深度学习与计算机视觉 斯坦福 李飞飞
共37课时 20小时8分36秒秒
简介
随着搜索应用程序,图像识别、App应用、成像、医学、无人机和无人驾驶汽车,计算机视觉在我们的社会中已经变得无处不在。许多这样的应用程序,比如:图片分类、定位和检测的核心功能任务都是视觉识别技术完成的。最新发现的神经网络方法(又名“深度学习”),极大地提升了视觉识别系统的先进性能。
李飞飞
斯坦福大学计算机学院副教授
斯坦福大学人工智能实验室主任
斯坦福大学视觉实验室主任
章节
- 课时1:课程介绍 - 计算机视觉概述 (7分29秒)
- 课时2:课程介绍 - 计算机视觉历史背景 (29分30秒)
- 课时3:课程介绍 - 课程后勤 (22分22秒)
- 课时4:图像分类 - 数据驱动方法 (23分50秒)
- 课时5:图像分类 - K最近邻算法 (23分8秒)
- 课时6:图像分类 - 线性分类I (13分55秒)
- 课时7:损失函数和优化 - 损失函数 (50分8秒)
- 课时8:损失函数和优化 - 优化 (25分30秒)
- 课时9:介绍神经网络 - 反向传播 (55分40秒)
- 课时10:介绍神经网络 - 神经网络 (19分12秒)
- 课时11:卷积神经网络 - 历史 (14分15秒)
- 课时12:卷积神经网络 - 卷积和池化 (36分55秒)
- 课时13:卷积神经网络 - 视觉之外的卷积神经网络 (19分3秒)
- 课时14:激活函数 (49分21秒)
- 课时15:批量归一化 (31分54秒)
- 课时16:更好的优化 (55分18秒)
- 课时17:正则化 (15分15秒)
- 课时18:迁移学习 (6分21秒)
- 课时19:Caffe,Torch,Theano,TensorFlow,Keras,PyTorch等 (1小时18分35秒)
- 课时20:AlexNet,VGG,GoogLeNet,ResNet等 (1小时18分7秒)
- 课时21:RNN, LSTM, GRU (21分13秒)
- 课时22:语言模型 (22分7秒)
- 课时23:图像标注、视觉问答、 Soft attention模型 (34分31秒)
- 课时24:分割 (33分23秒)
- 课时25:定位 (10分17秒)
- 课时26:识别 (32分40秒)
- 课时27:特征可视化、倒置、对抗样本 (52分15秒)
- 课时28:DeepDream和风格迁移 (24分33秒)
- 课时29:Pixel RNN CNN (20分6秒)
- 课时30:变分自编码器 (33分50秒)
- 课时31:生成式对抗网络 (30分34秒)
- 课时32:策略梯度,硬注意 (21分13秒)
- 课时33:Q-Learning, Actor-Critic算法 (49分2秒)
- 课时34:深度学习的方法及硬件 (1小时17分38秒)
- 课时35:对抗样本和对抗训练 (1小时22分17秒)
- 课时36:special篇:特邀对话Ian Goodfellow (3分59秒)
- 课时37:special篇:特邀对话Song Han (3分10秒)
猜你喜欢
热门下载
热门帖子