网易云课堂-深度学习-行人重识别实战

感谢群友分享

网易云课堂-深度学习-行人重识别实战

课程内容：

01.课程简介.mp4

02.行人重识别要解决的问题.mp4

03.挑战与困难分析.mp4

04.评估标准rank1指标.mp4

05.map值计算方法.mp4

06.triplet损失计算实例.mp4

07.Hard-Negative方法应用.mp4

09.论文整体思想及注意力机制的作用解读.mp4

10.空间权重值计算流程分析.mp4

11.融合空间注意力所需特征.mp4

12.基于特征图的注意力计算.mp4

13.项目环境与数据集配置.mp4

14.参数配置与整体架构分析.mp4

15.进入debug模式解读网络计算流程.mp4

16.获得空间位置点之间的关系.mp4

17.组合关系特征图.mp4

18.计算得到位置权重值.mp4

19.基于特征图的权重计算.mp4

20.损失函数计算实例解读.mp4

21.训练与测试模块演示.mp4

22.论文整体框架概述.mp4

23.局部特征与全局关系计算方法.mp4

24.特征分组方法.mp4

25.GC++P模块特征融合方法.mp4

26.oneVsReset方法实例.mp4

27.损失函数应用位置.mp4

28.项目配置与数据集介绍.mp4

29.数据源构建方法分析.mp4

30.dataloader加载顺序解读.mp4

31.debug模式解读.mp4

32.网络计算整体流程演示.mp4

33.特征序列构建.mp4

34.GC++P全局特征提取.mp4

35.局部特征提取实例.mp4

36.特征组合汇总.mp4

37.得到所有分组特征结果.mp4

38.损失函数与训练过程演示.mp4

39.测试与验证模块.mp4

40.关键点位置特征构建.mp4

41.图卷积与匹配的作用.mp4

42.局部特征热度图计算.mp4

43.基于图卷积构建人体拓扑关系.mp4

44.图卷积模块实现方法.mp4

45.图匹配在行人重识别中的作用.mp4

46.整体算法框架分析.mp4

47.数据集与环境配置概述.mp4

48.局部特征准备方法.mp4

49.得到一阶段热度图结果.mp4

50.阶段监督训练.mp4

51.初始化图卷积模型.mp4

52.mask矩阵的作用.mp4

53.邻接矩阵学习与更新.mp4

54.基于拓扑结构组合关键点特征.mp4

55.图匹配模块计算流程.mp4

56.整体项目总结.mp4

57.卷积神经网络应用领域.mp4

58.卷积的作用.mp4

59.卷积特征值计算方法.mp4

60.得到特征图表示.mp4

61.步长与卷积核大小对结果的影响.mp4

62.边缘填充方法.mp4

63.特征图尺寸计算与参数共享.mp4

64.池化层的作用.mp4

65.整体网络架构.mp4

66.VGG网络架构.mp4

67.残差网络Resnet.mp4

68.感受野的作用.mp4

69.PyTorch框架发展趋势简介.mp4

70.框架安装方法（CPU与GPU版本）.mp4

71.PyTorch基本操作简介.mp4

72.自动求导机制.mp4

73.线性回归DEMO-数据与参数配置.mp4

74.线性回归DEMO-训练回归模型.mp4

75.常见tensor格式.mp4

76.Hub模块简介.mp4

77.卷积网络参数定义.mp4

78.网络流程解读.mp4

79.vision模块功能解读.mp4

80.分类任务数据集定义与配置.mp4

81.图像增强的作用.mp4

82.数据预处理与数据增强模块.mp4

83.Batch数据制作.mp4

84.迁移学习的目标.mp4

85.迁移学习策略.mp4

86.加载训练好的网络模型.mp4

87.优化器模块配置.mp4

88.实现训练模块.mp4

89.训练结果与模型保存.mp4

90.加载模型对测试数据进行预测.mp4

91.额外补充-Resnet论文解读.mp4

92.额外补充-Resnet网络架构解读.mp4

资料