資料目錄：
├─01 直播課回放
│ ├─01 開(kāi)班典禮
│ ├─02 Pycharm環(huán)境配置與Debug演示
│ ├─03 直播1：深度學(xué)習(xí)核心算法-神經(jīng)網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)
│ ├─04 直播2：卷積神經(jīng)網(wǎng)絡(luò)
│ ├─05 直播3：Transformer架構(gòu)
│ ├─06 直播4：Transfomer在視覺(jué)任務(wù)中的應(yīng)用實(shí)例
│ ├─07 直播5：YOLO系列（V7）算法解讀
│ ├─08 直播6：分割模型Maskformer系列
│ ├─09 補(bǔ)充：Mask2former源碼解讀
│ ├─10 直播7：半監(jiān)督物體檢測(cè)
│ ├─11 直播8：基于圖模型的時(shí)間序列預(yù)測(cè)
│ ├─12 直播9：圖像定位與檢索
│ ├─13 直播10：近期內(nèi)容補(bǔ)充
│ ├─15 直播12：異構(gòu)圖神經(jīng)網(wǎng)絡(luò)
│ ├─16 直播13：BEV特征空間
│ ├─17 補(bǔ)充：BevFormer源碼解讀
│ ├─18 直播14：知識(shí)蒸餾
│ └─19 直播15：六期總結(jié)與論文簡(jiǎn)歷
│
├─02 深度學(xué)習(xí)必備核心算法
│ ├─01 神經(jīng)網(wǎng)絡(luò)算法解讀
│ ├─02 卷積神經(jīng)網(wǎng)絡(luò)算法解讀
│ └─03 遞歸神經(jīng)網(wǎng)絡(luò)算法解讀
│
├─03 深度學(xué)習(xí)核心框架PyTorch
│ ├─01 PyTorch框架介紹與配置安裝
│ ├─02 使用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)任務(wù)
│ ├─03 神經(jīng)網(wǎng)絡(luò)回歸任務(wù)-氣溫預(yù)測(cè)
│ ├─04 卷積網(wǎng)絡(luò)參數(shù)解讀分析
│ ├─05 圖像識(shí)別模型與訓(xùn)練策略（重點(diǎn)）
│ ├─06 DataLoader自定義數(shù)據(jù)集制作
│ ├─07 LSTM文本分類(lèi)實(shí)戰(zhàn)
│ └─08 PyTorch框架Flask部署例子
│
├─04 MMLAB實(shí)戰(zhàn)系列
│ ├─01 MMCV安裝方法
│ ├─02 第一模塊：分類(lèi)任務(wù)基本操作
│ ├─03 第一模塊：訓(xùn)練結(jié)果測(cè)試與驗(yàn)證
│ ├─04 第一模塊：模型源碼DEBUG演示
│ ├─05 第二模塊：使用分割模塊訓(xùn)練自己的數(shù)據(jù)集
│ ├─06 第二模塊：基于Unet進(jìn)行各種策略修改
│ ├─07 第二模塊：分割任務(wù)CVPR最新Backbone設(shè)計(jì)及其應(yīng)用
│ ├─08 第三模塊：mmdet訓(xùn)練自己的數(shù)據(jù)任務(wù)
│ ├─09 第三模塊：DeformableDetr物體檢測(cè)源碼分析
│ ├─11 第三模塊：DeformableDetr算法解讀
│ ├─12 KIE關(guān)鍵信息抽取與視頻超分辨率重構(gòu)
│ ├─13 第四模塊：DBNET文字檢測(cè)
│ ├─14 第四模塊：ANINET文字識(shí)別
│ ├─15 第四模塊：KIE基于圖模型的關(guān)鍵信息抽取
│ ├─16 第五模塊：stylegan2源碼解讀
│ ├─17 第六模塊：BasicVSR++視頻超分辨重構(gòu)源碼解讀
│ ├─18 第七模塊：多模態(tài)3D目標(biāo)檢測(cè)算法源碼解讀
│ ├─19 第八模塊：模型蒸餾應(yīng)用實(shí)例
│ ├─20 第八模塊：模型剪枝方法概述分析
│ ├─21 第九模塊：mmaction行為識(shí)別
│ └─22 OCR算法解讀
│
├─05 Opencv圖像處理框架實(shí)戰(zhàn)
│ ├─01 課程簡(jiǎn)介與環(huán)境配置
│ ├─02 圖像基本操作
│ ├─03 閾值與平滑處理
│ ├─04 圖像形態(tài)學(xué)操作
│ ├─05 圖像梯度計(jì)算
│ ├─06 邊緣檢測(cè)
│ ├─07 圖像金字塔與輪廓檢測(cè)
│ ├─08 直方圖與傅里葉變換
│ ├─09 項(xiàng)目實(shí)戰(zhàn)-信用卡數(shù)字識(shí)別
│ ├─10 項(xiàng)目實(shí)戰(zhàn)-文檔掃描OCR識(shí)別
│ ├─11 圖像特征-harris
│ ├─12 圖像特征-sift
│ ├─13 案例實(shí)戰(zhàn)-全景圖像拼接
│ ├─14 項(xiàng)目實(shí)戰(zhàn)-停車(chē)場(chǎng)車(chē)位識(shí)別
│ ├─15 項(xiàng)目實(shí)戰(zhàn)-答題卡識(shí)別判卷
│ ├─16 背景建模
│ ├─17 光流估計(jì)
│ ├─18 Opencv的DNN模塊
│ ├─19 項(xiàng)目實(shí)戰(zhàn)-目標(biāo)追蹤
│ ├─20 卷積原理與操作
│ └─21 項(xiàng)目實(shí)戰(zhàn)-疲勞檢測(cè)
│
├─06 綜合項(xiàng)目-物體檢測(cè)經(jīng)典算法實(shí)戰(zhàn)
│ ├─01 深度學(xué)習(xí)經(jīng)典檢測(cè)方法概述
│ ├─02 YOLO-V1整體思想與網(wǎng)絡(luò)架構(gòu)
│ ├─03 YOLO-V2改進(jìn)細(xì)節(jié)詳解
│ ├─04 YOLO-V3核心網(wǎng)絡(luò)模型
│ ├─05 項(xiàng)目實(shí)戰(zhàn)-基于V3版本進(jìn)行源碼解讀（建議直接跑V5版本）
│ ├─06 基于YOLO-V3訓(xùn)練自己的數(shù)據(jù)集與任務(wù)（建議直接跑V5版本）
│ ├─07 YOLO-V4版本算法解讀
│ ├─08 V5版本項(xiàng)目配置
│ ├─09 V5項(xiàng)目工程源碼解讀
│ ├─10 V7源碼解讀
│ ├─11 EfficientNet網(wǎng)絡(luò)
│ ├─12 EfficientDet檢測(cè)算法
│ ├─13 基于Transformer的detr目標(biāo)檢測(cè)算法
│ └─14 detr目標(biāo)檢測(cè)源碼解讀
│
├─07 圖像分割實(shí)戰(zhàn)
│ ├─01 圖像分割及其損失函數(shù)概述
│ ├─05 U2NET顯著性檢測(cè)實(shí)戰(zhàn)
│ ├─09 物體檢測(cè)框架-MaskRcnn項(xiàng)目介紹與配置
│ ├─10 MaskRcnn網(wǎng)絡(luò)框架源碼詳解
│ └─11 基于MASK-RCNN框架訓(xùn)練自己的數(shù)據(jù)與任務(wù)
│
├─08 行為識(shí)別實(shí)戰(zhàn)
│ ├─01 slowfast算法知識(shí)點(diǎn)通俗解讀
│ ├─02 slowfast項(xiàng)目環(huán)境配置與配置文件
│ ├─03 slowfast源碼詳細(xì)解讀
│ ├─04 基于3D卷積的視頻分析與動(dòng)作識(shí)別
│ ├─05 視頻異常檢測(cè)算法與元學(xué)習(xí)
│ └─06 視頻異常檢測(cè)CVPR2021論文及其源碼解讀
│
├─09 2022論文必備-Transformer實(shí)戰(zhàn)系列
│ ├─01 課程介紹
│ ├─02 自然語(yǔ)言處理通用框架BERT原理解讀
│ ├─03 Transformer在視覺(jué)中的應(yīng)用VIT算法
│ ├─04 VIT算法模型源碼解讀
│ ├─05 swintransformer算法原理解析
│ ├─06 swintransformer源碼解讀
│ ├─07 基于Transformer的detr目標(biāo)檢測(cè)算法
│ ├─08 detr目標(biāo)檢測(cè)源碼解讀
│ ├─09 MedicalTrasnformer論文解讀
│ ├─10 MedicalTransformer源碼解讀
│ ├─11 商湯LoFTR算法解讀
│ ├─12 局部特征關(guān)鍵點(diǎn)匹配實(shí)戰(zhàn)
│ ├─13 項(xiàng)目補(bǔ)充-谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例
│ └─14 項(xiàng)目補(bǔ)充-基于BERT的中文情感分析實(shí)戰(zhàn)
│
├─10 圖神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)
│ ├─01 圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
│ ├─02 圖卷積GCN模型
│ ├─03 圖模型必備神器PyTorch Geometric安裝與使用
│ ├─04 使用PyTorch Geometric構(gòu)建自己的圖數(shù)據(jù)集
│ ├─05 圖注意力機(jī)制與序列圖模型
│ ├─06 圖相似度論文解讀
│ ├─07 圖相似度計(jì)算實(shí)戰(zhàn)
│ ├─08 基于圖模型的軌跡估計(jì)
│ └─09 圖模型軌跡估計(jì)實(shí)戰(zhàn)
│
├─11 3D點(diǎn)云實(shí)戰(zhàn)
│ ├─01 3D點(diǎn)云實(shí)戰(zhàn) 3D點(diǎn)云應(yīng)用領(lǐng)域分析
│ ├─02 3D點(diǎn)云PointNet算法
│ ├─03 PointNet++算法解讀
│ ├─04 Pointnet++項(xiàng)目實(shí)戰(zhàn)
│ ├─05 點(diǎn)云補(bǔ)全PF-Net論文解讀
│ ├─06 點(diǎn)云補(bǔ)全實(shí)戰(zhàn)解讀
│ ├─07 點(diǎn)云配準(zhǔn)及其案例實(shí)戰(zhàn)
│ └─08 基礎(chǔ)補(bǔ)充-對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析
│
├─12 目標(biāo)追蹤與姿態(tài)估計(jì)實(shí)戰(zhàn)
│ ├─01 課程介紹
│ ├─02 姿態(tài)估計(jì)OpenPose系列算法解讀
│ ├─03 OpenPose算法源碼分析
│ ├─04 deepsort算法知識(shí)點(diǎn)解讀
│ ├─05 deepsort源碼解讀
│ ├─06 YOLO-V4版本算法解讀
│ └─08 V5項(xiàng)目工程源碼解讀
│
├─13 面向深度學(xué)習(xí)的無(wú)人駕駛實(shí)戰(zhàn)
│ ├─01 深度估計(jì)算法原理解讀
│ ├─02 深度估計(jì)項(xiàng)目實(shí)戰(zhàn)
│ ├─03 車(chē)道線檢測(cè)算法與論文解讀
│ ├─04 基于深度學(xué)習(xí)的車(chē)道線檢測(cè)項(xiàng)目實(shí)戰(zhàn)
│ ├─06 局部特征關(guān)鍵點(diǎn)匹配實(shí)戰(zhàn)
│ ├─07 三維重建應(yīng)用與坐標(biāo)系基礎(chǔ)
│ ├─08 NeuralRecon算法解讀
│ ├─09 NeuralRecon項(xiàng)目環(huán)境配置
│ ├─10 NeuralRecon項(xiàng)目源碼解讀
│ ├─11 TSDF算法與應(yīng)用
│ ├─12 TSDF實(shí)戰(zhàn)案例
│ ├─14 軌跡估計(jì)預(yù)測(cè)實(shí)戰(zhàn)
│ └─15 特斯拉無(wú)人駕駛解讀
│
├─14 對(duì)比學(xué)習(xí)與多模態(tài)任務(wù)實(shí)戰(zhàn)
│ ├─01 對(duì)比學(xué)習(xí)算法與實(shí)例
│ └─04 多模態(tài)文字識(shí)別
│
├─15 缺陷檢測(cè)實(shí)戰(zhàn)
│ ├─01 課程介紹
│ ├─02 物體檢框架YOLO-V4版本算法解讀
│ ├─04 物體檢測(cè)框架YOLOV5項(xiàng)目工程源碼解讀
│ ├─05 基于YOLOV5的鋼材缺陷檢測(cè)實(shí)戰(zhàn)
│ ├─06 Semi-supervised布料缺陷檢測(cè)實(shí)戰(zhàn)
│ ├─07 Opencv圖像常用處理方法實(shí)例
│ ├─09 Opencv輪廓檢測(cè)與直方圖
│ ├─10 基于Opencv缺陷檢測(cè)項(xiàng)目實(shí)戰(zhàn)
│ ├─11 基于視頻流水線的Opencv缺陷檢測(cè)項(xiàng)目
│ └─14 Deeplab鐵質(zhì)材料缺陷檢測(cè)與開(kāi)源項(xiàng)目應(yīng)用流程
│
├─16 行人重識(shí)別實(shí)戰(zhàn)
│ ├─01 行人重識(shí)別原理及其應(yīng)用
│ ├─02 基于注意力機(jī)制的Reld模型論文解讀
│ ├─03 基于Attention的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)
│ ├─04 AAAI2020頂會(huì)算法精講
│ ├─05 項(xiàng)目實(shí)戰(zhàn)-基于行人局部特征融合的再識(shí)別實(shí)戰(zhàn)
│ ├─06 曠視研究院最新算法解讀（基于圖模型）
│ └─07 基于拓?fù)鋱D的行人重識(shí)別項(xiàng)目實(shí)戰(zhàn)
│
├─17 對(duì)抗生成網(wǎng)絡(luò)實(shí)戰(zhàn)
│ ├─01 課程介紹
│ ├─02 對(duì)抗生成網(wǎng)絡(luò)架構(gòu)原理與實(shí)戰(zhàn)解析
│ ├─03 基于CycleGan開(kāi)源項(xiàng)目實(shí)戰(zhàn)圖像合成
│ ├─04 stargan論文架構(gòu)解析
│ ├─05 stargan項(xiàng)目實(shí)戰(zhàn)及其源碼解讀
│ ├─06 基于starganvc2的變聲器論文原理解讀
│ ├─07 starganvc2變聲器項(xiàng)目實(shí)戰(zhàn)及其源碼解讀
│ ├─08 圖像超分辨率重構(gòu)實(shí)戰(zhàn)
│ └─09 基于GAN的圖像補(bǔ)全實(shí)戰(zhàn)
│
├─18 強(qiáng)化學(xué)習(xí)實(shí)戰(zhàn)系列
│ ├─01 強(qiáng)化學(xué)習(xí)簡(jiǎn)介及其應(yīng)用
│ ├─02 PPO算法與公式推導(dǎo)
│ ├─03 PPO實(shí)戰(zhàn)-月球登陸器訓(xùn)練實(shí)例
│ ├─04 Q-learning與DQN算法
│ ├─06 DQN改進(jìn)與應(yīng)用技巧
│ ├─07 Actor-Critic算法分析（A3C）
│ └─08 用A3C玩轉(zhuǎn)超級(jí)馬里奧
│
├─19 Openai頂級(jí)黑科技算法及其項(xiàng)目實(shí)戰(zhàn)
│ ├─01 GPT系列生成模型
│ ├─02 GPT建模與預(yù)測(cè)流程
│ ├─03 CLIP系列
│ ├─04 Diffusion模型解讀
│ ├─05 Dalle2及其源碼解讀
│ └─06 ChatGPT
│
├─20 面向醫(yī)學(xué)領(lǐng)域的深度學(xué)習(xí)實(shí)戰(zhàn)
│ ├─01 卷積神經(jīng)網(wǎng)絡(luò)原理與參數(shù)解讀
│ ├─02 PyTorch框架基本處理操作
│ ├─03 PyTorch框架必備核心模塊解讀
│ ├─04 基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類(lèi)實(shí)戰(zhàn)
│ ├─05 圖像分割及其損失函數(shù)概述
│ ├─06 Unet系列算法講解
│ ├─07 unet醫(yī)學(xué)細(xì)胞分割實(shí)戰(zhàn)
│ ├─08 deeplab系列算法
│ ├─09 基于deeplabV3+版本進(jìn)行VOC分割實(shí)戰(zhàn)
│ ├─10 基于deeplab的心臟視頻數(shù)據(jù)診斷分析
│ ├─11 YOLO系列物體檢測(cè)算法原理解讀
│ ├─12 基于YOLO5細(xì)胞檢測(cè)實(shí)戰(zhàn)
│ ├─13 知識(shí)圖譜原理解讀
│ ├─14 Neo4j數(shù)據(jù)庫(kù)實(shí)戰(zhàn)
│ ├─15 基于知識(shí)圖譜的醫(yī)藥問(wèn)答系統(tǒng)實(shí)戰(zhàn)
│ ├─16 詞向量模型與RNN網(wǎng)絡(luò)架構(gòu)
│ └─17 醫(yī)學(xué)糖尿病數(shù)據(jù)命名實(shí)體識(shí)別
│
├─21 深度學(xué)習(xí)模型部署與剪枝優(yōu)化實(shí)戰(zhàn)
│ ├─01 AIoT人工智能物聯(lián)網(wǎng)之認(rèn)識(shí) jetson nano
│ ├─02 AIoT人工智能物聯(lián)網(wǎng)之AI 實(shí)戰(zhàn)
│ ├─03 AIoT人工智能物聯(lián)網(wǎng)之NVIDIA TAO 實(shí)用級(jí)的訓(xùn)練神器
│ ├─04 AIoT人工智能物聯(lián)網(wǎng)之deepstream
│ ├─05 tensorRT視頻
│ ├─06 pyTorch框架部署實(shí)踐
│ ├─07 YOLO-V3物體檢測(cè)部署實(shí)例
│ ├─08 docker實(shí)例演示
│ ├─09 tensorflow-serving實(shí)戰(zhàn)
│ ├─10 模型剪枝-Network Slimming算法分析
│ ├─11 模型剪枝-Network Slimming實(shí)戰(zhàn)解讀
│ └─12 Mobilenet三代網(wǎng)絡(luò)模型架構(gòu)
│
├─22 自然語(yǔ)言處理必備神器Huggingface系列實(shí)戰(zhàn)
│ ├─01 Huggingface與NLP介紹解讀
│ ├─02 Transformer工具包基本操作實(shí)例解讀
│ ├─03 transformer原理解讀
│ ├─04 BERT系列算法解讀
│ ├─05 文本標(biāo)注工具與NER實(shí)例
│ ├─06 文本預(yù)訓(xùn)練模型構(gòu)建實(shí)例
│ ├─07 GPT系列算法
│ ├─08 GPT訓(xùn)練與預(yù)測(cè)部署流程
│ ├─09 文本摘要建模
│ ├─10 圖譜知識(shí)抽取實(shí)戰(zhàn)
│ └─11 補(bǔ)充Huggingface數(shù)據(jù)集制作方法實(shí)例
│
├─23 自然語(yǔ)言處理通用框架-BERT實(shí)戰(zhàn)
│ ├─01 自然語(yǔ)言處理通用框架BERT原理解讀
│ ├─02 谷歌開(kāi)源項(xiàng)目BERT源碼解讀與應(yīng)用實(shí)例
│ ├─03 項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文情感分析實(shí)戰(zhàn)
│ ├─04 項(xiàng)目實(shí)戰(zhàn)-基于BERT的中文命名實(shí)體識(shí)別識(shí)別實(shí)戰(zhàn)
│ ├─06 必備基礎(chǔ)-掌握Tensorflow如何實(shí)現(xiàn)word2vec模型
│ └─07 必備基礎(chǔ)知識(shí)點(diǎn)-RNN網(wǎng)絡(luò)架構(gòu)與情感分析應(yīng)用實(shí)例
│
├─24 自然語(yǔ)言處理經(jīng)典案例實(shí)戰(zhàn)
│ ├─01 NLP常用工具包實(shí)戰(zhàn)
│ ├─02 商品信息可視化與文本分析
│ ├─03 貝葉斯算法
│ ├─04 新聞分類(lèi)任務(wù)實(shí)戰(zhàn)
│ ├─05 HMM隱馬爾科夫模型
│ ├─06 HMM工具包實(shí)戰(zhàn)
│ ├─07 語(yǔ)言模型
│ ├─08 使用Gemsim構(gòu)建詞向量
│ ├─09 基于word2vec的分類(lèi)任務(wù)
│ ├─10 NLP-文本特征方法對(duì)比
│ ├─11 NLP-相似度模型
│ ├─12 LSTM情感分析
│ ├─13 機(jī)器人寫(xiě)唐詩(shī)
│ └─14 對(duì)話機(jī)器人
│
├─25 知識(shí)圖譜實(shí)戰(zhàn)系列
│ ├─04 使用python操作neo4j實(shí)例
│ ├─06 文本關(guān)系抽取實(shí)踐
│ └─07 金融平臺(tái)風(fēng)控模型實(shí)踐
│
├─26 語(yǔ)音識(shí)別實(shí)戰(zhàn)系列
│ ├─01 seq2seq序列網(wǎng)絡(luò)模型
│ ├─02 LAS模型語(yǔ)音識(shí)別實(shí)戰(zhàn)
│ ├─05 語(yǔ)音分離ConvTasnet模型
│ ├─06 ConvTasnet語(yǔ)音分離實(shí)戰(zhàn)
│ └─07 語(yǔ)音合成tacotron最新版實(shí)戰(zhàn)
│
├─27 推薦系統(tǒng)實(shí)戰(zhàn)系列
│ ├─01 推薦系統(tǒng)介紹及其應(yīng)用
│ ├─02 協(xié)同過(guò)濾與矩陣分解
│ ├─03 音樂(lè)推薦系統(tǒng)實(shí)戰(zhàn)
│ ├─05 基于知識(shí)圖譜的電影推薦實(shí)戰(zhàn)
│ ├─06 點(diǎn)擊率估計(jì)FM與DeepFM算法
│ ├─07 DeepFM算法實(shí)戰(zhàn)
│ ├─08 推薦系統(tǒng)常用工具包演示
│ ├─09 基于文本數(shù)據(jù)的推薦實(shí)例
│ ├─10 基本統(tǒng)計(jì)分析的電影推薦
│ └─11 補(bǔ)充-基于相似度的酒店推薦系統(tǒng)
│
├─28 AI課程所需安裝軟件教程
├─29 額外補(bǔ)充
│ └─01 通用創(chuàng)新點(diǎn)
└─資料
