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.GCP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.GCP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
