|
|
深度学习-行人重识别实战
! Z) h. M" N1 ~5 D5 C├──资料# F5 L4 _& E, L1 `1 G( G1 F. E
├──01.课程简介 .mp4 24.64M
5 x, r! H! J3 \; _$ g├──02.行人重识别要解决的问题 .mp4 23.49M
' G3 }$ ]0 R* I2 Z! ?) L├──03.挑战与困难分析 .mp4 46.32M
) \% O! y2 j, @3 [ F├──04.评估标准rank1指标 .mp4 14.81M
1 O0 q, G5 S0 y3 S3 N3 w├──05.map值计算方法 .mp4 22.44M
7 \+ M% |2 C3 D; b0 H' u├──06.triplet损失计算实例 .mp4 31.89M
6 L. L: Y0 i' W9 j, F: e6 f6 a├──07.Hard-Negative方法应用 .mp4 30.36M: J" P5 X( X. a2 q( L0 @
├──09.论文整体思想及注意力机制的作用解读 .mp4 41.39M
' \7 a' i' Z x├──10.空间权重值计算流程分析 .mp4 23.84M( J) f, {3 i4 `3 L: [8 h0 t
├──11.融合空间注意力所需特征 .mp4 25.33M7 @- T" W; X! g/ e5 [) e: {
├──12.基于特征图的注意力计算 .mp4 25.27M/ h+ Y2 o0 k, F( J' y1 l8 h
├──13.项目环境与数据集配置 .mp4 46.73M' k7 [7 D7 v1 A3 K3 r9 S3 E6 T9 ~
├──14.参数配置与整体架构分析 .mp4 57.77M6 t7 b# }& d/ F0 C& a+ h
├──15.进入debug模式解读网络计算流程 .mp4 36.25M
$ Q& M% i# B: d3 K4 ^% M├──16.获得空间位置点之间的关系 .mp4 48.13M
# ?( h& ]9 m/ m' R; o/ |├──17.组合关系特征图 .mp4 32.33M
]4 |& S8 ~4 }# Y" g3 c├──18.计算得到位置权重值 .mp4 37.74M5 C9 t2 J4 M1 Z( c7 w* z+ B4 ~
├──19.基于特征图的权重计算 .mp4 28.98M' w6 p" `8 S3 g. R/ D
├──20.损失函数计算实例解读 .mp4 59.37M* x8 n0 q3 }' p0 P( p* }4 O
├──21.训练与测试模块演示 .mp4 132.21M
0 b' D( Y: l9 U, K* X* x├──22.论文整体框架概述 .mp4 11.92M
9 u h. g4 f& u8 Q├──23.局部特征与全局关系计算方法 .mp4 10.41M
. ]- i3 k3 d# Y1 ^) f& Q& u0 b├──24.特征分组方法 .mp4 10.64M
* K3 ~* u" l( u├──25.GCP模块特征融合方法 .mp4 47.57M
% N5 n9 H0 E* i5 {* ?8 l├──26.oneVsReset方法实例 .mp4 10.51M
$ q; D: ~4 x+ N6 D x( Q├──27.损失函数应用位置 .mp4 10.63M
/ W4 q1 q+ S% B; `4 t8 \3 `├──28.项目配置与数据集介绍 .mp4 129.52M
k2 ]7 S g+ o, w$ ?( B' B├──29.数据源构建方法分析 .mp4 21.21M/ c3 e* U9 d( A0 F
├──30.dataloader加载顺序解读 .mp4 32.74M
B3 m+ Y& N) I& h( |├──31.debug模式解读 .mp4 27.96M( i8 U! Q" N- [* h1 Q# L/ w; J
├──32.网络计算整体流程演示 .mp4 17.73M
; P0 P% I6 `4 O, g$ P4 j2 X├──33.特征序列构建 .mp4 21.89M
, s" W! f% Q- ~% l9 U$ S+ N├──34.GCP全局特征提取 .mp4 19.21M+ i( k0 e% x! N& @6 v6 U: |
├──35.局部特征提取实例 .mp4 24.53M
: p- P; J1 D7 v6 o- r├──36.特征组合汇总 .mp4 24.67M/ @' X. U$ d: s* Z7 R1 d4 j
├──37.得到所有分组特征结果 .mp4 24.37M
6 q& y7 i1 b9 }6 O+ N├──38.损失函数与训练过程演示 .mp4 87.58M
: J \7 V* ? [. A3 }' b├──39.测试与验证模块 .mp4 19.29M
& X) x) g" ]$ B! X6 T/ m( C├──40.关键点位置特征构建 .mp4 13.26M
* g; X* q1 Q8 w+ N" \├──41.图卷积与匹配的作用 .mp4 15.75M
* l" [8 ?+ Z4 C8 L. c, K├──42.局部特征热度图计算 .mp4 16.51M7 X: Z) l1 d3 C E
├──43.基于图卷积构建人体拓扑关系 .mp4 19.78M
4 w/ O; B9 v5 r: \0 L├──44.图卷积模块实现方法 .mp4 17.98M, j' i: w$ T( I/ [3 Z9 s8 A' _
├──45.图匹配在行人重识别中的作用 .mp4 12.23M
+ I5 U' X; r; r├──46.整体算法框架分析 .mp4 15.92M# z& {( G! g. O# a" Z/ n Z; ]
├──47.数据集与环境配置概述 .mp4 87.62M: s/ y |$ }, L
├──48.局部特征准备方法 .mp4 23.22M
% q- S% O3 X9 \├──49.得到一阶段热度图结果 .mp4 21.92M
% U9 W' M# @. ?5 v├──50.阶段监督训练 .mp4 38.19M+ }7 }- f# ~; x" I, |3 s
├──51.初始化图卷积模型 .mp4 21.31M9 t6 P) t# `8 `8 l% F) V# p
├──52.mask矩阵的作用 .mp4 20.35M
Q7 x& _% p$ m* ?, b" j9 }, y# L├──53.邻接矩阵学习与更新 .mp4 26.38M y' n$ t0 y9 `9 d2 Q
├──54.基于拓扑结构组合关键点特征 .mp4 78.39M
+ O8 ^6 ?/ E+ n# g5 p6 J├──55.图匹配模块计算流程 .mp4 33.73M
1 l0 |( S6 p5 k& d9 `. Y├──56.整体项目总结 .mp4 32.91M
+ i" G9 v; L4 V+ C├──57.卷积神经网络应用领域 .mp4 14.23M
# O [, W' c/ n( j3 w$ J2 w$ r8 C├──58.卷积的作用 .mp4 16.76M
. k* R" _' i6 X├──59.卷积特征值计算方法 .mp4 14.75M
g: j9 s* n& }/ b7 m├──60.得到特征图表示 .mp4 13.42M8 }8 Q; e5 F! E/ b2 t1 w9 p3 ^& B
├──61.步长与卷积核大小对结果的影响 .mp4 44.71M: W( ?; J& R: e; X
├──62.边缘填充方法 .mp4 12.69M& |, Q. c+ t' w
├──63.特征图尺寸计算与参数共享 .mp4 39.66M
6 C' {& v o+ }8 c7 S7 N├──64.池化层的作用 .mp4 13.16M1 @3 L7 c. x* o7 ]0 _& @
├──65.整体网络架构 .mp4 11.53M# N/ B N8 [6 z% _8 Y! C F) g
├──66.VGG网络架构 .mp4 12.18M. { `, ]/ n( t( X+ Y. \+ j
├──67.残差网络Resnet .mp4 31.89M
5 Z- h$ O; X7 `, B0 a Z5 c. |├──68.感受野的作用 .mp4 11.48M
" z! m. S; h; f├──69.PyTorch框架发展趋势简介 .mp4 15.28M
: {9 j9 b5 Q4 E4 v) r2 u0 N├──70.框架安装方法（CPU与GPU版本） .mp4 25.46M( C/ K- ]4 H: X( R3 v) ]- U
├──71.PyTorch基本操作简介 .mp4 17.57M
s& b) D6 W, \8 s: T1 f├──72.自动求导机制 .mp4 21.24M3 W. v' |; Z3 A$ q- h
├──73.线性回归DEMO-数据与参数配置 .mp4 15.70M
( x( G9 d6 v( i% S+ Z├──74.线性回归DEMO-训练回归模型 .mp4 21.66M
4 p7 U( b; y- R) @4 R├──75.常见tensor格式 .mp4 13.05M9 k+ `2 j1 e0 D0 a
├──76.Hub模块简介 .mp4 26.69M
, j2 \, z6 O! F; ?4 ] U5 a# X├──77.卷积网络参数定义 .mp4 14.97M
' i, u; {' {& z7 h├──78.网络流程解读 .mp4 18.57M
2 M5 n N, d! H- ]9 p3 J; C8 H├──79.vision模块功能解读 .mp4 12.51M
* y6 G4 u8 s& ^0 y7 ]/ y, p1 A├──80.分类任务数据集定义与配置 .mp4 28.59M) V2 b9 g- u2 [3 [' G7 ]) E6 v
├──81.图像增强的作用 .mp4 21.21M7 s1 L9 x, M) Y4 \1 M
├──82.数据预处理与数据增强模块 .mp4 46.72M, ^' D! D- b( k+ V
├──83.Batch数据制作 .mp4 43.26M6 Y! T: B9 {1 t# O
├──84.迁移学习的目标 .mp4 17.14M7 x9 G& b, G5 a" t; X
├──85.迁移学习策略 .mp4 21.02M
# f; i! ]8 x3 ]( S# Q% g$ V├──86.加载训练好的网络模型 .mp4 48.46M
0 F0 r. k x% S r: d" ?, R: C├──87.优化器模块配置 .mp4 25.64M
* |, {6 P. M p9 w$ L├──88.实现训练模块 .mp4 40.37M9 s" y$ ^, w+ K
├──89.训练结果与模型保存 .mp4 46.00M/ |, V2 B# Z7 V1 T4 v. b0 M
├──90.加载模型对测试数据进行预测 .mp4 48.30M
" B9 J7 G5 f. g9 D% Y├──91.额外补充-Resnet论文解读 .mp4 58.43M
7 B+ j9 |$ K$ q; X5 y└──92.额外补充-Resnet网络架构解读 .mp4 23.43M
# u4 ~2 j5 f" P; G& l( o2 c
; G2 L6 {2 e, W5 ?0 i. v; P9 s: q4 \/ z
/ q8 ?/ b$ m' w# P
资源下载地址和密码（百度云盘）： [/hide] 百度网盘信息回帖可见( l; D- T" D5 M; K; P- k
2 L, Q* h0 B6 w X- ]% P# S% t0 b# W7 f% R: ~8 ?
8 J" s. M1 i# C/ }
本资源由Java自学网收集整理【www.javazx.com】 |
|
[复制链接]
发表于 2024-4-16 15:03:01
