|
|
深度学习-行人重识别实战
9 \% `6 N6 ]# V7 P! a├──资料
, \" w: s" }. G6 @4 z4 R+ h├──01.课程简介 .mp4 24.64M& Q% N3 G5 S( c; k, e
├──02.行人重识别要解决的问题 .mp4 23.49M
- q3 K6 o3 a+ x+ v% l& u1 O6 P2 A├──03.挑战与困难分析 .mp4 46.32M" e+ j* ^, g R* V. K) }) N
├──04.评估标准rank1指标 .mp4 14.81M
& c1 i3 j( N$ [├──05.map值计算方法 .mp4 22.44M
$ @8 V" a( d+ L3 p7 {- F: v' r* l5 e├──06.triplet损失计算实例 .mp4 31.89M3 b- r3 b9 H7 B( X* @+ }
├──07.Hard-Negative方法应用 .mp4 30.36M5 M8 h# y8 H f2 k3 N1 z, d
├──09.论文整体思想及注意力机制的作用解读 .mp4 41.39M
7 T* E, {- t9 N) t6 [ L/ i├──10.空间权重值计算流程分析 .mp4 23.84M2 [) N) l- U) a9 j& a( P
├──11.融合空间注意力所需特征 .mp4 25.33M
6 r# ]/ y! }( b' ]├──12.基于特征图的注意力计算 .mp4 25.27M
' _0 J+ C( d% A/ H) J├──13.项目环境与数据集配置 .mp4 46.73M
6 p. q. {( f6 c( K+ r├──14.参数配置与整体架构分析 .mp4 57.77M
2 K) j/ f& C. U. e: U7 l) s. b4 S├──15.进入debug模式解读网络计算流程 .mp4 36.25M
" [: N% V' R" l├──16.获得空间位置点之间的关系 .mp4 48.13M
2 P7 d/ `7 q) L6 C├──17.组合关系特征图 .mp4 32.33M
7 u8 E R! z; c, T' u9 N u, j├──18.计算得到位置权重值 .mp4 37.74M3 Q* {5 x5 @9 B( E: }2 n3 e: g
├──19.基于特征图的权重计算 .mp4 28.98M
9 d) S6 Y: {& f├──20.损失函数计算实例解读 .mp4 59.37M
Q! U& K7 h9 W- I) W├──21.训练与测试模块演示 .mp4 132.21M
1 O3 K# A& d4 @0 Z' u2 s) E├──22.论文整体框架概述 .mp4 11.92M5 A+ z6 U D0 D/ o
├──23.局部特征与全局关系计算方法 .mp4 10.41M7 x- A6 p8 |$ Q3 }& Z! T$ R, r( Y
├──24.特征分组方法 .mp4 10.64M
& s( p) a; b. D/ L, d, E├──25.GCP模块特征融合方法 .mp4 47.57M
" R0 g# f( b5 t; F* V9 N├──26.oneVsReset方法实例 .mp4 10.51M
9 C6 C0 z" y% Y3 U├──27.损失函数应用位置 .mp4 10.63M) b8 U0 q/ r. ^
├──28.项目配置与数据集介绍 .mp4 129.52M
! R9 g/ ]( C3 Q7 d$ ?5 A├──29.数据源构建方法分析 .mp4 21.21M
% Q, }/ ]$ ~+ g5 c2 y3 B├──30.dataloader加载顺序解读 .mp4 32.74M
9 u: V5 t; r* t! `/ D0 P' Q├──31.debug模式解读 .mp4 27.96M
: d5 Y2 A7 o7 \# I O3 e& c$ V├──32.网络计算整体流程演示 .mp4 17.73M0 J; {5 y0 R9 a) I' i: w
├──33.特征序列构建 .mp4 21.89M) ?, Y# r" V* X7 [$ E* Z/ w
├──34.GCP全局特征提取 .mp4 19.21M1 e" X& g- B/ }1 r
├──35.局部特征提取实例 .mp4 24.53M' e7 q, i" B7 Q# V$ `
├──36.特征组合汇总 .mp4 24.67M3 U- } G L' a# W/ H F
├──37.得到所有分组特征结果 .mp4 24.37M% `5 u+ [/ m6 h, E& z/ u
├──38.损失函数与训练过程演示 .mp4 87.58M
# f( i3 D* k$ \ c: c├──39.测试与验证模块 .mp4 19.29M: e. ?5 U0 W6 Y' K
├──40.关键点位置特征构建 .mp4 13.26M
% n; M" I( J1 n6 Y+ |├──41.图卷积与匹配的作用 .mp4 15.75M u0 C- Y P9 M
├──42.局部特征热度图计算 .mp4 16.51M4 m1 Q8 Y5 w a$ j( T
├──43.基于图卷积构建人体拓扑关系 .mp4 19.78M
h( u: I, b/ {2 p' O├──44.图卷积模块实现方法 .mp4 17.98M
0 p( Y K8 w8 d├──45.图匹配在行人重识别中的作用 .mp4 12.23M
4 |" K% G/ |0 |. y! E- I7 N├──46.整体算法框架分析 .mp4 15.92M4 ]( ~9 [& T3 y6 S# w; {: V
├──47.数据集与环境配置概述 .mp4 87.62M
, |) d& y8 I3 ~8 k/ o├──48.局部特征准备方法 .mp4 23.22M/ x- O3 l1 O8 \& O2 v
├──49.得到一阶段热度图结果 .mp4 21.92M
9 B; ^9 g. z D& }6 d/ j├──50.阶段监督训练 .mp4 38.19M
2 H- }# q5 b$ { j9 X0 e├──51.初始化图卷积模型 .mp4 21.31M
4 X) k& w! `! O& H* A& M├──52.mask矩阵的作用 .mp4 20.35M
1 d! K" P: Q; b2 w) S3 m4 P├──53.邻接矩阵学习与更新 .mp4 26.38M
) p( f! {9 S4 X, Z9 H# p# J3 s├──54.基于拓扑结构组合关键点特征 .mp4 78.39M
% |( t) M( n5 ?; c0 g. v" n/ B/ t, K├──55.图匹配模块计算流程 .mp4 33.73M' j6 A0 H4 v( K, R+ R/ z5 |9 G L
├──56.整体项目总结 .mp4 32.91M
' B2 M2 l0 H" C- v, H1 i├──57.卷积神经网络应用领域 .mp4 14.23M
( I2 C8 u+ z& W& Q2 c) o├──58.卷积的作用 .mp4 16.76M% w9 {" {+ j8 F2 u/ r. y
├──59.卷积特征值计算方法 .mp4 14.75M* ~& e; Y, u- u8 Q, g3 _( ^0 P
├──60.得到特征图表示 .mp4 13.42M
$ n" m2 w! Y2 y* N2 {├──61.步长与卷积核大小对结果的影响 .mp4 44.71M( t: P! Q. b& _9 k1 K
├──62.边缘填充方法 .mp4 12.69M
2 O0 t4 H) l6 }4 h/ j3 I├──63.特征图尺寸计算与参数共享 .mp4 39.66M. g+ ?5 U0 t0 O
├──64.池化层的作用 .mp4 13.16M3 f( D) j1 S; @& S; g+ u
├──65.整体网络架构 .mp4 11.53M) ~3 }7 ~1 I8 T; T6 } f0 K; c. L
├──66.VGG网络架构 .mp4 12.18M& J: k! p. b/ c/ @; i
├──67.残差网络Resnet .mp4 31.89M# C! h9 V/ h+ [0 w$ X- y! y' L
├──68.感受野的作用 .mp4 11.48M
* @4 ~' S8 S7 Y% ?% s├──69.PyTorch框架发展趋势简介 .mp4 15.28M
' T& D5 O. P7 L( T/ ^1 \ l) V. p$ y├──70.框架安装方法（CPU与GPU版本） .mp4 25.46M
^4 L7 j# ]. X& F& E' r├──71.PyTorch基本操作简介 .mp4 17.57M
?, X/ N/ n6 }( P% ^├──72.自动求导机制 .mp4 21.24M( Y/ o, c9 a2 u( M- t/ U
├──73.线性回归DEMO-数据与参数配置 .mp4 15.70M2 w g2 ?7 o! j5 f* \ K1 [
├──74.线性回归DEMO-训练回归模型 .mp4 21.66M
2 H3 ], f0 @ b6 i1 A6 U! E├──75.常见tensor格式 .mp4 13.05M
9 H; v% \8 W1 c. w0 }) A├──76.Hub模块简介 .mp4 26.69M. n' q/ y" B3 ~2 {- `- ^
├──77.卷积网络参数定义 .mp4 14.97M z" i" F/ |, j" @. A+ L
├──78.网络流程解读 .mp4 18.57M
0 a: _2 T8 M# [; A! `├──79.vision模块功能解读 .mp4 12.51M8 Q/ @+ \- \4 n! V
├──80.分类任务数据集定义与配置 .mp4 28.59M t/ w7 }+ N& F" h
├──81.图像增强的作用 .mp4 21.21M
8 g# J5 K9 ]% f$ I+ x/ A6 d├──82.数据预处理与数据增强模块 .mp4 46.72M2 w3 y$ {% z7 t2 X$ a
├──83.Batch数据制作 .mp4 43.26M
" h' k p ~; e/ e) H├──84.迁移学习的目标 .mp4 17.14M& `0 B" b$ E5 ~& R8 f0 X7 X
├──85.迁移学习策略 .mp4 21.02M; q2 E8 H8 v- g. B( ?- d0 l
├──86.加载训练好的网络模型 .mp4 48.46M; }& M* ^7 E4 ?( D" a: s- T- |# w
├──87.优化器模块配置 .mp4 25.64M, h. P" |! C0 k6 h1 i7 x& D
├──88.实现训练模块 .mp4 40.37M; v# u+ d8 p! k1 a. d, p
├──89.训练结果与模型保存 .mp4 46.00M
& J3 p( r# `; P├──90.加载模型对测试数据进行预测 .mp4 48.30M8 G0 m5 m1 [4 u% [4 g. y/ H
├──91.额外补充-Resnet论文解读 .mp4 58.43M& Z3 G* o6 L0 @% o \
└──92.额外补充-Resnet网络架构解读 .mp4 23.43M
/ Z0 X6 y. ~5 k& r5 {: q1 X6 Q* {* R8 f" A+ {: ^
; ?5 Z( h4 b B- E4 \/ V1 d+ t0 ?* B
2 r* S/ c0 r6 V+ w2 S1 S资源下载地址和密码（百度云盘）： [/hide] 百度网盘信息回帖可见
- a, G4 J# w8 H7 W4 b0 A
0 H- _( N3 M# L; I5 Q) x- i Y( l5 N2 }+ G0 N$ U* o
, g% n R$ s( z+ H* |# l" B本资源由Java自学网收集整理【www.javazx.com】 |
|
发表于 2024-4-16 15:03:01
