|
14817| 51
|
[『編程語(yǔ)言』] 小象學(xué)院計(jì)算機(jī)視覺(jué)的深度學(xué)習(xí)實(shí)踐
[復(fù)制鏈接]
|
|
小象學(xué)院計(jì)算機(jī)視覺(jué)的深度學(xué)習(xí)實(shí)踐
第1章：課程概述 視頻：計(jì)算機(jī)視覺(jué)概述 研究難點(diǎn)與挑戰(zhàn) 開(kāi)源庫(kù)介紹 應(yīng)用環(huán)境搭建 第2章：圖像預(yù)處理 圖像預(yù)處理之CLAHE 圖像預(yù)處理之形態(tài)學(xué)運(yùn)算（膨脹、腐蝕、開(kāi)運(yùn)算、閉運(yùn)算） 圖像預(yù)處理之卷積與邊緣填充 圖像預(yù)處理之均值濾波、中值濾波 圖像預(yù)處理之高斯濾波、拉普拉斯濾波 圖像預(yù)處理之高斯金字塔與拉普拉斯金字塔 圖像預(yù)處理之傅里葉變換與頻譜濾波 圖像預(yù)處理之短時(shí)傅里葉變換、小波變換 代碼演示 第3章：圖像特征提取 演示代碼-1 圖像特征描述之顏色特征與顏色直方圖 圖像特征描述之幾何特征（Edge、corner、blob） 圖像特征描述之SIFT特征描述子 圖像特征描述之SURF特征描述子 圖像特征描述之ORB特征描述子 圖像特征描述之其他特征描述方法 演示代碼-2 第4章：未有深度學(xué)習(xí)之前 代碼演示 基于傳統(tǒng)方法的圖像分割方法-1（graph cuts） 基于傳統(tǒng)方法的圖像分割方法-2（grab cut與GMM） 基于傳統(tǒng)方法的人臉檢測(cè)方法 基于傳統(tǒng)方法的行人檢測(cè)方法-1（HOG+SVM） 基于傳統(tǒng)方法的行人檢測(cè)方法-2（DPM） 第5章：神經(jīng)網(wǎng)絡(luò)與誤差反向傳播算法 代碼演示-1 神經(jīng)網(wǎng)絡(luò)之神經(jīng)元與激勵(lì)函數(shù) 神經(jīng)網(wǎng)絡(luò)之前饋網(wǎng)絡(luò)及其目標(biāo)函數(shù) 神經(jīng)網(wǎng)絡(luò)之梯度下降_1 神經(jīng)網(wǎng)絡(luò)之誤差反向傳播 神經(jīng)網(wǎng)絡(luò)之手算的BP網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)之梯度下降_2 神經(jīng)網(wǎng)絡(luò)之傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與深度網(wǎng)絡(luò)的差異 代碼演示-2 第6章：深度學(xué)習(xí)基礎(chǔ) 代碼演示 深度學(xué)習(xí)之改進(jìn)的目標(biāo)函數(shù) 深度學(xué)習(xí)之梯度消散如何解決 深度學(xué)習(xí)之各種梯度下降算法 深度學(xué)習(xí)之梯度下降算法的選擇 深度學(xué)習(xí)之避免過(guò)適應(yīng)（早期停止、權(quán)重衰減、Dropout） 深度學(xué)習(xí)之CNN的架構(gòu) 深度學(xué)習(xí)之CNN的誤差反向傳播 第7章：圖像分類(lèi) 代碼演示 李飛飛的ILSVRC競(jìng)賽 經(jīng)典的CNN之Alexnet 經(jīng)典的CNN之VGG 經(jīng)典的CNN之1-1卷積 經(jīng)典的CNN之Batch Normlization 經(jīng)典的CNN之GoogLeNet（Inception V1、V2） 經(jīng)典的CNN之GoogLeNet（Inception V3、V4） 經(jīng)典的CNN之ResNet和GoogLeNet Inception ResNet 經(jīng)典的CNN之ResNeXt CNN設(shè)計(jì)的一些普遍原則 第8章：圖像檢索 代碼演示-1 圖像檢索之基于顏色相似性的檢索（推土機(jī)距離） 圖像檢索之基于紋理相似性的檢索 圖像檢索之基于形狀相似性的檢索 圖像檢索之基于局部特征點(diǎn)的檢索 圖像檢索之基于深度學(xué)習(xí)的二值哈希編碼 代碼演示-2 圖像檢索之索引加速-1（KD-Tree） 圖像檢索之索引加速-2（LSH） 圖像檢索之索引加速-3（P-stable LSH） 第9章：目標(biāo)檢測(cè)（上） 代碼演示 目標(biāo)檢測(cè)之R-CNN（分類(lèi)部分） 目標(biāo)檢測(cè)之R-CNN（回歸部分） 目標(biāo)檢測(cè)之SPP-Net 目標(biāo)檢測(cè)之Fast R-CNN 目標(biāo)檢測(cè)之Faster R-CNN（RPN） 第10章：目標(biāo)檢測(cè)（下） 代碼演示 目標(biāo)檢測(cè)之R-FCN（位置敏感卷積層和位置敏感RoI池化） 目標(biāo)檢測(cè)之R-FCN（整體架構(gòu)） 目標(biāo)檢測(cè)之YOLO v1 目標(biāo)檢測(cè)之YOLO v2/9000 目標(biāo)檢測(cè)之YOLO v3 第11章：通用場(chǎng)景下的圖像分割 圖像分割之全卷積網(wǎng)絡(luò)的思路 上采樣的三種方式（反卷積、反池化、雙線(xiàn)性插值） 圖像分割之FCN的構(gòu)建 圖像分割之DeepLab V1（空洞卷積） 圖像分割之條件隨機(jī)場(chǎng) 圖像分割之DeepLab V2 圖像分割之DeepLab V3與V3+ 第12章：醫(yī)療影像分割 醫(yī)療影像分割之影像類(lèi)別與存儲(chǔ)方式 醫(yī)療影像分割任務(wù)及其數(shù)據(jù)集 醫(yī)療影像分割之U-Net 醫(yī)療影像分割之3D U-Net 醫(yī)療影像分割之V-Net 醫(yī)療影像分割之FC-DenseNet 醫(yī)療影像分割之病理切片任務(wù)及其數(shù)據(jù)集 醫(yī)療影像分割之病理切片分析 第13章：圖像描述（圖說(shuō)） 圖像描述之RNN基礎(chǔ) 圖像描述之LSTM原理 圖像描述之LSTM的變種 圖像描述之圖說(shuō)模型的難點(diǎn)及傳統(tǒng)方法 圖像描述之NIC模型 圖像描述之注意力機(jī)制 圖像描述之圖說(shuō)的性能評(píng)價(jià)指標(biāo) 第14章：圖像生成 圖像生成之判別模型與生成模型 圖像生成之KL散度與JS散度 圖像生成之變分自編碼器 圖像生成之對(duì)抗生成網(wǎng)絡(luò)(GAN)的原理 圖像生成之DCGAN 圖像生成之CGAN 圖像生成之WGAN 圖像生成之SRGAN 代碼演示
購(gòu)買(mǎi)主題
本主題需向作者支付 666 資源幣 才能瀏覽
| |
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
小黑屋|資源共享吧 ( 瓊ICP備2023000410號(hào)-1 )
GMT+8, 2025-1-10 15:36 , Processed in 0.064306 second(s), 22 queries , MemCached On.
發(fā)表于 2019-5-20 15:33:02
收藏