【加密】JM035 – 深度学习-行人重识别实战(2020) [7.9G]

【加密】JM035 – 深度学习-行人重识别实战(2020) [7.9G]
┣━━01.视频 [2.6G]
┃ ┣━━01.课程简介.vep [14.1M]
┃ ┣━━02.行人重识别要解决的问题.vep [72M]
┃ ┣━━03.挑战与困难分析.vep [93.5M]
┃ ┣━━04.评估标准rank1指标.vep [8.3M]
┃ ┣━━05.map值计算方法.vep [27.7M]
┃ ┣━━06.triplet损失计算实例.vep [18.1M]
┃ ┣━━07.HardNegative方法应用.vep [19M]
┃ ┣━━08-是资料见资料文件夹.txt [0B]
┃ ┣━━09.论文整体思想及注意力机制的作用解读.vep [25.4M]
┃ ┣━━10.空间权重值计算流程分析.vep [15.3M]
┃ ┣━━11.融合空间注意力所需特征.vep [14.2M]
┃ ┣━━12.基于特征图的注意力计算.vep [66.7M]
┃ ┣━━13.项目环境与数据集配置.vep [80.4M]
┃ ┣━━14.参数配置与整体架构分析.vep [31.4M]
┃ ┣━━15.进入debug模式解读网络计算流程.vep [32.8M]
┃ ┣━━16.获得空间位置点之间的关系.vep [23.1M]
┃ ┣━━17.组合关系特征图.vep [20.6M]
┃ ┣━━18.计算得到位置权重值.vep [20.9M]
┃ ┣━━19.基于特征图的权重计算.vep [14.4M]
┃ ┣━━20.损失函数计算实例解读.vep [31.3M]
┃ ┣━━21.训练与测试模块演示.vep [132.2M]
┃ ┣━━22.论文整体框架概述.vep [11.9M]
┃ ┣━━23.局部特征与全局关系计算方法.vep [10.4M]
┃ ┣━━24.特征分组方法.vep [10.6M]
┃ ┣━━25.GCP模块特征融合方法.vep [47.6M]
┃ ┣━━26.oneVsReset方法实例.vep [10.5M]
┃ ┣━━27.损失函数应用位置.vep [10.6M]
┃ ┣━━28.项目配置与数据集介绍.vep [129.5M]
┃ ┣━━29.数据源构建方法分析.vep [21.2M]
┃ ┣━━30.dataloader加载顺序解读.vep [32.7M]
┃ ┣━━31.debug模式解读.vep [28M]
┃ ┣━━32.网络计算整体流程演示.vep [17.7M]
┃ ┣━━33.特征序列构建.vep [21.9M]
┃ ┣━━34.GCP全局特征提取.vep [19.2M]
┃ ┣━━35.局部特征提取实例.vep [24.5M]
┃ ┣━━36.特征组合汇总.vep [24.7M]
┃ ┣━━37.得到所有分组特征结果.vep [24.4M]
┃ ┣━━38.损失函数与训练过程演示.vep [87.6M]
┃ ┣━━39.测试与验证模块.vep [19.3M]
┃ ┣━━40.关键点位置特征构建.vep [13.3M]
┃ ┣━━41.图卷积与匹配的作用.vep [15.8M]
┃ ┣━━42.局部特征热度图计算.vep [16.5M]
┃ ┣━━43.基于图卷积构建人体拓扑关系.vep [19.8M]
┃ ┣━━44.图卷积模块实现方法.vep [18M]
┃ ┣━━45.图匹配在行人重识别中的作用.vep [12.2M]
┃ ┣━━46.整体算法框架分析.vep [15.9M]
┃ ┣━━47.数据集与环境配置概述.vep [87.6M]
┃ ┣━━48.局部特征准备方法.vep [23.2M]
┃ ┣━━49.得到一阶段热度图结果.vep [21.9M]
┃ ┣━━50.阶段监督训练.vep [38.2M]
┃ ┣━━51.初始化图卷积模型.vep [21.3M]
┃ ┣━━52.mask矩阵的作用.vep [20.4M]
┃ ┣━━53.邻接矩阵学习与更新.vep [26.4M]
┃ ┣━━54.基于拓扑结构组合关键点特征.vep [78.4M]
┃ ┣━━55.图匹配模块计算流程.vep [33.7M]
┃ ┣━━56.整体项目总结.vep [32.9M]
┃ ┣━━57.卷积神经网络应用领域.vep [14.2M]
┃ ┣━━58.卷积的作用.vep [16.8M]
┃ ┣━━59.卷积特征值计算方法.vep [14.7M]
┃ ┣━━60.得到特征图表示.vep [13.4M]
┃ ┣━━61.步长与卷积核大小对结果的影响.vep [44.7M]
┃ ┣━━62.边缘填充方法.vep [12.7M]
┃ ┣━━63.特征图尺寸计算与参数共享.vep [39.7M]
┃ ┣━━64.池化层的作用.vep [13.2M]
┃ ┣━━65.整体网络架构.vep [11.5M]
┃ ┣━━66.VGG网络架构.vep [12.2M]
┃ ┣━━67.残差网络Resnet.vep [31.9M]
┃ ┣━━68.感受野的作用.vep [11.5M]
┃ ┣━━69.PyTorch框架发展趋势简介.vep [15.3M]
┃ ┣━━70.框架安装方法CPU与GPU版本.vep [25.5M]
┃ ┣━━71.PyTorch基本操作简介.vep [17.6M]
┃ ┣━━72.自动求导机制.vep [21.2M]
┃ ┣━━73.线性回归DEMO数据与参数配置.vep [15.7M]
┃ ┣━━74.线性回归DEMO训练回归模型.vep [21.7M]
┃ ┣━━75.常见tensor格式.vep [13.1M]
┃ ┣━━76.Hub模块简介.vep [26.7M]
┃ ┣━━77.卷积网络参数定义.vep [15M]
┃ ┣━━78.网络流程解读.vep [18.6M]
┃ ┣━━79.vision模块功能解读.vep [12.5M]
┃ ┣━━80.分类任务数据集定义与配置.vep [16.1M]
┃ ┣━━81.图像增强的作用.vep [18.5M]
┃ ┣━━82.数据预处理与数据增强模块.vep [20.4M]
┃ ┣━━83.Batch数据制作.vep [22M]
┃ ┣━━84.迁移学习的目标.vep [13.8M]
┃ ┣━━85.迁移学习策略.vep [16.8M]
┃ ┣━━86.加载训练好的网络模型.vep [24.6M]
┃ ┣━━87.优化器模块配置.vep [12.4M]
┃ ┣━━88.实现训练模块.vep [74.6M]
┃ ┣━━89.训练结果与模型保存.vep [22M]
┃ ┣━━90.加载模型对测试数据进行预测.vep [105.6M]
┃ ┣━━91.额外补充Resnet论文解读.vep [44.3M]
┃ ┗━━92.额外补充Resnet网络架构解读.vep [37.6M]
┣━━00.资料.zip [5.3G]
┗━━vep加密播放说明.txt [207B]

admin网站管理

收藏 海报 链接