近期课程:

课程大纲
联系老师微信:balance0711
一Large-Scale Object Detection in the Wild From Imbalanced Multi-Lables(国防科大，商汤)
二Rethinking Classification and Localization for Object Detection(微软)
三Multiple Anchor Learning for Visual Object Detection(西安交大，卡内基梅隆大学，国防科技大学，中科院
四CentripletalNet:pursuing High-Quality Keypoint Pairs for Object Detection[商汤，国防科大]
五Learning From Noisy Anchors for One-Stage Object Detection[马里兰研究院]
六EfficientDet:Scalable and Efficient Object Detection[谷歌]
课程大纲
联系老师微信:balance0711
一计算机是如何表示图像的[opencv python]
二计算机是如何处理图像的[opencv python]
三先做一个简单的图像分类器
四常用图像特征:直方图和HOG
五常用图像特征:LBP和haar
六常用图像特征:SIFT
七常用机器学习分类模型:线性模型
八常用机器学习分类模型:logistic模型
九常用机器学习分类模型:感知机模型
十常用机器学习分类模型:反向传播模型
十一常用机器学习分类模型:决策树模型
十三复习一下模型训练方法：极大似然估计
十四复习一下模型训练方法：梯度下降法
十五常用深度学习分类模型:首个CNN-LENET
十六常用深度学习分类模型:alextnet
十七常用深度学习分类模型:VGG
十八常用深度学习分类模型:GoogleNet
十九常用深度学习分类模型:resNet
二十常用深度学习分类模型:mobileNet
二十一常用深度学习分类模型:shuffleNet
二十二关于构造自己的分类模型的思路
二十三深度神经网络基本数据集:mnist
课程大纲
一计算机是如何表示图像的[opencv python]
二计算机是如何处理图像的[opencv python]
三先做一个简单的图像分类器
四常用图像特征:直方图和HOG
五常用机器学习分类模型:线性模型
六常用机器学习分类模型:logistic模型
七常用机器学习分类模型:感知机模型
八常用机器学习分类模型:反向传播模型
九常用深度学习分类模型:首个CNN-LENET
十ConnerNet
十一EfficientDet
十二CentripletalNet
课程大纲
联系老师微信:balance0711
一yolo系列介绍与课程导论
二yolov1:you only look once
三yolov1:代码与数据集全面解析
四yolov2:全面学习sota模型
五yolov2:代码与数据集全面解析
六yolov3:三检测头结构形成
七yolov3:代码与数据集全面解析
八yolov4:一阶段模型的head,neck,backbone
九yolov4:代码与数据集全面解析
十yolov5:落地神器
十一yolov5:代码全面解析
课程大纲
联系老师微信:balance0711
一rcnn系列介绍与课程导论
二分类器复习
三分类器代码解析
四滑窗分类做检测
五滑窗检测器代码解析
六RCNN:基于区域CNN特征
七RCNN代码解析
八fast RCNN:基于CNN特征的区域
九fast RCNN代码解析
十faster RCNN:RPN使模型实现了端到端
十一faster RCNN代码解析
十二Mask RCNN:ROI-align实例分割
十三Mask RCNN 代码解析