夸克网盘吧
资源信息
资源名称：AI精选资料包
资源类型：资料
资源标签：#资源 #AI #AI精选资料包 #quark
资源来源：夸克网盘吧Kuakeba.com
资源简介
AI精选资料包，包括人工智能论文合集、Al必读经典书籍、超详细人工智能学习大纲、机器学习基础算法教程、深度学习神经网络基础教程、计算机视觉实战项目等等资源，夸克网盘资源下载。
资源目录
AI资料包 └─ AI精选资料包 ├─ 四：机器学习基础算法教程 │ ├─ 02.机器学习算法课件资料 │ │ ├─ 部分代码资料 │ │ │ ├─ 9-聚类算法实验分析 │ │ │ │ ├─ 聚类算法-实验.zip │ │ │ │ └─ mldata │ │ │ │ └─ mnist-original.mat │ │ │ ├─ 8-Kmeans代码实现 │ │ │ │ └─ Kmeans-代码实现.zip │ │ │ ├─ 7-聚类算法-Kmeans&Dbscan原理 │ │ │ │ └─ 4-聚类算法.pdf │ │ │ ├─ 6-逻辑回归实验分析 │ │ │ │ └─ 逻辑回归-实验.zip │ │ │ ├─ 5-逻辑回归代码实现 │ │ │ │ └─ 逻辑回归-代码实现.zip │ │ │ ├─ 3-线性回归实验分析 │ │ │ │ └─ 线性回归-实验.zip │ │ │ ├─ 3-模型评估方法 │ │ │ │ ├─ 模型评估方法.ipynb │ │ │ │ └─ img │ │ │ │ ├─ 1.png │ │ │ │ ├─ 2.png │ │ │ │ ├─ 3.png │ │ │ │ ├─ 4.png │ │ │ │ ├─ 5.png │ │ │ │ ├─ 6.png │ │ │ │ ├─ 7.png │ │ │ │ ├─ 8.png │ │ │ │ └─ 9.png │ │ │ ├─ 2-线性回归代码实现 │ │ │ │ └─ 线性回归-代码实现.zip │ │ │ ├─ 15-支持向量机原理推导 │ │ │ │ └─ 6-支持向量机.pdf │ │ │ ├─ 14-集成算法实验分析 │ │ │ │ ├─ 随机森林与集成算法-实验.zip │ │ │ │ └─ mldata │ │ │ │ └─ mnist-original.mat │ │ │ ├─ 13-集成算法原理 │ │ │ │ └─ 3-决策树与集成算法.pdf │ │ │ ├─ 12-决策树实验分析 │ │ │ │ └─ 决策树算法-实验.zip │ │ │ ├─ 11-决策树代码实现 │ │ │ │ └─ 决策树-代码实现.zip │ │ │ ├─ 10-决策树原理 │ │ │ │ └─ 3-决策树与集成算法.pdf │ │ │ └─ 1-线性回归原理推导 │ │ │ └─ 2-回归算法.pdf │ │ └─ 机器学习算法PPT │ │ ├─ 1-AI入学指南.pdf │ │ ├─ 10-EM算法.pdf │ │ ├─ 11-神经网络.pdf │ │ ├─ 12-word2vec.pdf │ │ ├─ 2-回归算法.pdf │ │ ├─ 3-决策树与集成算法.pdf │ │ ├─ 4-聚类算法.pdf │ │ ├─ 5-贝叶斯算法.pdf │ │ ├─ 6-支持向量机.pdf │ │ ├─ 7-推荐系统.pdf │ │ ├─ 8-xgboost.pdf │ │ ├─ 9-LDA与PCA算法.pdf │ │ ├─ 文本分析.pdf │ │ └─ 时间序列分析.pdf │ └─ 01.机器学习经典算法精讲视频课程 │ ├─ 课程简介 │ │ ├─ Python机器学习实训营.docx │ │ └─ 项目截图 │ │ ├─ 1.png │ │ ├─ QQ截图20190624141129.png │ │ ├─ QQ截图20190624141231.png │ │ ├─ QQ截图20190624141330.png │ │ └─ QQ截图20190624141428.png │ ├─ 第四章：线性回归实验分析 │ │ └─ 线性回归 │ │ ├─ 1-实验目标分析.mp4 │ │ ├─ 9-多项式回归 │ │ │ └─ 9-多项式回归.mp4 │ │ ├─ 8-不同策略效果对比 │ │ │ └─ 8-不同策略效果对比.mp4 │ │ ├─ 7-MiniBatch方法 │ │ │ └─ 7-MiniBatch方法.mp4 │ │ ├─ 6-随机梯度下降得到的效果 │ │ │ └─ 6-随机梯度下降得到的效果.mp4 │ │ ├─ 5-学习率对结果的影响 │ │ │ └─ 5-学习率对结果的影响.mp4 │ │ ├─ 4-梯度下降模块 │ │ │ └─ 4-梯度下降模块.mp4 │ │ ├─ 3-预处理对结果的影响 │ │ │ └─ 3-预处理对结果的影响.mp4 │ │ ├─ 2-参数直接求解方法 │ │ │ └─ 2-参数直接求解方法.mp4 │ │ ├─ 14-实验总结 │ │ │ └─ 14-实验总结.mp4 │ │ ├─ 13-岭回归与lasso │ │ │ └─ 13-岭回归与lasso.mp4 │ │ ├─ 12-正则化的作用 │ │ │ └─ 12-正则化的作用.mp4 │ │ ├─ 11-样本数量对结果的影响 │ │ │ └─ 11-样本数量对结果的影响.mp4 │ │ └─ 10-模型复杂度 │ │ └─ 10-模型复杂度.mp4 │ ├─ 第十章：聚类算法实验分析 │ │ └─ 聚类 │ │ ├─ 9-应用实例-图像分割 │ │ │ ├─ 9-应用实例-图像分割.mp4 │ │ │ └─ 9-应用实例-图像分割_20190805_232021.mp4 │ │ ├─ 8-Kmenas算法存在的问题 │ │ │ ├─ 8-Kmenas算法存在的问题.mp4 │ │ │ └─ 8-Kmenas算法存在的问题_20190805_232023.mp4 │ │ ├─ 7-轮廓系数的作用 │ │ │ ├─ 7-轮廓系数的作用.mp4 │ │ │ └─ 7-轮廓系数的作用_20190805_232028.mp4 │ │ ├─ 6-如何找到合适的K值 │ │ │ ├─ 6-如何找到合适的K值.mp4 │ │ │ └─ 6-如何找到合适的K值_20190805_232026.mp4 │ │ ├─ 5-评估指标-Inertia │ │ │ ├─ 5-评估指标-Inertia.mp4 │ │ │ └─ 5-评估指标-Inertia_20190805_232027.mp4 │ │ ├─ 4-不稳定结果 │ │ │ ├─ 4-不稳定结果.mp4 │ │ │ └─ 4-不稳定结果_20190805_232028.mp4 │ │ ├─ 3-建模流程解读 │ │ │ ├─ 3-建模流程解读.mp4 │ │ │ └─ 3-建模流程解读_20190805_232032.mp4 │ │ ├─ 2-聚类结果展示 │ │ │ ├─ 2-聚类结果展示.mp4 │ │ │ └─ 2-聚类结果展示_20190805_232030.mp4 │ │ ├─ 11-DBSCAN算法 │ │ │ ├─ 11-DBSCAN算法.mp4 │ │ │ └─ 11-DBSCAN算法_20190805_232033.mp4 │ │ ├─ 10-半监督学习 │ │ │ ├─ 10-半监督学习.mp4 │ │ │ └─ 10-半监督学习_20190805_232033.mp4 │ │ └─ 1-Kmenas算法常用操作 │ │ ├─ 1-Kmenas算法常用操作.mp4 │ │ └─ 1-Kmenas算法常用操作_20190805_232034.mp4 │ ├─ 第十二章：决策树代码实现 │ │ └─ 第五章：决策树 │ │ ├─ 7-测试算法效果 │ │ │ └─ 7-测试算法效果.mp4 │ │ ├─ 6-完成树模型构建 │ │ │ └─ 6-完成树模型构建.mp4 │ │ ├─ 5-数据集切分 │ │ │ └─ 5-数据集切分.mp4 │ │ ├─ 4-熵值计算 │ │ │ └─ 4-熵值计算.mp4 │ │ ├─ 3-整体框架逻辑 │ │ │ └─ 3-整体框架逻辑.mp4 │ │ ├─ 2-递归生成树节点 │ │ │ └─ 2-递归生成树节点.mp4 │ │ └─ 1-整体模块概述 │ │ └─ 1-整体模块概述.mp4 │ ├─ 第十三章：决策树实验分析 │ │ └─ 决策树 │ │ ├─ 4-回归树模型 │ │ │ └─ 4-回归树模型.mp4 │ │ ├─ 3-树模型预剪枝参数作用 │ │ │ └─ 3-树模型预剪枝参数作用.mp4 │ │ ├─ 2-决策边界展示分析 │ │ │ └─ 2-决策边界展示分析.mp4 │ │ └─ 1-树模型可视化展示 │ │ └─ 1-树模型可视化展示.mp4 │ ├─ 第十一章：决策树原理 │ │ ├─ 1-决策树算法概述.mp4 │ │ ├─ 2-熵的作用.mp4 │ │ ├─ 3-信息增益原理.mp4 │ │ ├─ 4-决策树构造实例.mp4 │ │ ├─ 5-信息增益率与gini系数.mp4 │ │ ├─ 6-预剪枝方法.mp4 │ │ ├─ 7-后剪枝方法.mp4 │ │ └─ 8-回归问题解决.mp4 │ ├─ 第六章：逻辑回归代码实现 │ │ └─ 第二章：逻辑回归 │ │ ├─ 9-训练多分类模型 │ │ │ └─ 9-训练多分类模型.mp4 │ │ ├─ 8-鸢尾花数据集多分类任务 │ │ │ └─ 8-鸢尾花数据集多分类任务.mp4 │ │ ├─ 7-得出最终结果 │ │ │ └─ 7-得出最终结果.mp4 │ │ ├─ 6-梯度计算 │ │ │ └─ 6-梯度计算.mp4 │ │ ├─ 5-迭代优化参数 │ │ │ └─ 5-迭代优化参数.mp4 │ │ ├─ 4-优化目标定义 │ │ │ └─ 4-优化目标定义.mp4 │ │ ├─ 3-完成预测模块 │ │ │ └─ 3-完成预测模块.mp4 │ │ ├─ 2-训练模块功能 │ │ │ └─ 2-训练模块功能.mp4 │ │ ├─ 12-非线性决策边界 │ │ │ └─ 12-非线性决策边界.mp4 │ │ ├─ 11-决策边界绘制 │ │ │ └─ 11-决策边界绘制.mp4 │ │ ├─ 10-准备测试数据 │ │ │ └─ 10-准备测试数据.mp4 │ │ └─ 1-多分类逻辑回归整体思路 │ │ └─ 1-多分类逻辑回归整体思路.mp4 │ ├─ 第八章：聚类算法-Kmeans&Dbscan原理 │ │ ├─ 1-KMEANS算法概述.mp4 │ │ ├─ 2-KMEANS工作流程.mp4 │ │ ├─ 3-KMEANS迭代可视化展示.mp4 │ │ ├─ 4-DBSCAN聚类算法.mp4 │ │ ├─ 5-DBSCAN工作流程.mp4 │ │ └─ 6-DBSCAN可视化展示.mp4 │ ├─ 第五章：逻辑回归原理推导 │ │ ├─ 1-逻辑回归算法原理.mp4 │ │ └─ 2-化简与求解.mp4 │ ├─ 第二章：线性回归代码实现 │ │ └─ 第一章：线性回归 │ │ ├─ 1-线性回归整体模块概述.mp4 │ │ ├─ 2-初始化步骤.mp4 │ │ ├─ 3-实现梯度下降优化模块.mp4 │ │ ├─ 7-得到线性回归方程.mp4 │ │ ├─ 9-多特征回归模型 │ │ │ └─ 9-多特征回归模型.mp4 │ │ ├─ 8-整体流程debug解读 │ │ │ └─ 8-整体流程debug解读.mp4 │ │ ├─ 6-训练线性回归模型 │ │ │ └─ 6-训练线性回归模型.mp4 │ │ ├─ 5-数据与标签定义 │ │ │ └─ 5-数据与标签定义.mp4 │ │ ├─ 4-损失与预测模块 │ │ │ └─ 4-损失与预测模块.mp4 │ │ └─ 10-非线性回归 │ │ └─ 10-非线性回归.mp4 │ ├─ 第九章：Kmeans代码实现 │ │ └─ 第三章：聚类-Kmeans │ │ ├─ 6-聚类效果展示 │ │ │ └─ 6-聚类效果展示.mp4 │ │ ├─ 5-鸢尾花数据集聚类任务 │ │ │ └─ 5-鸢尾花数据集聚类任务.mp4 │ │ ├─ 4-算法迭代更新 │ │ │ └─ 4-算法迭代更新.mp4 │ │ ├─ 3-样本点归属划分 │ │ │ └─ 3-样本点归属划分.mp4 │ │ ├─ 2-计算得到簇中心点 │ │ │ └─ 2-计算得到簇中心点.mp4 │ │ └─ 1-Kmeans算法模块概述 │ │ └─ Kmeans算法模块概述.mp4 │ ├─ 第三章：模型评估方法 │ │ └─ 分类模型评估 │ │ ├─ 8-ROC曲线 │ │ │ └─ 8-ROC曲线.mp4 │ │ ├─ 7-阈值对结果的影响 │ │ │ └─ 7-阈值对结果的影响.mp4 │ │ ├─ 6-评估指标对比分析 │ │ │ └─ 6-评估指标对比分析.mp4 │ │ ├─ 5-混淆矩阵 │ │ │ └─ 5-混淆矩阵.mp4 │ │ ├─ 4-交叉验证实验分析 │ │ │ └─ 4-交叉验证实验分析.mp4 │ │ ├─ 3-交叉验证的作用 │ │ │ └─ 3-交叉验证的作用.mp4 │ │ ├─ 2-数据集切分 │ │ │ └─ 2-数据集切分.mp4 │ │ └─ 1-Sklearn工具包简介 │ │ └─ 1-Sklearn工具包简介.mp4 │ ├─ 第七章：逻辑回归实验分析 │ │ ├─ 1-逻辑回归实验概述.mp4 │ │ ├─ 2-概率结果随特征数值的变化.mp4 │ │ ├─ 3-可视化展示.mp4 │ │ ├─ 4-坐标棋盘制作.mp4 │ │ ├─ 5-分类决策边界展示分析.mp4 │ │ └─ 6-多分类-softmax.mp4 │ └─ 第一章：线性回归原理推导 │ ├─ 0-课程简介.mp4 │ ├─ 1-回归问题概述.mp4 │ ├─ 2-误差项定义.mp4 │ ├─ 3-独立同分布的意义.mp4 │ ├─ 4-似然函数的作用.mp4 │ ├─ 5-参数求解.mp4 │ ├─ 6-梯度下降通俗解释.mp4 │ ├─ 7参数更新方法.mp4 │ └─ 8-优化参数设置.mp4 ├─ 六：计算机视觉实战项目 │ ├─ 08.Unet图像分割课程资料 │ │ ├─ unet++.zip │ │ └─ 深度学习分割任务.pdf │ ├─ 07.MASK-RCNN课程资料 │ │ ├─ 第三章：基于MASK-RCNN框架训练自己的数据与任务.zip │ │ ├─ 第二章：MaskRcnn网络框架源码详解.zip │ │ ├─ 第五章：迁移学习.zip │ │ ├─ 第四章：练手小项目-人体姿态识别demo.zip │ │ └─ 第六章：物体检测-faster-rcnn │ │ ├─ Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks.pdf │ │ ├─ FasterRcnn.zip │ │ ├─ faster-rcnn.pptx │ │ └─ iccv15_tutorial_training_rbg.pdf │ ├─ 06.YOLOV5目标检测课程资料 │ │ ├─ NEU-DET.zip │ │ ├─ PyTorch-YOLOv3.zip │ │ ├─ YOLO.pdf │ │ └─ YOLO5.zip │ ├─ 05.OpenCV图像处理课程资料 │ │ ├─ 第11-12章notebook课件.zip │ │ ├─ 第16-17章notebook课件.zip │ │ ├─ 第2-7章notebook课件.zip │ │ ├─ 第九章：项目实战-信用卡数字识别.zip │ │ ├─ 第二十一章：项目实战-疲劳检测.zip │ │ ├─ 第二十章：人脸关键点定位.zip │ │ ├─ 第八章notebook课件.zip │ │ ├─ 第十三章：案例实战-全景图像拼接.zip │ │ ├─ 第十九章：项目实战-目标追踪.zip │ │ ├─ 第十五章：项目实战-答题卡识别判卷.zip │ │ ├─ 第十八章：Opencv的DNN模块.zip │ │ ├─ 第十四章：项目实战-停车场车位识别.zip │ │ └─ 第十章：项目实战-文档扫描OCR识别.zip │ ├─ 04.Unet图像分割实战视频课程 │ │ ├─ 1.mp4 │ │ ├─ 2.mp4 │ │ ├─ 3.mp4 │ │ ├─ 4.mp4 │ │ └─ 5.mp4 │ ├─ 03.MASK-RCNN目标检测实战视频课程 │ │ ├─ 第四章：练手小项目-人体姿态识别demo │ │ │ ├─ 3-流程与结果演示 │ │ │ │ └─ 3-流程与结果演示.mp4 │ │ │ ├─ 2-网络架构概述 │ │ │ │ └─ 2-网络架构概述.mp4 │ │ │ └─ 1-COCO数据集与人体姿态识别简介 │ │ │ └─ 1-COCO数据集与人体姿态识别简介.mp4 │ │ ├─ 第六章：必备基础-物体检测FasterRcnn系列 │ │ │ ├─ 7-论文解读-4-网络细节 │ │ │ │ └─ 论文解读-4-网络细节.mp4 │ │ │ ├─ 6-论文解读-3-损失函数定义 │ │ │ │ └─ 论文解读-3-损失函数定义.mp4 │ │ │ ├─ 5-论文解读-2-RPN网络结构 │ │ │ │ └─ 论文解读-2-RPN网络结构.mp4 │ │ │ ├─ 4-论文解读-1-论文整体概述 │ │ │ │ └─ 论文解读-1.mp4 │ │ │ ├─ 3-三代算法-3-faster-rcnn概述 │ │ │ │ └─ 三代算法-3-faster-rcnn概述.mp4 │ │ │ ├─ 2-三代算法-2-深度学习经典检测方法 │ │ │ │ └─ 三代算法-2-深度学习经典检测方法.mp4 │ │ │ └─ 1-三代算法-1-物体检测概述 │ │ │ └─ 三代算法-1-物体检测概述.mp4 │ │ ├─ 第二章：MaskRcnn网络框架源码详解 │ │ │ ├─ 9-正负样本选择与标签定义 │ │ │ │ └─ 9-正负样本选择与标签定义.mp4 │ │ │ ├─ 8-DetectionTarget层的作用 │ │ │ │ └─ 8-DetectionTarget层的作用.mp4 │ │ │ ├─ 7-Proposal层实现方法 │ │ │ │ └─ 7-Proposal层实现方法.mp4 │ │ │ ├─ 6-候选框过滤方法 │ │ │ │ └─ 6-候选框过滤方法.mp4 │ │ │ ├─ 5-RPN层的作用与实现解读 │ │ │ │ └─ 5-RPN层的作用与实现解读.mp4 │ │ │ ├─ 4-基于不同尺度特征图生成所有框 │ │ │ │ └─ 4-基于不同尺度特征图生成所有框.mp4 │ │ │ ├─ 3-生成框比例设置 │ │ │ │ └─ 3-生成框比例设置.mp4 │ │ │ ├─ 2-FPN网络架构实现解读 │ │ │ │ └─ 2-FPN网络架构实现解读.mp4 │ │ │ ├─ 12-整体框架回顾 │ │ │ │ └─ 12-整体框架回顾.mp4 │ │ │ ├─ 11-RorAlign操作的效果 │ │ │ │ └─ 11-RorAlign操作的效果.mp4 │ │ │ ├─ 10-RoiPooling层的作用与目的 │ │ │ │ └─ 10-RoiPooling层的作用与目的.mp4 │ │ │ └─ 1-FPN层特征提取原理解读 │ │ │ └─ 1-FPN层特征提取原理解读.mp4 │ │ ├─ 第三章：基于MASK-RCNN框架训练自己的数据与任务 │ │ │ ├─ 6-测试与展示模块 │ │ │ │ └─ 6-测试与展示模块.mp4 │ │ │ ├─ 5-基于标注数据训练所需任务 │ │ │ │ └─ 5-基于标注数据训练所需任务.mp4 │ │ │ ├─ 4-maskrcnn源码修改方法 │ │ │ │ └─ 4-maskrcnn源码修改方法.mp4 │ │ │ ├─ 3-完成训练数据准备工作 │ │ │ │ └─ 3-完成训练数据准备工作.mp4 │ │ │ ├─ 2-使用labelme进行数据与标签标注 │ │ │ │ └─ 2-使用labelme进行数据与标签标注.mp4 │ │ │ └─ 1-Labelme工具安装 │ │ │ └─ 1-Labelme工具安装.mp4 │ │ └─ 第一章：物体检测框架-MaskRcnn项目介绍与配置 │ │ ├─ 第五章：必备基础-迁移学习与Resnet网络架构 │ │ │ ├─ 8-迁移学习效果对比 │ │ │ │ └─ 8-迁移学习效果对比.mp4 │ │ │ ├─ 7-加载训练好的权重 │ │ │ │ └─ 7-加载训练好的权重.mp4 │ │ │ ├─ 6-shortcut模块 │ │ │ │ └─ 6-shortcut模块.mp4 │ │ │ ├─ 5-Resnet基本处理操作 │ │ │ │ └─ 5-Resnet基本处理操作.mp4 │ │ │ ├─ 4-Resnet网络细节 │ │ │ │ └─ 4-Resnet网络细节.mp4 │ │ │ ├─ 3-Resnet原理 │ │ │ │ └─ 3-Resnet原理.mp4 │ │ │ ├─ 2-迁移学习策略 │ │ │ │ └─ 2-迁移学习策略.mp4 │ │ │ └─ 1-迁移学习的目标 │ │ │ └─ 1-迁移学习的目标.mp4 │ │ ├─ 3-参数配置 │ │ │ └─ 0-参数配置.mp4 │ │ ├─ 2-开源项目数据集 │ │ │ └─ 0-开源项目数据集.mp4 │ │ ├─ 1-Mask-Rcnn开源项目简介 │ │ │ └─ 0-Mask-Rcnn开源项目简介.mp4 │ │ └─ 0-课程简介 │ │ └─ 0-课程简介.mp4 │ ├─ 02.YOLOV5目标检测视频课程 │ │ ├─ 1.任务需求与项目概述.mp4 │ │ ├─ 2-数据与标签配置方法.mp4 │ │ ├─ 3-标签转格式脚本制作.mp4 │ │ ├─ 4-各版本模型介绍.mp4 │ │ ├─ 5-项目参数配置.mp4 │ │ ├─ 6-缺陷检测模型培训.mp4 │ │ └─ 7-输出结果与项目总结.mp4 │ └─ 01.OpenCV图像处理实战视频课程 │ ├─ 项目实战四：停车场车位识别 │ │ ├─ 8-基于视频的车位检测 │ │ │ └─ 8-基于视频的车位检测.mp4 │ │ ├─ 7-识别模型构建 │ │ │ └─ 7-识别模型构建.mp4 │ │ ├─ 6-车位区域划分 │ │ │ └─ 6-车位区域划分.mp4 │ │ ├─ 5-按列划分区域 │ │ │ └─ 5-按列划分区域.mp4 │ │ ├─ 4-车位直线检测 │ │ │ └─ 4-车位直线检测.mp4 │ │ ├─ 3-图像数据预处理 │ │ │ └─ 3-图像数据预处理.mp4 │ │ ├─ 2-所需数据介绍 │ │ │ └─ 2-所需数据介绍.mp4 │ │ └─ 1-任务整体流程 │ │ └─ 1-任务整体流程.mp4 │ ├─ 项目实战五：答题卡识别判卷 │ │ ├─ 4-选项判断识别 │ │ │ └─ 4-选项判断识别.mp4 │ │ ├─ 3-填涂轮廓检测 │ │ │ └─ 3-填涂轮廓检测.mp4 │ │ ├─ 2-预处理操作 │ │ │ └─ 2-预处理操作.mp4 │ │ └─ 1-整体流程与效果概述 │ │ └─ 1-整体流程与效果概述.mp4 │ ├─ 项目实战二：文档扫描OCR识别 │ │ ├─ 6-文档扫描识别效果 │ │ │ └─ 6-文档扫描识别效果.mp4 │ │ ├─ 5-tesseract-ocr安装配置 │ │ │ └─ 5-tesseract-ocr安装配置.mp4 │ │ ├─ 4-透视变换结果 │ │ │ └─ 4-透视变换结果.mp4 │ │ ├─ 3-原始与变换坐标计算 │ │ │ └─ 3-原始与变换坐标计算.mp4 │ │ ├─ 2-文档轮廓提取 │ │ │ └─ 2-文档轮廓提取.mp4 │ │ └─ 1-整体流程演示 │ │ └─ 1-整体流程演示.mp4 │ ├─ 项目实战三：全景图像拼接 │ │ ├─ 4-流程解读 │ │ │ └─ 4-流程解读.mp4 │ │ ├─ 2-图像拼接方法 │ │ │ └─ 2-图像拼接方法.mp4 │ │ ├─ 2-RANSAC算法 │ │ │ └─ 2-RANSAC算法.mp4 │ │ └─ 1-特征匹配方法 │ │ └─ 1-特征匹配方法.mp4 │ └─ 项目实战一：信用卡数字识别 │ ├─ 5-模板匹配得出识别结果 │ │ └─ 5-模板匹配得出识别结果.mp4 │ ├─ 4-输入数据处理方法 │ │ └─ 4-输入数据处理方法.mp4 │ ├─ 3-模板处理方法 │ │ └─ 3-模板处理方法.mp4 │ ├─ 2-环境配置与预处理 │ │ └─ 2-环境配置与预处理.mp4 │ └─ 1-总体流程与方法讲解 │ └─ 总体流程与方法讲解.mp4 ├─ 五：深度学习神经网络基础教程 │ ├─ 神经网络模型基础课件资料 │ │ ├─ Deep-Learning-with-PyTorch-Tutorials.zip │ │ └─ CNN+RNN+GAN │ │ ├─ 源代码和PPT在Github下载.txt │ │ ├─ 课程安装软件-Win10 │ │ │ ├─ Anaconda3-2019.03-Windows-x86_64.exe │ │ │ ├─ cuda_10.0.130_411.31_win10.exe │ │ │ ├─ cudnn-10.0-windows10-x64-v7.5.0.56 (1).zip │ │ │ └─ pycharm-community-2019.1.1.exe │ │ └─ 课程安装软件-Ubuntu 18.04 │ │ ├─ Anaconda3-2019.03-Linux-x86_64.sh │ │ ├─ cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb │ │ └─ cudnn-10.0-linux-x64-v7.5.0.56.tgz │ ├─ RNN循环神经网络基础 │ │ ├─ 1. 课时1 时间序列介绍.mp4 │ │ ├─ 10. 课时10 RNN训练难题—梯度弥散与梯度爆炸.mp4 │ │ ├─ 11. 课时11 项目实战-情感分类问题.mp4 │ │ ├─ 2. 课时2 循环神经网络基本原理-1.mp4 │ │ ├─ 3. 课时3 循环神经网络基本原理-2.mp4 │ │ ├─ 4. 课时4 循环神经网络中Layer使用-1.mp4 │ │ ├─ 5. 课时5 循环神经网络中Layer的使用-2.mp4 │ │ ├─ 6. 课时6 项目实战-时间序列预测问题.mp4 │ │ ├─ 7. 课时7 LSTM基本原理-1.mp4 │ │ ├─ 8. 课时8 LSTM基本原理-2.mp4 │ │ └─ 9. 课时9 LSTM中Layer的使用.mp4 │ ├─ GAN对抗生成网络基础 │ │ ├─ 1 数据的分布.flv │ │ ├─ 10 GAN实战-2.flv │ │ ├─ 11 WGAN实战-1.flv │ │ ├─ 12 WGAN实战-2.flv │ │ ├─ 2 画家的成长历程.flv │ │ ├─ 3 生成对抗网络.flv │ │ ├─ 4 纳什均衡-1.flv │ │ ├─ 5 纳什均衡-2.flv │ │ ├─ 6 GAN训练难题.flv │ │ ├─ 7 EM距离.flv │ │ ├─ 8 WGAN-GP原理.flv │ │ └─ 9 GAN实战-1.flv │ └─ CNN卷积神经网络基础 │ ├─ 1-卷积运算详解-1.mp4 │ ├─ 10-CIFAR100与VGG13实战-1.mp4 │ ├─ 11-CIFAR100与VGG13实战-2.mp4 │ ├─ 12-CIFAR100与VGG13实战-3.mp4 │ ├─ 13-CIFAR100与VGG13实战-4.mp4 │ ├─ 14-经典卷积神经网络详解-1.mp4 │ ├─ 15-经典卷积神经网络详解-2.mp4 │ ├─ 17-BatchNorm-2.mp4 │ ├─ 18-ResNet, DenseNet详解.mp4 │ ├─ 19-ResNet, DenseNet详解.mp4 │ ├─ 2-卷积运算详解-2.mp4 │ ├─ 20-ResNet实战-1.mp4 │ ├─ 21-ResNet实战-2.mp4 │ ├─ 22-ResNet实战-3.mp4 │ ├─ 23-ResNet实战-4.mp4 │ ├─ 3-卷积运算详解-3.mp4 │ ├─ 4-卷积运算详解-4.mp4 │ ├─ 5-卷积神经网络图解-1.mp4 │ ├─ 6-卷积神经网络图解-2.mp4 │ ├─ 7-卷积神经网络图解-3.mp4 │ ├─ 8-卷积神经网络图解-4.mp4 │ └─ 9-池化与采样操作讲解.mp4 ├─ 二：AI必读经典书籍 │ ├─ 02.AI必读经典书籍 │ │ ├─ OpenCV书籍.rar │ │ ├─ 04.计算机视觉相关书籍 │ │ │ └─ 超详细的计算机视觉书籍.zip │ │ ├─ 03.深度学习相关书籍 │ │ │ ├─ Tensorflow技术解析与实战.pdf │ │ │ ├─ 《TensorFlow 2.0深度学习算法实战教材》-中文版教材分享.pdf │ │ │ ├─ 《神经网络与深度学习》(邱锡鹏-20191121).pdf │ │ │ ├─ 深度学习(花园书).pdf │ │ │ ├─ 深度学习技术图像处理入门 by 杨培文，胡博强 (z-lib.org).pdf │ │ │ ├─ 《深度学习之PyTorch物体检测实战》PDF+源代码 │ │ │ │ ├─ 深度学习之PyTorch物体检测实战.epub │ │ │ │ ├─ 深度学习之PyTorch物体检测实战.mobi │ │ │ │ ├─ 深度学习之PyTorch物体检测实战.pdf │ │ │ │ ├─ 深度学习之PyTorch物体检测实战论文导引.docx │ │ │ │ └─ 源代码 │ │ │ │ ├─ GitHub地址.txt │ │ │ │ └─ Detection-PyTorch-Notebook │ │ │ │ ├─ README.md │ │ │ │ ├─ chapter8 │ │ │ │ │ ├─ nms.py │ │ │ │ │ └─ retinanet.py │ │ │ │ ├─ chapter7 │ │ │ │ │ ├─ mobilenet_v1.py │ │ │ │ │ ├─ mobilenet_v2.py │ │ │ │ │ ├─ mobilenet_v2_block.py │ │ │ │ │ ├─ shufflenet_v1.py │ │ │ │ │ └─ squeezenet_fire.py │ │ │ │ ├─ chapter6 │ │ │ │ │ └─ yolov2-pytorch │ │ │ │ │ ├─ README.md │ │ │ │ │ ├─ darknet.py │ │ │ │ │ ├─ demo.py │ │ │ │ │ ├─ make.sh │ │ │ │ │ ├─ requirements.txt │ │ │ │ │ ├─ test.py │ │ │ │ │ ├─ train.py │ │ │ │ │ ├─ utils │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ bbox.c │ │ │ │ │ │ ├─ bbox.pyx │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ ├─ im_transform.py │ │ │ │ │ │ ├─ network.py │ │ │ │ │ │ ├─ nms_wrapper.py │ │ │ │ │ │ ├─ timer.py │ │ │ │ │ │ ├─ yolo.c │ │ │ │ │ │ ├─ yolo.py │ │ │ │ │ │ ├─ yolo.pyx │ │ │ │ │ │ ├─ pycocotools │ │ │ │ │ │ │ ├─ UPSTREAM_REV │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ _mask.c │ │ │ │ │ │ │ ├─ _mask.pyx │ │ │ │ │ │ │ ├─ coco.py │ │ │ │ │ │ │ ├─ cocoeval.py │ │ │ │ │ │ │ ├─ license.txt │ │ │ │ │ │ │ ├─ mask.py │ │ │ │ │ │ │ ├─ maskApi.c │ │ │ │ │ │ │ └─ maskApi.h │ │ │ │ │ │ └─ nms │ │ │ │ │ │ ├─ .gitignore │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ cpu_nms.pyx │ │ │ │ │ │ ├─ gpu_nms.hpp │ │ │ │ │ │ ├─ gpu_nms.pyx │ │ │ │ │ │ ├─ nms_kernel.cu │ │ │ │ │ │ └─ py_cpu_nms.py │ │ │ │ │ ├─ layers │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ roi_pooling │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ │ ├─ roi_pool.py │ │ │ │ │ │ │ ├─ roi_pool_py.py │ │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ │ ├─ roi_pooling.c │ │ │ │ │ │ │ │ ├─ roi_pooling.h │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.c │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.h │ │ │ │ │ │ │ │ └─ cuda │ │ │ │ │ │ │ │ ├─ roi_pooling_kernel.cu │ │ │ │ │ │ │ │ └─ roi_pooling_kernel.h │ │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ └─ roi_pooling │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ └─ reorg │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ ├─ reorg_layer.py │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ ├─ reorg_cpu.c │ │ │ │ │ │ │ ├─ reorg_cpu.h │ │ │ │ │ │ │ ├─ reorg_cuda.c │ │ │ │ │ │ │ ├─ reorg_cuda.h │ │ │ │ │ │ │ ├─ reorg_cuda_kernel.cu │ │ │ │ │ │ │ └─ reorg_cuda_kernel.h │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ └─ reorg_layer │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ ├─ demo │ │ │ │ │ │ ├─ 2007_000039.jpg │ │ │ │ │ │ ├─ dog.jpg │ │ │ │ │ │ ├─ eagle.jpg │ │ │ │ │ │ ├─ giraffe.jpg │ │ │ │ │ │ ├─ horses.jpg │ │ │ │ │ │ ├─ person.jpg │ │ │ │ │ │ ├─ ragged-edge-london-office-6.jpg │ │ │ │ │ │ ├─ scream.jpg │ │ │ │ │ │ └─ out │ │ │ │ │ │ ├─ 2007_000039.jpg │ │ │ │ │ │ ├─ dog.jpg │ │ │ │ │ │ ├─ eagle.jpg │ │ │ │ │ │ ├─ giraffe.jpg │ │ │ │ │ │ ├─ horses.jpg │ │ │ │ │ │ ├─ person.jpg │ │ │ │ │ │ ├─ ragged-edge-london-office-6.jpg │ │ │ │ │ │ └─ scream.jpg │ │ │ │ │ ├─ datasets │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ imdb.py │ │ │ │ │ │ ├─ pascal_voc.py │ │ │ │ │ │ └─ voc_eval.py │ │ │ │ │ └─ cfgs │ │ │ │ │ ├─ __init__.py │ │ │ │ │ ├─ config.py │ │ │ │ │ ├─ config_voc.py │ │ │ │ │ └─ exps │ │ │ │ │ ├─ __init__.py │ │ │ │ │ ├─ darknet19_exp1.py │ │ │ │ │ └─ darknet19_exp2.py │ │ │ │ ├─ chapter5 │ │ │ │ │ ├─ ssd-pytorch │ │ │ │ │ │ ├─ .gitattributes │ │ │ │ │ │ ├─ .gitignore │ │ │ │ │ │ ├─ LICENSE │ │ │ │ │ │ ├─ README.md │ │ │ │ │ │ ├─ eval.py │ │ │ │ │ │ ├─ ssd.py │ │ │ │ │ │ ├─ test.py │ │ │ │ │ │ ├─ train.py │ │ │ │ │ │ ├─ weights │ │ │ │ │ │ │ └─ vgg16_reducedfc.pth │ │ │ │ │ │ ├─ utils │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ augmentations.py │ │ │ │ │ │ │ └─ __pycache__ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc │ │ │ │ │ │ │ └─ augmentations.cpython-35.pyc │ │ │ │ │ │ ├─ layers │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ box_utils.py │ │ │ │ │ │ │ ├─ modules │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ l2norm.py │ │ │ │ │ │ │ │ ├─ multibox_loss.py │ │ │ │ │ │ │ │ └─ __pycache__ │ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc │ │ │ │ │ │ │ │ ├─ l2norm.cpython-35.pyc │ │ │ │ │ │ │ │ └─ multibox_loss.cpython-35.pyc │ │ │ │ │ │ │ ├─ functions │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ detection.py │ │ │ │ │ │ │ │ ├─ prior_box.py │ │ │ │ │ │ │ │ └─ __pycache__ │ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc │ │ │ │ │ │ │ │ ├─ detection.cpython-35.pyc │ │ │ │ │ │ │ │ └─ prior_box.cpython-35.pyc │ │ │ │ │ │ │ └─ __pycache__ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc │ │ │ │ │ │ │ └─ box_utils.cpython-35.pyc │ │ │ │ │ │ ├─ doc │ │ │ │ │ │ │ ├─ SSD.jpg │ │ │ │ │ │ │ ├─ detection_example.png │ │ │ │ │ │ │ ├─ detection_example2.png │ │ │ │ │ │ │ ├─ detection_examples.png │ │ │ │ │ │ │ └─ ssd.png │ │ │ │ │ │ ├─ demo │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ demo.ipynb │ │ │ │ │ │ │ └─ live.py │ │ │ │ │ │ ├─ data │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ config.py │ │ │ │ │ │ │ ├─ example.jpg │ │ │ │ │ │ │ ├─ voc0712.py │ │ │ │ │ │ │ ├─ scripts │ │ │ │ │ │ │ │ ├─ COCO2014.sh │ │ │ │ │ │ │ │ ├─ VOC2007.sh │ │ │ │ │ │ │ │ └─ VOC2012.sh │ │ │ │ │ │ │ └─ __pycache__ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc │ │ │ │ │ │ │ ├─ coco.cpython-35.pyc │ │ │ │ │ │ │ ├─ config.cpython-35.pyc │ │ │ │ │ │ │ └─ voc0712.cpython-35.pyc │ │ │ │ │ │ ├─ __pycache__ │ │ │ │ │ │ │ └─ ssd.cpython-35.pyc │ │ │ │ │ │ └─ .idea │ │ │ │ │ │ ├─ encodings.xml │ │ │ │ │ │ ├─ misc.xml │ │ │ │ │ │ ├─ modules.xml │ │ │ │ │ │ ├─ ssd.pytorch-master.iml │ │ │ │ │ │ ├─ vcs.xml │ │ │ │ │ │ └─ workspace.xml │ │ │ │ │ └─ dssd-pytorch │ │ │ │ │ ├─ arm.py │ │ │ │ │ └─ tcb.py │ │ │ │ ├─ chapter4 │ │ │ │ │ └─ faster-rcnn-pytorch │ │ │ │ │ ├─ .gitignore │ │ │ │ │ ├─ LICENSE │ │ │ │ │ ├─ README.md │ │ │ │ │ ├─ _init_paths.py │ │ │ │ │ ├─ demo.py │ │ │ │ │ ├─ requirements.txt │ │ │ │ │ ├─ test_net.py │ │ │ │ │ ├─ trainval_net.py │ │ │ │ │ ├─ logs │ │ │ │ │ │ └─ vgg_voc │ │ │ │ │ │ ├─ events.out.tfevents.1541645707.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1541645748.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1541645839.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1541646048.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542006392.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542007135.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542007423.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542007525.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542007598.aizz │ │ │ │ │ │ ├─ events.out.tfevents.1542007867.aizz │ │ │ │ │ │ └─ events.out.tfevents.1542983031.aizz │ │ │ │ │ ├─ lib │ │ │ │ │ │ ├─ make.sh │ │ │ │ │ │ ├─ setup.py │ │ │ │ │ │ ├─ roi_data_layer │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ minibatch.py │ │ │ │ │ │ │ ├─ roibatchLoader.py │ │ │ │ │ │ │ └─ roidb.py │ │ │ │ │ │ ├─ pycocotools │ │ │ │ │ │ │ ├─ UPSTREAM_REV │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ _mask.pyx │ │ │ │ │ │ │ ├─ coco.py │ │ │ │ │ │ │ ├─ cocoeval.py │ │ │ │ │ │ │ ├─ license.txt │ │ │ │ │ │ │ ├─ mask.py │ │ │ │ │ │ │ ├─ maskApi.c │ │ │ │ │ │ │ └─ maskApi.h │ │ │ │ │ │ ├─ model │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ utils │ │ │ │ │ │ │ │ ├─ .gitignore │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ bbox.pyx │ │ │ │ │ │ │ │ ├─ blob.py │ │ │ │ │ │ │ │ ├─ config.py │ │ │ │ │ │ │ │ ├─ logger.py │ │ │ │ │ │ │ │ └─ net_utils.py │ │ │ │ │ │ │ ├─ rpn │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ anchor_target_layer.py │ │ │ │ │ │ │ │ ├─ bbox_transform.py │ │ │ │ │ │ │ │ ├─ generate_anchors.py │ │ │ │ │ │ │ │ ├─ proposal_layer.py │ │ │ │ │ │ │ │ ├─ proposal_target_layer_cascade.py │ │ │ │ │ │ │ │ └─ rpn.py │ │ │ │ │ │ │ ├─ roi_pooling │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ │ │ ├─ roi_pooling.c │ │ │ │ │ │ │ │ │ ├─ roi_pooling.h │ │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.c │ │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.h │ │ │ │ │ │ │ │ │ ├─ roi_pooling_kernel.cu │ │ │ │ │ │ │ │ │ └─ roi_pooling_kernel.h │ │ │ │ │ │ │ │ ├─ modules │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ └─ roi_pool.py │ │ │ │ │ │ │ │ ├─ functions │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ └─ roi_pool.py │ │ │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ └─ roi_pooling │ │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ │ ├─ roi_crop │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ │ │ ├─ make.sh │ │ │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ │ │ ├─ roi_crop.c │ │ │ │ │ │ │ │ │ ├─ roi_crop.h │ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda.c │ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda.h │ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda_kernel.cu │ │ │ │ │ │ │ │ │ └─ roi_crop_cuda_kernel.h │ │ │ │ │ │ │ │ ├─ modules │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ ├─ gridgen.py │ │ │ │ │ │ │ │ │ └─ roi_crop.py │ │ │ │ │ │ │ │ ├─ functions │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ ├─ crop_resize.py │ │ │ │ │ │ │ │ │ ├─ gridgen.py │ │ │ │ │ │ │ │ │ └─ roi_crop.py │ │ │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ roi_crop │ │ │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ │ │ └─ crop_resize │ │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ │ ├─ roi_align │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ │ │ ├─ make.sh │ │ │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ │ │ ├─ roi_align.c │ │ │ │ │ │ │ │ │ ├─ roi_align.h │ │ │ │ │ │ │ │ │ ├─ roi_align_cuda.c │ │ │ │ │ │ │ │ │ ├─ roi_align_cuda.h │ │ │ │ │ │ │ │ │ ├─ roi_align_kernel.cu │ │ │ │ │ │ │ │ │ └─ roi_align_kernel.h │ │ │ │ │ │ │ │ ├─ modules │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ └─ roi_align.py │ │ │ │ │ │ │ │ ├─ functions │ │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ │ └─ roi_align.py │ │ │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ └─ roi_align │ │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ │ ├─ nms │ │ │ │ │ │ │ │ ├─ .gitignore │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ ├─ build.py │ │ │ │ │ │ │ │ ├─ make.sh │ │ │ │ │ │ │ │ ├─ nms_cpu.py │ │ │ │ │ │ │ │ ├─ nms_gpu.py │ │ │ │ │ │ │ │ ├─ nms_kernel.cu │ │ │ │ │ │ │ │ ├─ nms_wrapper.py │ │ │ │ │ │ │ │ ├─ src │ │ │ │ │ │ │ │ │ ├─ nms_cuda.h │ │ │ │ │ │ │ │ │ ├─ nms_cuda_kernel.cu │ │ │ │ │ │ │ │ │ └─ nms_cuda_kernel.h │ │ │ │ │ │ │ │ └─ _ext │ │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ │ └─ nms │ │ │ │ │ │ │ │ └─ __init__.py │ │ │ │ │ │ │ └─ faster_rcnn │ │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ │ ├─ faster_rcnn.py │ │ │ │ │ │ │ ├─ resnet.py │ │ │ │ │ │ │ └─ vgg16.py │ │ │ │ │ │ └─ datasets │ │ │ │ │ │ ├─ __init__.py │ │ │ │ │ │ ├─ coco.py │ │ │ │ │ │ ├─ ds_utils.py │ │ │ │ │ │ ├─ factory.py │ │ │ │ │ │ ├─ imagenet.py │ │ │ │ │ │ ├─ imdb.py │ │ │ │ │ │ ├─ pascal_voc.py │ │ │ │ │ │ ├─ pascal_voc_rbg.py │ │ │ │ │ │ ├─ vg.py │ │ │ │ │ │ ├─ vg_eval.py │ │ │ │ │ │ ├─ voc_eval.py │ │ │ │ │ │ ├─ tools │ │ │ │ │ │ │ └─ mcg_munge.py │ │ │ │ │ │ └─ VOCdevkit-matlab-wrapper │ │ │ │ │ │ ├─ get_voc_opts.m │ │ │ │ │ │ ├─ voc_eval.m │ │ │ │ │ │ └─ xVOCap.m │ │ │ │ │ ├─ images │ │ │ │ │ │ ├─ img1.jpg │ │ │ │ │ │ ├─ img1_det.jpg │ │ │ │ │ │ ├─ img1_det_res101.jpg │ │ │ │ │ │ ├─ img2.jpg │ │ │ │ │ │ ├─ img2_det.jpg │ │ │ │ │ │ ├─ img2_det_res101.jpg │ │ │ │ │ │ ├─ img3.jpg │ │ │ │ │ │ ├─ img3_det.jpg │ │ │ │ │ │ ├─ img3_det_res101.jpg │ │ │ │ │ │ ├─ img4.jpg │ │ │ │ │ │ ├─ img4_det.jpg │ │ │ │ │ │ └─ img4_det_res101.jpg │ │ │ │ │ └─ cfgs │ │ │ │ │ ├─ res101.yml │ │ │ │ │ ├─ res101_ls.yml │ │ │ │ │ ├─ res50.yml │ │ │ │ │ └─ vgg16.yml │ │ │ │ ├─ chapter3 │ │ │ │ │ ├─ densenet_block.py │ │ │ │ │ ├─ detnet_bottleneck.py │ │ │ │ │ ├─ fpn.py │ │ │ │ │ ├─ inceptionv1.py │ │ │ │ │ ├─ inceptionv2.py │ │ │ │ │ ├─ resnet_bottleneck.py │ │ │ │ │ └─ vgg.py │ │ │ │ ├─ chapter2 │ │ │ │ │ ├─ mlp.py │ │ │ │ │ ├─ perception.py │ │ │ │ │ ├─ perception_sequential.py │ │ │ │ │ └─ visdom.py │ │ │ │ └─ chapter1 │ │ │ │ └─ model-evaluation │ │ │ │ ├─ README.md │ │ │ │ ├─ evaluation.ipynb │ │ │ │ ├─ evaluation.py │ │ │ │ ├─ lib │ │ │ │ │ ├─ Evaluator.py │ │ │ │ │ ├─ Evaluator.pyc │ │ │ │ │ ├─ detection.py │ │ │ │ │ ├─ detection.pyc │ │ │ │ │ ├─ utils.py │ │ │ │ │ ├─ utils.pyc │ │ │ │ │ └─ __pycache__ │ │ │ │ │ ├─ Evaluator.cpython-36.pyc │ │ │ │ │ ├─ detection.cpython-36.pyc │ │ │ │ │ └─ utils.cpython-36.pyc │ │ │ │ ├─ data │ │ │ │ │ ├─ results │ │ │ │ │ │ ├─ class1.png │ │ │ │ │ │ └─ class2.png │ │ │ │ │ ├─ groundtruths │ │ │ │ │ │ └─ 1.txt │ │ │ │ │ └─ detections │ │ │ │ │ └─ 1.txt │ │ │ │ └─ conf │ │ │ │ ├─ arial.ttf │ │ │ │ └─ conf.yaml │ │ │ └─ 21年最新-李沐《动手学深度学习第二版》中、英文版免费分享 │ │ │ ├─ Dive-into-DL-Pytorch.pdf │ │ │ ├─ d2l-en-pytorch.pdf │ │ │ ├─ d2l-zh-pytorch.pdf │ │ │ └─ 动手学深度学习（2020.07.08）.zip │ │ ├─ 02.机器学习相关书籍 │ │ │ ├─ 凸优化.pdf │ │ │ ├─ 图解机器学习.pdf │ │ │ ├─ 机器学习_周志华.pdf │ │ │ ├─ 机器学习〔中文版〕.pdf │ │ │ ├─ 机器学习个人笔记完整版2.5.pdf │ │ │ ├─ 机器学习在量化投资中的应用研究_汤凌冰著_北京：电子工业出版社_2014.11_13662591_P157.pdf │ │ │ ├─ 机器学习实战.pdf │ │ │ ├─ 机器学习实践指南++案例应用解析+麦好.pdf │ │ │ ├─ 机器学习导论 原书 第2版.pdf │ │ │ ├─ 吴恩达《Machine Learning Yearning》完整中文版 │ │ │ │ └─ 吴恩达MLY │ │ │ │ └─ MLY-zh-cn.pdf │ │ │ └─ 《跟着迪哥学 Python数据分析与机器学习实战》 │ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》.epub │ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》.mobi │ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》PDF+唐宇迪.pdf │ │ │ └─ 配套代码和数据集《跟着迪哥学 Python数据分析与机器学习实战》.zip │ │ └─ 01.Python基础书籍 │ │ └─ 《Python基础教程（第3版）》 │ │ ├─ Python基础教程（第3版）高清英文版.pdf │ │ └─ 源代码.zip │ └─ 01.人工智能行业报告 │ └─ 53份人工智能行业报告.zip ├─ 三：超详细人工智能学习大纲 │ └─ 人工智能大纲升级版本.pdf └─ 一：人工智能论文合集 ├─ 深度学习论文精讲-BERT模型 │ ├─ 1. 课程介绍.mp4 │ ├─ 2. 1-论文讲解思路概述.mp4 │ ├─ 3. 2-BERT模型摘要概述.mp4 │ ├─ 4. 3-模型在NLP领域应用效果.mp4 │ ├─ 5. 4-预训练模型的作用.mp4 │ ├─ 6. 5-输入数据特殊编码字符解析.mp4 │ ├─ 7. 6-向量特征编码方法.mp4 │ ├─ 8. 7-BERT模型训练策略.mp4 │ └─ 9. 8-论文总结分析.mp4 ├─ 图神经网络（GNN）100篇论文集 │ ├─ 论文集索引.jpg │ ├─ Survey │ │ ├─ 极力推荐 │ │ │ ├─ Graph Neural Networks：A Review of Methods and Applications.pdf │ │ │ ├─ Non-local Neural Networks.pdf │ │ │ ├─ Relational Inductive Biases, Deep Learning, and Graph Networks.pdf │ │ │ └─ The Graph Neural Network Model.pdf │ │ └─ 一般推荐 │ │ ├─ A Comprehensive Survey on Graph Neural Networks.pdf │ │ ├─ Computational Capabilities of Graph Neural Networks(1).pdf │ │ ├─ Deep Learning on Graphs- A Survey.pdf │ │ ├─ Geometric Deep Learning- Going beyond Euclidean data.pdf │ │ └─ Neural Message Passing for Quantum Chemistry.pdf │ ├─ Models │ │ ├─ training methods │ │ │ ├─ Covariant Compositional Networks For Learning Graphs.pdf │ │ │ ├─ Graphical-Based Learning Environments for Pattern Recognition.pdf │ │ │ ├─ Hierarchical Graph Representation Learning with Differentiable Pooling.pdf │ │ │ ├─ Knowledge-Guided Recurrent Neural Network Learning for Task-Oriented Action Prediction.pdf │ │ │ ├─ Learning Steady-States of Iterative Algorithms over Graphs.pdf │ │ │ ├─ Neural networks for relational learning- an experimental comparison.pdf │ │ │ ├─ receptive field control │ │ │ │ └─ Stochastic Training of Graph Convolutional Networks with Variance Reduction.pdf │ │ │ ├─ neighborhood sampling │ │ │ │ ├─ Adaptive Sampling Towards Fast Graph Representation Learning.pdf │ │ │ │ ├─ FastGCN- Fast Learning with Graph Convolutional Networks via Importance Sampling.pdf │ │ │ │ └─ Inductive Representation Learning on Large Graphs.pdf │ │ │ └─ boosting │ │ │ └─ Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning.pdf │ │ ├─ propagation_type │ │ │ ├─ skip │ │ │ │ ├─ Representation Learning on Graphs with Jumping Knowledge Networks.pdf │ │ │ │ └─ Semi-Supervised Classification with Graph Convolutional Networks.pdf │ │ │ ├─ gate │ │ │ │ ├─ Gated Graph Sequence Neural Networks.pdf │ │ │ │ └─ Sentence-State LSTM for Text Representation.pdf │ │ │ ├─ convolution │ │ │ │ ├─ Bayesian Semi-supervised Learning with Graph Gaussian Processes.pdf │ │ │ │ ├─ Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering.pdf │ │ │ │ ├─ Deep Convolutional Networks on Graph-Structured Data.pdf │ │ │ │ ├─ Learning Convolutional Neural Networks for Graphs.pdf │ │ │ │ ├─ Spectral Networks and Deep Locally Connected.pdf │ │ │ │ └─ Structure-Aware Convolutional Neural Networks.pdf │ │ │ └─ attention │ │ │ ├─ Attention Is All You Need.pdf │ │ │ ├─ Graph Attention Networks.pdf │ │ │ └─ Graph Classification using Structural Attention.pdf │ │ ├─ others │ │ │ ├─ A Comparison between Recursive Neural Networks and Graph Neural Networks.pdf │ │ │ ├─ A new model for learning in graph domains.pdf │ │ │ ├─ CelebrityNet- A Social Network Constructed from Large-Scale Online Celebrity Images.pdf │ │ │ ├─ Contextual Graph Markov Model- A Deep and Generative Approach to Graph Processing.pdf │ │ │ ├─ Deep Sets.pdf │ │ │ ├─ Deriving Neural Architectures from Sequence and Graph Kernels.pdf │ │ │ ├─ Diffusion-Convolutional Neural Networks.pdf │ │ │ └─ Geometric deep learning on graphs and manifolds using mixture model cnns.pdf │ │ └─ graph_type │ │ ├─ Adaptive Graph Convolutional Neural Networks.pdf │ │ ├─ Graph Capsule Convolutional Neural Networks.pdf │ │ ├─ Graph Neural Networks for Object Localization.pdf │ │ ├─ Graph Neural Networks for Ranking Web Pages.pdf │ │ ├─ Graph Partition Neural Networks for Semi-Supervised Classification.pdf │ │ ├─ How Powerful are Graph Neural Networks-.pdf │ │ ├─ Mean-field theory of graph neural networks in graph partitioning.pdf │ │ ├─ edge-informative graph │ │ │ ├─ Graph-to-Sequence Learning using Gated Graph Neural Networks.pdf │ │ │ └─ Modeling relational data with graph convolutional networks.pdf │ │ └─ directed graph │ │ └─ Rethinking Knowledge Graph Propagation for Zero-Shot Learning.pdf │ └─ Applications │ ├─ text │ │ ├─ A Graph-to-Sequence Model for AMR-to-Text Generation.pdf │ │ ├─ Encoding Sentences with Graph Convolutional Networks for Semantic Role Labeling.pdf │ │ ├─ End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures.pdf │ │ ├─ Exploiting Semantics in Neural Machine Translation with Graph Convolutional Networks.pdf │ │ ├─ Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Graph Neural Networks..pdf │ │ ├─ Graph Convolution over Pruned Dependency Trees Improves Relation Extraction.pdf │ │ ├─ Graph Convolutional Encoders for Syntax-aware Neural Machine Translation.pdf │ │ ├─ Graph Convolutional Networks for Text Classification.pdf │ │ ├─ Graph Convolutional Networks with Argument-Aware Pooling for Event Detection.pdf │ │ ├─ Jointly Multiple Events Extraction via Attention-based Graph.pdf │ │ ├─ N-ary relation extraction using graph state LSTM.pdf │ │ └─ Recurrent Relational Networks.pdf │ ├─ science │ │ ├─ A Compositional Object-Based Approach to Learning Physical Dynamics.pdf │ │ ├─ A Note on Learning Algorithms for Quadratic Assignment with Graph Neural Networks.pdf │ │ ├─ A simple neural network module for relational reasoning.pdf │ │ ├─ Action Schema Networks- Generalised Policies with Deep Learning.pdf │ │ ├─ Adversarial Attack on Graph Structured Data.pdf │ │ ├─ Attend, Infer, Repeat- Fast Scene Understanding with Generative Models.pdf │ │ ├─ Attention, Learn to Solve Routing Problems!.pdf │ │ ├─ Beyond Categories- The Visual Memex Model for Reasoning About Object Relationships.pdf │ │ ├─ Combining Neural Networks with Personalized PageRank for Classification on Graphs.pdf │ │ ├─ Constrained Generation of Semantically Valid Graphs via Regularizing Variational Autoencoders.pdf │ │ ├─ Constructing Narrative Event Evolutionary Graph for Script Event Prediction.pdf │ │ ├─ Conversation Modeling on Reddit using a Graph-Structured LSTM.pdf │ │ ├─ Convolutional networks on graphs for learning molecular fingerprints.pdf │ │ ├─ Cross-Sentence N-ary Relation Extraction with Graph LSTMs.pdf │ │ ├─ Deep Graph Infomax.pdf │ │ ├─ DeepInf- Modeling influence locality in large social networks.pdf │ │ ├─ Discovering objects and their relations from entangled scene representations.pdf │ │ ├─ Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs.pdf │ │ ├─ Effective Approaches to Attention-based Neural Machine Translation.pdf │ │ ├─ Geometric Matrix Completion with Recurrent Multi-Graph Neural Networks.pdf │ │ ├─ Graph Convolutional Matrix Completion.pdf │ │ ├─ Graph Convolutional Neural Networks for Web-Scale Recommender Systems.pdf │ │ ├─ Graph networks as learnable physics engines for inference and control.pdf │ │ ├─ GraphRNN- Generating Realistic Graphs with Deep Auto-regressive Models.pdf │ │ ├─ Hybrid Approach of Relation Network and Localized Graph Convolutional Filtering for Breast Cancer Subtype Classification.pdf │ │ ├─ Hyperbolic Attention Networks.pdf │ │ ├─ Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks.pdf │ │ ├─ Inference in Probabilistic Graphical Models by Graph Neural Networks.pdf │ │ ├─ Interaction Networks for Learning about Objects, Relations and Physics.pdf │ │ ├─ Learning Conditioned Graph Structures for Interpretable Visual Question Answering.pdf │ │ ├─ Learning Deep Generative Models of Graphs.pdf │ │ ├─ Learning Graphical State Transitions.pdf │ │ ├─ Learning Human-Object Interactions by Graph Parsing Neural Networks.pdf │ │ ├─ Learning Multiagent Communication with Backpropagation.pdf │ │ ├─ Learning a SAT Solver from Single-Bit Supervision.pdf │ │ ├─ Learning model-based planning from scratch.pdf │ │ ├─ Learning to Represent Programs with Graphs.pdf │ │ ├─ Metacontrol for Adaptive Imagination-Based Optimization.pdf │ │ ├─ Molecular Graph Convolutions- Moving Beyond Fingerprints.pdf │ │ ├─ NerveNet Learning Structured Policy with Graph Neural Networks.pdf │ │ ├─ Neural Combinatorial Optimization with Reinforcement Learning.pdf │ │ ├─ Neural Module Networks.pdf │ │ ├─ Neural Relational Inference for Interacting Systems.pdf │ │ ├─ Protein Interface Prediction using Graph Convolutional Networks.pdf │ │ ├─ Relational Deep Reinforcement Learning.pdf │ │ ├─ Relational inductive bias for physical construction in humans and machines.pdf │ │ ├─ Relational neural expectation maximization- Unsupervised discovery of objects and their interactions.pdf │ │ ├─ Self-Attention with Relative Position Representations.pdf │ │ ├─ Semi-supervised User Geolocation via Graph Convolutional Networks.pdf │ │ ├─ Situation Recognition with Graph Neural Networks.pdf │ │ ├─ Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition.pdf │ │ ├─ Spatio-Temporal Graph Convolutional Networks- A Deep Learning Framework for Traffic Forecasting.pdf │ │ ├─ Structured Dialogue Policy with Graph Neural Networks.pdf │ │ ├─ Symbolic Graph Reasoning Meets Convolutions.pdf │ │ ├─ Traffic Graph Convolutional Recurrent Neural Network- A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting.pdf │ │ ├─ Translating Embeddings for Modeling Multi-relational Data.pdf │ │ ├─ Understanding Kin Relationships in a Photo.pdf │ │ ├─ VAIN- Attentional Multi-agent Predictive Modeling.pdf │ │ └─ Visual Interaction Networks- Learning a Physics Simulator from Vide.o.pdf │ ├─ knowledge graph │ │ ├─ Cross-lingual Knowledge Graph Alignment via Graph Convolutional Networks.pdf │ │ ├─ Deep Reasoning with Knowledge Graph for Social Relationship Understanding.pdf │ │ ├─ Dynamic Graph Generation Network- Generating Relational Knowledge from Diagrams.pdf │ │ ├─ Knowledge Transfer for Out-of-Knowledge-Base Entities - A Graph Neural Network Approach.pdf │ │ ├─ Modeling Semantics with Gated Graph Neural Networks for Knowledge Base Question Answering.pdf │ │ ├─ Multi-Label Zero-Shot Learning with Structured Knowledge Graphs.pdf │ │ ├─ Representation learning for visual-relational knowledge graphs.pdf │ │ ├─ The More You Know- Using Knowledge Graphs for Image Classification.pdf │ │ └─ Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs.pdf │ ├─ image │ │ ├─ Visual Question Answering │ │ │ ├─ Graph-Structured Representations for Visual Question Answering.pdf │ │ │ └─ Out of the Box- Reasoning with Graph Convolution Nets for Factual Visual Question Answering(1).pdf │ │ ├─ Semantic Segmentation │ │ │ ├─ 3D Graph Neural Networks for RGBD Semantic Segmentation.pdf │ │ │ ├─ Dynamic Graph CNN for Learning on Point Clouds.pdf │ │ │ ├─ Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs.pdf │ │ │ ├─ Modeling polypharmacy side effects with graph convolutional networks.pdf │ │ │ └─ PointNet- Deep Learning on Point Sets for 3D Classification and Segmentation.pdf │ │ ├─ Region Classification │ │ │ └─ Iterative Visual Reasoning Beyond Convolutions..pdf │ │ ├─ Object Detection │ │ │ ├─ Learning Region features for Object Detection.pdf │ │ │ └─ Relation Networks for Object Detection.pdf │ │ ├─ Interaction Detection │ │ │ └─ Structural-RNN- Deep Learning on Spatio-Temporal Graphs.pdf │ │ └─ Image classification │ │ └─ Few-Shot Learning with Graph Neural Networks.pdf │ ├─ graph generation │ │ ├─ Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation.pdf │ │ ├─ MolGAN- An implicit generative model for small molecular graphs(1).pdf │ │ └─ NetGAN- Generating Graphs via Random Walks(1).pdf │ └─ combinatorial optimization │ ├─ Combinatorial Optimization with Graph Convolutional Networks and Guided Tree Search(1).pdf │ └─ Learning Combinatorial Optimization Algorithms over Graphs.pdf ├─ Resnet论文解读 │ └─ 13-额外补充-Resnet论文解读.mp4 ├─ CVPR行人重识别论文解读 │ ├─ 1. 1-关键点位置特征构建.mp4 │ ├─ 2. 2-图卷积与匹配的作用.mp4 │ ├─ 4. 3-局部特征热度图计算.mp4 │ ├─ 5. 4-基于图卷积构建人体拓扑关系.mp4 │ └─ 6. 5-图卷积模块实现方法.mp4 └─ CNN_不能错过的10篇论文 ├─ 1311.2524v5_R_CNN.pdf ├─ 1311.2901v3_Visualizing and Understanding Convolutional Networks.pdf ├─ 1406.2661v1_Generative Adversarial Nets.pdf ├─ 1409.1556v6_VERY DEEP CONVOLUTIONAL Networks.pdf ├─ 1412.2306v2_Deep Visual-Semantic Alignments for Generating Image Descriptions.pdf ├─ 1504.08083_Fast R-CNN.pdf ├─ 1506.01497v3_Faster R-CNN.pdf ├─ 1506.02025_Spatial Transformer Networks.pdf ├─ 1512.03385v1_Deep Residual Learning for Image Recognition.pdf ├─ 4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf └─ Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf
下载地址
⏬️夸克网盘【本站每日更新最新热门夸克网盘资源】
![Science Research Writing （2020版） Imperial College Press【PDF】 [119.5MB] 论文指导书 博士 竞赛 硕士 本科-夸克网盘吧](/wp-content/uploads/replace/2024/11/07/b301a9266ed50cd4fdbcd8d851a20798-220x150.webp)
![哈佛的变革 [学习教育] [pdf+全格式]-夸克网盘吧](/wp-content/uploads/replace/2024/09/04/93b8755312c8e68791e00088115499ee-220x150.webp)
评论前必须登录！
注册