深度学习-行人重识别实战

潇潇雨下

深度学习-行人重识别实战
7 W6 X" t4 q! W7 G0 S8 c├──资料
├──01.课程简介 .mp4 24.64M
├──02.行人重识别要解决的问题 .mp4 23.49M
├──03.挑战与困难分析 .mp4 46.32M
2 x1 p" w( b5 n+ k) N# w/ H├──04.评估标准rank1指标 .mp4 14.81M
├──05.map值计算方法 .mp4 22.44M
' T* K+ v  d- P8 `3 s: |% _3 H% O; z* _├──06.triplet损失计算实例 .mp4 31.89M
├──07.Hard-Negative方法应用 .mp4 30.36M
├──09.论文整体思想及注意力机制的作用解读 .mp4 41.39M
) M. H* r& ~6 N6 [; P& F; R+ h├──10.空间权重值计算流程分析 .mp4 23.84M
├──11.融合空间注意力所需特征 .mp4 25.33M
├──12.基于特征图的注意力计算 .mp4 25.27M
├──13.项目环境与数据集配置 .mp4 46.73M
; F- k8 ^  ]6 C# `/ N3 l/ ^  s! Y4 P├──14.参数配置与整体架构分析 .mp4 57.77M
/ {6 [0 m6 |- d4 X├──15.进入debug模式解读网络计算流程 .mp4 36.25M
  d2 A& w; [  l. h├──16.获得空间位置点之间的关系 .mp4 48.13M
* o. v' |) g' _├──17.组合关系特征图 .mp4 32.33M
├──18.计算得到位置权重值 .mp4 37.74M
' F7 ^" H2 g' q; R* Z├──19.基于特征图的权重计算 .mp4 28.98M
├──20.损失函数计算实例解读 .mp4 59.37M
) ?0 g! a4 F8 K8 k9 Y  }├──21.训练与测试模块演示 .mp4 132.21M
+ R  U& T4 d# ?( r├──22.论文整体框架概述 .mp4 11.92M
├──23.局部特征与全局关系计算方法 .mp4 10.41M
, m- U' k* s; ]9 }( {├──24.特征分组方法 .mp4 10.64M
' W  U4 i8 {' T* Q/ Q├──25.GCP模块特征融合方法 .mp4 47.57M
/ r# B+ O$ R0 E( V  c2 W/ I: `├──26.oneVsReset方法实例 .mp4 10.51M
├──27.损失函数应用位置 .mp4 10.63M
├──28.项目配置与数据集介绍 .mp4 129.52M
├──29.数据源构建方法分析 .mp4 21.21M
├──30.dataloader加载顺序解读 .mp4 32.74M
: c) Z  _* C5 J, n3 Z) {├──31.debug模式解读 .mp4 27.96M
8 M5 z) O6 r1 F1 H& C0 {6 r├──32.网络计算整体流程演示 .mp4 17.73M
├──33.特征序列构建 .mp4 21.89M
# C7 a4 g; y& ?( Q% B5 x$ J0 k├──34.GCP全局特征提取 .mp4 19.21M
├──35.局部特征提取实例 .mp4 24.53M
├──36.特征组合汇总 .mp4 24.67M
) ?* V. o1 i2 Y( _# D├──37.得到所有分组特征结果 .mp4 24.37M
├──38.损失函数与训练过程演示 .mp4 87.58M
├──39.测试与验证模块 .mp4 19.29M
7 Z$ }# G+ m  P0 x& z├──40.关键点位置特征构建 .mp4 13.26M
2 q- k" k# q( \4 T( |0 g├──41.图卷积与匹配的作用 .mp4 15.75M
├──42.局部特征热度图计算 .mp4 16.51M
5 t: z9 R8 N" Z$ K├──43.基于图卷积构建人体拓扑关系 .mp4 19.78M
: D1 c: D; U% ~. P& w├──44.图卷积模块实现方法 .mp4 17.98M
& h9 [, _9 @8 S6 W5 x. [6 O├──45.图匹配在行人重识别中的作用 .mp4 12.23M
5 _! ?* @6 w* P% i. Y1 ^9 S. `) y├──46.整体算法框架分析 .mp4 15.92M
, \, D- K* ]/ W# G├──47.数据集与环境配置概述 .mp4 87.62M
0 v% J5 J7 [2 ~4 w) }. f├──48.局部特征准备方法 .mp4 23.22M
├──49.得到一阶段热度图结果 .mp4 21.92M
├──50.阶段监督训练 .mp4 38.19M
├──51.初始化图卷积模型 .mp4 21.31M
4 W9 U6 T1 t/ I; C├──52.mask矩阵的作用 .mp4 20.35M
├──53.邻接矩阵学习与更新 .mp4 26.38M
! A. o! l  }4 f, g% {├──54.基于拓扑结构组合关键点特征 .mp4 78.39M
& P" {- f& }1 W5 ?├──55.图匹配模块计算流程 .mp4 33.73M
├──56.整体项目总结 .mp4 32.91M
- P! i. A& Y3 A$ g├──57.卷积神经网络应用领域 .mp4 14.23M
$ \# F4 {* U4 Z├──58.卷积的作用 .mp4 16.76M
3 V. u) p. J/ P# V4 V, V9 x0 y├──59.卷积特征值计算方法 .mp4 14.75M
- X' v* C) X  x5 s5 o% ]2 d+ u% [& U& j# e├──60.得到特征图表示 .mp4 13.42M
; ^8 j3 [* H$ K! \4 x- D6 t├──61.步长与卷积核大小对结果的影响 .mp4 44.71M
├──62.边缘填充方法 .mp4 12.69M
├──63.特征图尺寸计算与参数共享 .mp4 39.66M
# |9 h) Z+ p% m/ Y# Z, J, g1 }& H% b  s' {( s├──64.池化层的作用 .mp4 13.16M
) u8 F  O5 I, w/ W: Z" m├──65.整体网络架构 .mp4 11.53M
├──66.VGG网络架构 .mp4 12.18M
├──67.残差网络Resnet .mp4 31.89M
1 f2 w9 Q* |& _- _├──68.感受野的作用 .mp4 11.48M
5 ^% G  O8 ^* M, Z! _├──69.PyTorch框架发展趋势简介 .mp4 15.28M
/ F8 o$ M0 t! l/ J; F- n) Z├──70.框架安装方法（CPU与GPU版本） .mp4 25.46M
├──71.PyTorch基本操作简介 .mp4 17.57M
6 `/ h5 F8 G$ |2 G├──72.自动求导机制 .mp4 21.24M
├──73.线性回归DEMO-数据与参数配置 .mp4 15.70M
" U: `. f- B& M. E├──74.线性回归DEMO-训练回归模型 .mp4 21.66M
9 n; R" u0 V3 K& L/ D  j├──75.常见tensor格式 .mp4 13.05M
. D% P. l! y7 J- @├──76.Hub模块简介 .mp4 26.69M
├──77.卷积网络参数定义 .mp4 14.97M
├──78.网络流程解读 .mp4 18.57M
├──79.vision模块功能解读 .mp4 12.51M
7 c( m# P7 u% R) K( L├──80.分类任务数据集定义与配置 .mp4 28.59M
8 l& v) X, j5 C3 {. w; i+ p  r  t( ?├──81.图像增强的作用 .mp4 21.21M
├──82.数据预处理与数据增强模块 .mp4 46.72M
& q" q. A. z4 j  D├──83.Batch数据制作 .mp4 43.26M
├──84.迁移学习的目标 .mp4 17.14M
├──85.迁移学习策略 .mp4 21.02M
├──86.加载训练好的网络模型 .mp4 48.46M
├──87.优化器模块配置 .mp4 25.64M
├──88.实现训练模块 .mp4 40.37M
: F4 \% O$ _: K0 |) c├──89.训练结果与模型保存 .mp4 46.00M
  E' V3 `2 Z+ F! L  U, E7 s9 Z9 {├──90.加载模型对测试数据进行预测 .mp4 48.30M
: a9 }8 z# b) G% Z. D$ ]6 w├──91.额外补充-Resnet论文解读 .mp4 58.43M
* y! w" T8 `1 D* H& s└──92.额外补充-Resnet网络架构解读 .mp4 23.43M
3 k# V1 w: T; E4 f* ]2 {* y


资源下载地址和密码（百度云盘）：

游客，如果您要查看本帖隐藏内容请回复

[/hide] 百度网盘信息回帖可见
+ C  W1 |' e: ]- }4 e


本资源由Java自学网收集整理【www.javazx.com】

9527

好资源不错