AI精选付费资料包
文件清单
365 项
- 人工智能大纲升级版本.pdf
- 论文集索引.jpg
- 4. 3-局部特征热度图计算.mp4
- 2. 2-图卷积与匹配的作用.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
- 1. 1-关键点位置特征构建.mp4
- 2. 1-论文讲解思路概述.mp4
- 1. 课程介绍.mp4
展开全部 365 项
- 9. 8-论文总结分析.mp4
- 3. 2-BERT模型摘要概述.mp4
- 8. 7-BERT模型训练策略.mp4
- 4. 3-模型在NLP领域应用效果.mp4
- 6. 5-输入数据特殊编码字符解析.mp4
- 5. 4-预训练模型的作用.mp4
- 7. 6-向量特征编码方法.mp4
- 13-额外补充-Resnet论文解读.mp4
- 1409.1556v6_VERY DEEP CONVOLUTIONAL Networks.pdf
- 4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
- 1311.2901v3_Visualizing and Understanding Convolutional Networks.pdf
- 1406.2661v1_Generative Adversarial Nets.pdf
- Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf
- 1311.2524v5_R_CNN.pdf
- 1412.2306v2_Deep Visual-Semantic Alignments for Generating Image Descriptions.pdf
- 1506.02025_Spatial Transformer Networks.pdf
- 1512.03385v1_Deep Residual Learning for Image Recognition.pdf
- 1504.08083_Fast R-CNN.pdf
- 1506.01497v3_Faster R-CNN.pdf
- Deep-Learning-with-PyTorch-Tutorials.zip
- 10 GAN实战-2.flv
- 3 生成对抗网络.flv
- 2 画家的成长历程.flv
- 11 WGAN实战-1.flv
- 4 纳什均衡-1.flv
- 1 数据的分布.flv
- 12 WGAN实战-2.flv
- 8 WGAN-GP原理.flv
- 9 GAN实战-1.flv
- 6 GAN训练难题.flv
- 7 EM距离.flv
- 5 纳什均衡-2.flv
- 11-CIFAR100与VGG13实战-2.mp4
- 10-CIFAR100与VGG13实战-1.mp4
- 5-卷积神经网络图解-1.mp4
- 3-卷积运算详解-3.mp4
- 4-卷积运算详解-4.mp4
- 14-经典卷积神经网络详解-1.mp4
- 23-ResNet实战-4.mp4
- 8-卷积神经网络图解-4.mp4
- 18-ResNet, DenseNet详解.mp4
- 13-CIFAR100与VGG13实战-4.mp4
- 6-卷积神经网络图解-2.mp4
- 7-卷积神经网络图解-3.mp4
- 9-池化与采样操作讲解.mp4
- 17-BatchNorm-2.mp4
- 12-CIFAR100与VGG13实战-3.mp4
- 15-经典卷积神经网络详解-2.mp4
- 20-ResNet实战-1.mp4
- 22-ResNet实战-3.mp4
- 21-ResNet实战-2.mp4
- 19-ResNet, DenseNet详解.mp4
- 2-卷积运算详解-2.mp4
- 1-卷积运算详解-1.mp4
- AI精选付费资料包/
- 三:超详细人工智能学习大纲/
- 五:深度学习神经网络基础教程/
- 二:AI必读经典书籍/
- 四:机器学习基础算法教程/
- 图神经网络(GNN)100篇论文集/
- CVPR行人重识别论文解读/
- 深度学习论文精讲-BERT模型/
- Resnet论文解读/
- CNN_不能错过的10篇论文/
- 神经网络模型基础课件资料/
- GAN对抗生成网络基础/
- CNN卷积神经网络基础/
- RNN循环神经网络基础/
- 03.MASK-RCNN目标检测实战视频课程/
- 01.OpenCV图像处理实战视频课程/
- 07.MASK-RCNN课程资料/
- 06.YOLOV5目标检测课程资料/
- 05.OpenCV图像处理课程资料/
- 02.YOLOV5目标检测视频课程/
- 08.Unet图像分割课程资料/
- 04.Unet图像分割实战视频课程/
- 02.AI必读经典书籍/
- 01.人工智能行业报告/
- 02.机器学习算法课件资料/
- 01.机器学习经典算法精讲视频课程/
- Survey/
- Models/
- Applications/
- CNN+RNN+GAN/
- 第三章:基于MASK-RCNN框架训练自己的数据与任务/
- 第六章:必备基础-物体检测FasterRcnn系列/
- 第二章:MaskRcnn网络框架源码详解/
- 第六章:物体检测-faster-rcnn/
- 03.深度学习相关书籍/
- 01.Python基础书籍/
- 02.机器学习相关书籍/
- 04.计算机视觉相关书籍/
- 部分代码资料/
- 机器学习算法PPT/
- 第二章:线性回归代码实现/
- 第三章:模型评估方法/
- 第九章:Kmeans代码实现/
- 第十章:聚类算法实验分析/
- 第六章:逻辑回归代码实现/
- 第十二章:决策树代码实现/
- 第十三章:决策树实验分析/
- 第四章:线性回归实验分析/
- 课程简介/
- 第八章:聚类算法-Kmeans&Dbscan原理/
- 第七章:逻辑回归实验分析/
- 第五章:逻辑回归原理推导/
- 第一章:线性回归原理推导/
- 第十一章:决策树原理/
- 一般推荐/
- 极力推荐/
- training methods/
- graph_type/
- propagation_type/
- others/
- image/
- science/
- knowledge graph/
- text/
- combinatorial optimization/
- graph generation/
- 课程安装软件-Win10/
- 课程安装软件-Ubuntu 18.04/
- 3-完成训练数据准备工作/
- 6-测试与展示模块/
- 5-基于标注数据训练所需任务/
- 1-Labelme工具安装/
- 4-maskrcnn源码修改方法/
- 2-使用labelme进行数据与标签标注/
- 3-三代算法-3-faster-rcnn概述/
- 6-论文解读-3-损失函数定义/
- 2-三代算法-2-深度学习经典检测方法/
- 1-三代算法-1-物体检测概述/
- 5-论文解读-2-RPN网络结构/
- 4-论文解读-1-论文整体概述/
- 7-论文解读-4-网络细节/
- 12-整体框架回顾/
- 10-RoiPooling层的作用与目的/
- 3-生成框比例设置/
- 4-基于不同尺度特征图生成所有框/
- 7-Proposal层实现方法/
- 2-FPN网络架构实现解读/
- 11-RorAlign操作的效果/
- 9-正负样本选择与标签定义/
- 5-RPN层的作用与实现解读/
- 1-FPN层特征提取原理解读/
- 8-DetectionTarget层的作用/
- 6-候选框过滤方法/
- 第五章:必备基础-迁移学习与Resnet网络架构/
- 3-参数配置/
- 0-课程简介/
- 2-网络架构概述/
- 3-流程与结果演示/
- 1-COCO数据集与人体姿态识别简介/
- 3-填涂轮廓检测/
- 2-预处理操作/
- 1-整体流程与效果概述/
- 4-选项判断识别/
- 1-任务整体流程/
- 8-基于视频的车位检测/
- 2-所需数据介绍/
- 4-车位直线检测/
- 7-识别模型构建/
- 5-按列划分区域/
- 3-图像数据预处理/
- 6-车位区域划分/
- 3-模板处理方法/
- 4-输入数据处理方法/
- 2-环境配置与预处理/
- 5-模板匹配得出识别结果/
- 1-总体流程与方法讲解/
- 4-流程解读/
- 2-RANSAC算法/
- 1-特征匹配方法/
- 2-图像拼接方法/
- 1-整体流程演示/
- 5-tesseract-ocr安装配置/
- 4-透视变换结果/
- 2-文档轮廓提取/
- 6-文档扫描识别效果/
- 3-原始与变换坐标计算/
- 《深度学习之PyTorch物体检测实战》PDF+源代码/
- 21年最新-李沐《动手学深度学习第二版》中,英文版免费分享/
- 《Python基础教程(第3版)》/
- 吴恩达《Machine Learning Yearning》完整中文版/
- 《跟着迪哥学 Python数据分析与机器学习实战》/
- 14-集成算法实验分析/
- 3-模型评估方法/
- 9-聚类算法实验分析/
- 5-逻辑回归代码实现/
- 11-决策树代码实现/
- 6-逻辑回归实验分析/
仅展示前 200 项，共 365 项。
- 分享时间
- 2024-07-18 18:45
- 入库时间
- 2024-07-18 18:56
- 分享用户
- 小z*电影
- 资源大小
- 0 B
- 资源类型
- UC 网盘
问题反馈
链接失效、内容异常、提取码错误等问题，可提交反馈，管理员会尽快处理。