接口介绍.abc [40.4M]
┃ ┃ ┃ ┗━━2-2-3 Pytorch数据增强实践.abc [79.2M]
┃ ┃ ┗━━2-3 数据增强开源库 [189.1M]
┃ ┃ ┣━━2-3-1 imgaug介绍.abc [67.2M]
┃ ┃ ┗━━2-3-2 imgaug使用.abc [121.8M]
┃ ┣━━【阶段3：图像分类】第3周、多类别图像分类 [491.1M]
┃ ┃ ┣━━3-1 图像分类基础 [210.8M]
┃ ┃ ┃ ┣━━3-1-1 课程介绍.abc [8.4M]
┃ ┃ ┃ ┣━━3-1-2 图像分类基础.abc [101.1M]
┃ ┃ ┃ ┗━━3-1-3 多类别图像分类理论.abc [101.3M]
┃ ┃ ┗━━3-2 多类别图像分类实践 [280.3M]
┃ ┃ ┣━━3-2-1 小模型表情识别背景介绍.abc [14.4M]
┃ ┃ ┣━━3-2-2 小模型表情识别数据读取.abc [134.9M]
┃ ┃ ┣━━3-2-3 小模型表情识别模型训练.abc [91.2M]
┃ ┃ ┗━━3-2-4 小模型表情识别模型测试.abc [39.8M]
┃ ┣━━【阶段3：图像分类】第4周、细粒度图像分类 [507.3M]
┃ ┃ ┣━━4-1 细粒度分类理论 [359.8M]
┃ ┃ ┃ ┗━━4-1-1 细粒度图像分类理论.abc [359.8M]
┃ ┃ ┗━━4-2 细粒度分类实践 [147.5M]
┃ ┃ ┣━━4-2-1 基于pytorch的鸟类细粒度图像分类实战之项目简介.abc [25.8M]
┃ ┃ ┣━━4-2-2 基于pytorch的鸟类细粒度图像分类实战之数据划分与读取.abc [40.6M]
┃ ┃ ┗━━4-2-3 基于pytorch的鸟类细粒度图像分类实战之模型搭建与训练.abc [81.1M]
┃ ┣━━【阶段3：图像分类】第5周、多标签、半监督、无监督、零样本分类 [692.2M]
┃ ┃ ┣━━5-1 多标签图像分类 [584.2M]
┃ ┃ ┃ ┣━━5-1-1 多标签图像分类理论.abc [41.4M]
┃ ┃ ┃ ┣━━5-1-2 基于pytorch的生活用品多标签图像分类简介及算法简介.abc [81M]
┃ ┃ ┃ ┣━━5-1-3 基于pytorch的生活用品多标签图像分类之数据集制作及读.abc [154.1M]
┃ ┃ ┃ ┣━━5-1-4 基于pytorch的生活用品多标签图像分类之模型训练.abc [211.5M]
┃ ┃ ┃ ┗━━5-1-5 基于pytorch的生活用品多标签图像分类之模型测试.abc [96.3M]
┃ ┃ ┗━━5-2 半监督与无监督，零样本分类 [108M]
┃ ┃ ┣━━5-2-1 半监督与自监督图像分类理论.abc [71.8M]
┃ ┃ ┗━━5-2-2 零样本图像分类理论.abc [36.2M]
┃ ┣━━【阶段3：图像分类】第6周、图像分类的常用竞赛技巧 [431.2M]
┃ ┃ ┗━━6-1 图像分类竞赛技巧 [431.2M]
┃ ┃ ┣━━6-1-1 基于血红细胞的图像分类性能提升技巧详解之内容简介.abc [14.2M]
┃ ┃ ┣━━6-1-10 基于血红细胞的图像分类性能提升技巧详解之TTA策略.abc [19.6M]
┃ ┃ ┣━━6-1-2 基于血红细胞的图像分类性能提升技巧详解之竞赛思路分析.abc [14M]
┃ ┃ ┣━━6-1-3 基于血红细胞的图像分类性能提升技巧详解之基础功能实现-数据.abc [84.9M]
┃ ┃ ┣━━6-1-4 基于血红细胞的图像分类性能提升技巧详解之基础功能实现-网络.abc [80.9M]
┃ ┃ ┣━━6-1-5 基于血红细胞的图像分类性能提升技巧详解基础功能实现-模型训.abc [84.7M]
┃ ┃ ┣━━6-1-6 基于血红细胞的图像分类性能提升技巧详解之学习率调整.abc [24.1M]
┃ ┃ ┣━━6-1-7 基于血红细胞的图像分类性能提升技巧详解之标签平滑.abc [23.6M]
┃ ┃ ┣━━6-1-8 基于血红细胞的图像分类性能提升技巧详解之知识蒸馏.abc [38.3M]
┃ ┃ ┗━━6-1-9 基于血红细胞的图像分类性能提升技巧详解之投票策略.abc [47M]
┃ ┣━━【阶段4：模型设计】第10周、轻量化网络理论与实践 [993M]
┃ ┃ ┣━━10-1 Xception和MobileNet [550.4M]
┃ ┃ ┃ ┣━━10-1-1 轻量化网络理论与实践之Xception理论介绍.abc [74.9M]
┃ ┃ ┃ ┣━━10-1-2 Xception代码讲解.abc [179.2M]
┃ ┃ ┃ ┣━━10-1-3 MobileNetV1理论介绍.abc [64.6M]
┃ ┃ ┃ ┣━━10-1-4 MobileNetV1代码讲解.abc [96.1M]
┃ ┃ ┃ ┣━━10-1-5 MobileNetV2理论介绍.abc [78.6M]
┃ ┃ ┃ ┗━━10-1-6 MobileNetV2代码讲解.abc [57M]
┃ ┃ ┣━━10-2 ShuffleNet [289.3M]
┃ ┃ ┃ ┣━━10-2-1 shufflenetv1理论介绍.abc [70M]
┃ ┃ ┃ ┣━━10-2-2 shufflenetv1代码讲解.abc [82.6M]
┃ ┃ ┃ ┣━━10-2-3 shufflenetv2理论介绍.abc [75M]
┃ ┃ ┃ ┗━━10-2-4 shufflenetv2代码讲解.abc [61.7M]
┃ ┃ ┗━━10-3 Squeezenet [153.2M]
┃ ┃ ┣━━10-3-1 squeezenet理论介绍.abc [94.2M]
┃ ┃ ┗━━10-3-2 squeezenet代码讲解.abc [59M]
┃ ┣━━【阶段4：模型设计】第11周、安卓模型部署 [317.4M]
┃ ┃ ┗━━11-1 模型部署 [317.4M]
┃ ┃ ┣━━11-1-1 通用的分类任务训练代码.abc [56.7M]
┃ ┃ ┣━━11-1-2 利用Tensorboard监控训练速度.abc [15.1M]
┃ ┃ ┣━━11-1-3 通用的分类任务预测代码.abc [31.1M]
┃ ┃ ┣━━11-1-4 Pytorch模型格式转换与优化.abc [14.2M]
┃ ┃ ┣━━11-1-5 安卓部署单张图片识别app.abc [88.1M]
┃ ┃ ┗━━11-1-6 安卓部署实时识别app.abc [112.2M]
┃ ┣━━【阶段4：模型设计】第7周、模型设计基础 [1014.4M]
┃ ┃ ┣━━7-1 早期模型_20220825_181750 [257.9M]
┃ ┃ ┃ ┣━━7-1-1 课程介绍.abc [7.5M]
┃ ┃ ┃ ┣━━7-1-2 Neocognitron.abc [104.4M]
┃ ┃ ┃ ┣━━7-1-3 TDNN.abc [31.5M]
┃ ┃ ┃ ┣━━7-1-4 Cresceptron.abc [11.9M]
┃ ┃ ┃ ┗━━7-1-5 LeNet.abc [102.5M]
┃ ┃ ┣━━7-2 经典模型 [223.4M]
┃ ┃ ┃ ┣━━7-2-1 网络深度对分类模型的影响_简介.abc [1.2M]
┃ ┃ ┃ ┣━━7-2-2 经典的网络AlexNet.abc [59.5M]
┃ ┃ ┃ ┣━━7-2-3 更深的网络VGGNet.abc [58.5M]
┃ ┃ ┃ ┗━━7-2-4 梯度问题与ResNet.abc [104.1M]
┃ ┃ ┗━━7-3 经典模型实战_20220825_181750 [533.1M]
┃ ┃ ┣━━7-3-1 基于ResNet的垃圾分类-任务介绍.abc [6.4M]
┃ ┃ ┣━━7-3-2 基于ResNet的垃圾分类-数据集预处理(1).abc [70.9M]
┃ ┃ ┣━━7-3-2 基于ResNet的垃圾分类-数据集预处理(2).abc [110.1M]
┃ ┃ ┣━━7-3-3 基于ResNet的垃圾分类-数据读取.abc [87.8M]
┃ ┃ ┣━━7-3-4 基于ResNet的垃圾分类-模型训练.abc [86.5M]
┃ ┃ ┣━━7-3-5 基于ResNet的垃圾分类-模型测试.abc [19.1M]
┃ ┃ ┣━━7-3-6 基于ResNet的垃圾分类-模型调优(1).abc [98M]
┃ ┃ ┗━━7-3-6 基于ResNet的垃圾分类-模型调优(2).abc [54.3M]
┃ ┣━━【阶段4：模型设计】第8周、模型设计进阶 [1.3G]
┃ ┃ ┣━━8-1 模型宽度设计 [155.4M]
┃ ┃ ┃ ┣━━8-1-1 经典模型的宽度设计思想_简介.abc [5.5M]
┃ ┃ ┃ ┣━━8-1-2 通道数量调整.abc [107M]
┃ ┃ ┃ ┣━━8-1-3 多分支网络结构.abc [1.3M]
┃ ┃ ┃ ┗━━8-1-4 通道补偿技术.abc [41.6M]
┃ ┃ ┣━━8-2 典型的宽度设计模型 [191.4M]
┃ ┃ ┃ ┣━━8-2-1 网络宽度对模型性能影响_简介.abc [4.5M]
┃ ┃ ┃ ┣━━8-2-2 多通道的网络Inception-v1.abc [48M]
┃ ┃ ┃ ┗━━8-2-3 拓宽的残差网络ResNeXt.abc [138.9M]
┃ ┃ ┗━━8-3 经典模型实战 [974.5M]
┃ ┃ ┣━━8-3-1 基于Inception的花卉分类-项目简介.abc [13.2M]
┃ ┃ ┣━━8-3-2 基于Inception的花卉分类_从零开始搭建Incept.abc [194.5M]
┃ ┃ ┣━━8-3-3 基于Inception的花卉分类_从零开始搭建Incept.abc [217.5M]
┃ ┃ ┣━━8-3-4 基于Inception的花卉分类_从零开始搭建Incept.abc [383.4M]
┃ ┃ ┣━━8-3-5 基于Inception的花卉分类_模型训练.abc [108.7M]
┃ ┃ ┗━━8-3-6 基于Inception的花卉分类_模型测试.abc [57.1M]
┃ ┣━━【阶段4：模型设计】第9周、模型设计高级 [1.1G]
┃ ┃ ┣━━9-1 空间注意力机制 [210.2M]
┃ ┃ ┃ ┣━━9-1-1 STN.abc [86.3M]
┃ ┃ ┃ ┣━━9-1-2 DynamicCapacityNetworks.abc [81.2M]
┃ ┃ ┃ ┗━━9-1-3 LearntoPayAttention.abc [42.7M]
┃ ┃ ┣━━9-2 通道注意力机制 [145.8M]
┃ ┃ ┃ ┣━━9-2-1 SENet.abc [64.8M]
┃ ┃ ┃ ┣━━9-2-2 SKNet.abc [43.3M]
┃ ┃ ┃ ┗━━9-2-3 ResNeSt.abc [37.6M]
┃ ┃ ┣━━9-3 混合注意力机制 [222.6M]
┃ ┃ ┃ ┣━━9-3-1 CBAM.abc [71.3M]
┃ ┃ ┃ ┣━━9-3-2 BAM.abc [34.1M]
┃ ┃ ┃ ┣━━9-3-3 ResidualAttentionNetwork.abc [85.4M]
┃ ┃ ┃ ┗━━9-3-4 DualAttentionNetwork.abc [31.8M]
┃ ┃ ┗━━9-4 注意力模型实战 [502M]
┃ ┃ ┣━━9-4-1 基于SENet模型的人种分类-数据集分析与处理.abc [108.8M]
┃ ┃ ┣━━9-4-2 基于SENet模型的人种分类-模型搭建的通用模板.abc [18.6M]
┃ ┃ ┣━━9-4-3 基于SENet模型的人种分类-从零开始搭建ResNet.abc [225.6M]
┃ ┃ ┣━━9-4-4 基于SENet模型的人种分类-模型训练的通用模板.abc [54M]
┃ ┃ ┗━━9-4-5 基于SENet模型的人种分类-SENet模型搭建和训练.abc [95.1M]
┃ ┣━━【阶段5：目标检测】第12周、目标检测基础 [971.3M]
┃ ┃ ┗━━12-1 目标检测基础 [971.3M]
┃ ┃ ┣━━12-1-1 问题定义.abc [20.7M]
┃ ┃ ┣━━12-1-2 数据集.abc [12.5M]
┃ ┃ ┣━━12-1-3 评价指标.abc [386.8M]
┃ ┃ ┣━━12-1-4 脑图时刻1.abc [38.3M]
┃ ┃ ┣━━12-1-5 算法发展总览.abc [20.8M]
┃ ┃ ┣━━12-1-6 传统检测算法流程.abc [136.2M]
┃ ┃ ┣━━12-1-7 基于深度学习的目标检测流程和分类.abc [135.5M]
┃ ┃ ┣━━12-1-8 anchor-base算法结构.abc [190.7M]
┃ ┃ ┗━━12-1-9 脑图时刻2.abc [29.8M]
┃ ┣━━【阶段5：目标检测】第13周、one-stage算法 [3.9G]
┃ ┃ ┣━━13-1 一阶段目标检测理论 [2G]
┃ ┃ ┃ ┣━━13-1-1 YOLO系列详解之YOLOv1讲解.abc [294.7M]
┃ ┃ ┃ ┣━━13-1-2 YOLO系列详解之YOLOv2讲解.abc [471.6M]
┃ ┃ ┃ ┣━━13-1-3 YOLO系列详解之YOLOv3讲解.abc [335.7M]
┃ ┃ ┃ ┣━━13-1-4 YOLO系列详解之YOLOv4讲解.abc [499.5M]
┃ ┃ ┃ ┣━━13-1-5 YOLO系列详解之YOLOv5讲解.abc [427.9M]
┃ ┃ ┃ ┗━━13-2-1 工业缺陷检测实战课程介绍.abc [1.8M]
┃ ┃ ┗━━13-2 一阶段目标检测实战 [1.9G]
┃ ┃ ┣━━13-2-2 yolov3原理回顾.abc [43.4M]
┃ ┃ ┣━━13-2-3 数据集介绍.abc [28.6M]
┃ ┃ ┣━━13-2-4 主干网络代码讲解.abc [325.8M]
┃ ┃ ┣━━13-2-5 Neck+Head部分代码讲解(上).abc [257.5M]
┃ ┃ ┣━━13-2-6 Neck+Head部分代码讲解(下).abc [394.3M]
┃ ┃ ┣━━13-2-7 解码过程讲解.abc [300.1M]
┃ ┃ ┣━━13-2-8 前向推理代码讲解.abc [269.4M]
┃ ┃ ┗━━13-2-9 训练过程讲解.abc [317.9M]
┃ ┣━━【阶段5：目标检测】第14周、two-stage算法 [1.8G]
┃ ┃ ┣━━14-1 二阶段目标检测理论 [544.9M]
┃ ┃ ┃ ┣━━14-1-1 RCNN讲解.abc [61.8M]
┃ ┃ ┃ ┣━━14-1-2 SPPnet.abc [33.7M]
┃ ┃ ┃ ┣━━14-1-3 FastRCNN.abc [260.2M]
┃ ┃ ┃ ┣━━14-1-4 FasterRCNN.abc [111.2M]
┃ ┃ ┃ ┗━━14-1-5 one-stage算法引入+脑图时刻.abc [78M]
┃ ┃ ┗━━14-2 二阶段目标检测实战 [1.3G]
┃ ┃ ┣━━14-2-1 基于Faster-RCNN的猫脸检测实战之FasterRC.abc [29.4M]
┃ ┃ ┣━━14-2-2 基于Faster-RCNN的猫脸检测实战之数据集介绍.abc [10.9M]
┃ ┃ ┣━━14-2-3 基于Faster-RCNN的猫脸检测实战之主干网络代码讲解.abc [259M]
┃ ┃ ┣━━14-2-4 基于Faster-RCNN的猫脸检测实战之RPN网络代码讲.abc [207.7M]
┃ ┃ ┣━━14-2-5 基于Faster-RCNN的猫脸检测实战之Head部分代码.abc [142.5M]
┃ ┃ ┣━━14-2-6 基于Faster-RCNN的猫脸检测实战之前向推理代码详解.abc [151.6M]
┃ ┃ ┣━━14-2-7 基于Faster-RCNN的猫脸检测实战之训练部分详解.abc [257.1M]
┃ ┃ ┗━━14-2-8 基于Faster-RCNN的猫脸检测实战之权重文件处理知识.abc [255.8M]
┃ ┣━━【阶段5：目标检测】第15周、Anchorfree模型理论与实战 [1.5G]
┃ ┃ ┣━━15-1 Anchor-free目标检测理论 [970.2M]
┃ ┃ ┃ ┣━━15-1-1 anchorfree引入.abc [157.7M]
┃ ┃ ┃ ┣━━15-1-10 CenterNet详解（下）.abc [32.4M]
┃ ┃ ┃ ┣━━15-1-2 DenseBox详解(上).abc [76.5M]
┃ ┃ ┃ ┣━━15-1-3 DenseBox详解(中).abc [123.5M]
┃ ┃ ┃ ┣━━15-1-4 DenseBox详解(下)1.abc [109.2M]
┃ ┃ ┃ ┣━━15-1-4 DenseBox详解(下)2.abc [11.7M]
┃ ┃ ┃ ┣━━15-1-5 CornerNet详解（上）.abc [91.4M]
┃ ┃ ┃ ┣━━15-1-6 CornerNet详解（中）.abc [94.2M]
┃ ┃ ┃ ┣━━15-1-7 CornerNet详解（下）.abc [92.3M]
┃ ┃ ┃ ┣━━15-1-8 CenterNet详解（上）.abc [95.7M]
┃ ┃ ┃ ┗━━15-1-9 CenterNet详解（中）.abc [85.6M]
┃ ┃ ┗━━15-2 Anchor-free目标检测实战 [612.5M]
┃ ┃ ┣━━15-2-1 基于CenterNet的印刷电路板缺陷检测实战之数据集介绍.abc [4.3M]
┃ ┃ ┣━━15-2-2 基于CenterNet的印刷电路板缺陷检测实战之原理回顾（上）.abc [122.1M]
┃ ┃ ┣━━15-2-3 基于CenterNet的印刷电路板缺陷检测实战之原理回顾（下）.abc [116.4M]
┃ ┃ ┣━━15-2-4 基于CenterNet的印刷电路板缺陷检测实战之前向推理代.abc [6.4M]
┃ ┃ ┣━━15-2-5 基于CenterNet的印刷电路板缺陷检测实战之训练过程代.abc [183.6M]
┃ ┃ ┣━━15-2-6 基于CenterNet的印刷电路板缺陷检测实战之训练过程代.abc [140.6M]
┃ ┃ ┗━━15-2-7 基于CenterNet的印刷电路板缺陷检测实战之内容总结.abc [39.3M]
┃ ┣━━【阶段5：目标检测】第16周、基于MMdetection的工程实践 [1.9G]
┃ ┃ ┗━━16-1 MMdetection [1.9G]
┃ ┃ ┣━━16-1-1 mmdetectiion简介与安装.abc [111.2M]
┃ ┃ ┣━━16-1-10 热力图绘制.abc [37.5M]
┃ ┃ ┣━━16-1-11 训练过程和检测结果可视化分析.abc [79M]
┃ ┃ ┣━━16-1-12 工程实践技巧.abc [123.7M]
┃ ┃ ┣━━16-1-2 框架总体讲解.abc [398.2M]
┃ ┃ ┣━━16-1-3 配置文件讲解（上）.abc [301.6M]
┃ ┃ ┣━━16-1-4 配置文件讲解（下）.abc [467.9M]
┃ ┃ ┣━━16-1-5 推理相关源码分析.abc [95.1M]
┃ ┃ ┣━━16-1-6 训练相关源码分析.abc [135.4M]
┃ ┃ ┣━━16-1-7 自定义数据集.abc [61M]
┃ ┃ ┣━━16-1-8 COCO与VOC格式转化.abc [100.6M]
┃ ┃ ┗━━16-1-9 Kmeans聚类边界框.abc [35.6M]
┃ ┣━━【阶段6：图像分割】第17周、图像分割基础与语义分割模型 [437.7M]
┃ ┃ ┣━━17-1 图像分割基础 [118.2M]
┃ ┃ ┃ ┣━━17-1-1 课程介绍.abc [5.5M]
┃ ┃ ┃ ┗━━17-1-2 图像分割基础.abc [112.7M]
┃ ┃ ┣━━17-2 语义分割模型 [187.1M]
┃ ┃ ┃ ┣━━17-2-1 语义分割基础模型.abc [103.3M]
┃ ┃ ┃ ┗━━17-2-2 语义分割模型改进.abc [83.8M]
┃ ┃ ┗━━17-3 弱监督语义分割 [132.4M]
┃ ┃ ┣━━17-3-1 弱监督语义分割模型基础.abc [43M]
┃ ┃ ┗━━17-3-2 弱监督语义分割基础模型.abc [89.4M]
┃ ┣━━【阶段6：图像分割】第18周、语义分割实战 [646.6M]
┃ ┃ ┣━━18-1 图像分割基础实战 [198.3M]
┃ ┃ ┃ ┣━━18-1-1 简单模型嘴唇分割_数据获取与处理.abc [85.4M]
┃ ┃ ┃ ┣━━18-1-2 模型搭建.abc [32M]
┃ ┃ ┃ ┣━━18-1-3 模型训练.abc [57.2M]
┃ ┃ ┃ ┗━━18-1-4 模型测试.abc [23.8M]
┃ ┃ ┗━━18-2 语义分割经典模型实战 [448.3M]
┃ ┃ ┣━━18-2-1 基于BiseNet的表面缺陷分割实战_项目介绍.abc [40.1M]
┃ ┃ ┣━━18-2-2 基于BiseNet的表面缺陷分割实战_模型搭建(PPT讲解）.abc [74.9M]
┃ ┃ ┣━━18-2-3 基于BiseNet的表面缺陷分割实战_模型搭建（代码讲解）.abc [81.2M]
┃ ┃ ┣━━18-2-4 基于BiseNet的表面缺陷分割实战_数据读取.abc [89M]
┃ ┃ ┣━━18-2-5 基于BiseNet的表面缺陷分割实战_模型训练.abc [125.7M]
┃ ┃ ┗━━18-2-6 基于BiseNet的表面缺陷分割实战_模型测试.abc [37.4M]
┃ ┣━━【阶段6：图像分割】第19周、ImageMatting理论与实战 [428.1M]
┃ ┃ ┣━━19-1 ImageMatting经典模型 [217.1M]
┃ ┃ ┃ ┣━━19-1-1 ImageMatting基础.abc [88.8M]
┃ ┃ ┃ ┣━━19-1-2 基于trimap的imagematting框架.abc [93.9M]
┃ ┃ ┃ ┗━━19-1-3 ImageMatting模型改进-粗标签篇.abc [34.4M]
┃ ┃ ┗━━19-2 ImageMatting实战_20220831_142301 [211M]
┃ ┃ ┣━━19-2-1 matting的人像抠图实战_原理介绍.abc [18M]
┃ ┃ ┣━━19-2-2 matting的人像抠图实战_数据准备与读取.abc [68.7M]
┃ ┃ ┣━━19-2-3 matting的人像抠图实战_模型定义.abc [48.4M]
┃ ┃ ┗━━19-2-4 matting的人像抠图实战_模型训练与测试.abc [75.9M]
┃ ┣━━【阶段6：图像分割】第20周、实例分割理论与实战 [531.6M]
┃ ┃ ┣━━20-1 实例分割经典模型理论 [300.5M]
┃ ┃ ┃ ┣━━20-1-1 实例分割基础.abc [48.3M]
┃ ┃ ┃ ┣━━20-1-2 基础实例分割模型.abc [58.5M]
┃ ┃ ┃ ┣━━20-1-3 二阶段实例分割模型.abc [81.7M]
┃ ┃ ┃ ┗━━20-1-4 一阶段实例分割模型.abc [112M]
┃ ┃ ┗━━20-2 实例分割实战 [231.1M]
┃ ┃ ┣━━20-2-1 基于Mask-RCNN的实例分割实战_数据读取.abc [52.7M]
┃ ┃ ┣━━20-2-2 基于Mask-RCNN的实例分割实战_价指标编写.abc [7.3M]
┃ ┃ ┗━━20-2-3 基于Mask-RCNN的实例分割实战_网络模型搭建.abc [171.1M]
┃ ┣━━【阶段7：图像生成GAN】第21周、基础图像生成GAN模型 [403.4M]
┃ ┃ ┣━━21-1 DCGAN理论与实战 [272.1M]
┃ ┃ ┃ ┣━━21-1-1 DCGAN原理.abc [51.7M]
┃ ┃ ┃ ┣━━21-1-2 基于DCGAN的图像生成实战项目解读.abc [21.8M]
┃ ┃ ┃ ┣━━21-1-3 基于DCGAN的图像生成实战模型搭建.abc [44.3M]
┃ ┃ ┃ ┣━━21-1-4 基于DCGAN的图像生成实战模型训练.abc [119.9M]
┃ ┃ ┃ ┗━━21-1-5 基于DCGAN的图像生成实战模型测试.abc [34.5M]
┃ ┃ ┗━━21-2 条件GAN与多尺度GAN理论 [131.3M]
┃ ┃ ┣━━21-2-1 条件GAN.abc [69.3M]
┃ ┃ ┗━━21-2-2 多尺度图像生成GAN.abc [62M]
┃ ┣━━【阶段7：图像生成GAN】第22周、高阶图像生成GAN模型 [779.1M]
┃ ┃ ┣━━22-1 StyleGAN理论 [260.7M]
┃ ┃ ┃ ┣━━22-1-1 StyleGANv1详解.abc [150.5M]
┃ ┃ ┃ ┗━━22-1-2 StyleGANv2详解.abc [110.1M]
┃ ┃ ┣━━22-2 StyleGAN实战 [487.8M]
┃ ┃ ┃ ┣━━22-2-1 StyleGAN模型解读.abc [327.3M]
┃ ┃ ┃ ┗━━22-2-2 StyleGAN图像生成测试.abc [160.5M]
┃ ┃ ┗━━22-3 数据增强与仿真GAN [30.7M]
┃ ┃ ┗━━22-3-1 数据增强与仿真GAN.abc [30.7M]
┃ ┣━━【阶段8：模型分析】第23周、模型分析 [647.2M]
┃ ┃ ┣━━23-1 模型可视化分析 [546.7M]
┃ ┃ ┃ ┣━━23-1-1 课程介绍.abc [3.5M]
┃ ┃ ┃ ┣━━23-1-2 模型结构可视化.abc [47.8M]
┃ ┃ ┃ ┣━━23-1-3 权重可视化.abc [25.9M]
┃ ┃ ┃ ┣━━23-1-4 反卷积可视化.abc [86.6M]
┃ ┃ ┃ ┣━━23-1-5 反卷积可视化实践.abc [161.5M]
┃ ┃ ┃ ┣━━23-1-6 激活热图.abc [64.2M]
┃ ┃ ┃ ┗━━23-1-7 激活热图可视化实践.abc [157.3M]
┃ ┃ ┗━━23-2 模型复杂度分析 [100.5M]
┃ ┃ ┣━━23-2-1 模型复杂度分析.abc [53.7M]
┃ ┃ ┗━━23-2-2 模型速度分析.abc [46.8M]
┃ ┣━━【阶段9：人脸检测与识别】第24周、人脸检测理论与实战 [1.7G]
┃ ┃ ┣━━24-1 人脸检测与关键点检测 [0B]
┃ ┃ ┣━━24-2 人脸检测实战 [0B]
┃ ┃ ┣━━24-1-1 人脸检测上.abc [78.3M]
┃ ┃ ┣━━24-1-2 人脸检测下.abc [52.2M]
┃ ┃ ┣━━24-1-3 人脸关键点检测.abc [116.4M]
┃ ┃ ┣━━24-2-1 人脸检测简介.abc [57.4M]
┃ ┃ ┣━━24-2-2 常见人脸数据集.abc [4.2M]
┃ ┃ ┣━━24-2-3 数据集读取模块.abc [428.1M]
┃ ┃ ┣━━24-2-4 RetinaFace模型模块.abc [415.7M]
┃ ┃ ┣━━24-2-5 MultiBox损失函数.abc [433.3M]
┃ ┃ ┗━━24-2-6 RetinaFace测试与推理.abc [190.6M]
┃ ┗━━【阶段9：人脸检测与识别】第25周、人脸识别理论与实战 [779.9M]
┃ ┣━━25-1 人脸识别 [0B]
┃ ┣━━25-2 人脸识别实战 [0B]
┃ ┣━━25-1-1 人脸识别上.abc [66.5M]
┃ ┣━━25-1-2 人脸识别下.abc [55.8M]
┃ ┣━━25-2-1 人脸识别项目背景.abc [37.8M]
┃ ┣━━25-2-2 人脸识别项目数据预处理.abc [167.9M]
┃ ┣━━25-2-3 人脸识别项目数据读取.abc [55.9M]
┃ ┣━━25-2-4 人脸识别项目模型解读.abc [81.6M]
┃ ┣━━25-2-5 人脸识别项目模型训练.abc [170.8M]
┃ ┣━━25-2-6 人脸识别项目模型测试.abc [78.9M]
┃ ┗━━25-2-7 人脸属性识别.abc [64.7M]
┗━━00.资料.zip [5.5G]

admin网站管理

收藏 海报 链接