课时1：课程介绍 - 计算机视觉概述 课时2：课程介绍 - 计算机视觉历史背景 课时3：课程介绍 - 课程后勤 课时4：图像分类 - 数据驱动方法 课时5：图像分类 - K最近邻算法 课时6：图像分类 - 线性分类I 课时7：损失函数和优化 - 损失函数 课时8：损失函数和优化 - 优化 课时9：介绍神经网络 - 反向传播 课时10：介绍神经网络 - 神经网络 课时11：卷积神经网络 - 历史 课时12：卷积神经网络 - 卷积和池化 课时13：卷积神经网络 - 视觉之外的卷积神经网络 课时14：激活函数 课时15：批量归一化 课时16：更好的优化 课时17：正则化 课时18：迁移学习 课时19：Caffe，Torch，Theano，TensorFlow，Keras，PyTorch等 课时20：AlexNet，VGG，GoogLeNet，ResNet等 课时21：RNN, LSTM, GRU 课时22：语言模型 课时23：图像标注、视觉问答、 Soft attention模型 课时24：分割 课时25：定位 课时26：识别 课时27：特征可视化、倒置、对抗样本 课时28：DeepDream和风格迁移 课时29：Pixel RNN CNN 课时30：变分自编码器 课时31：生成式对抗网络 课时32：策略梯度，硬注意 课时33：Q-Learning, Actor-Critic算法 课时34：深度学习的方法及硬件 课时35：对抗样本和对抗训练 课时36：special篇：特邀对话Ian Goodfellow 课时37：special篇：特邀对话Song Han 课程介绍共计37课时，20小时8分36秒 深度学习与计算机视觉 斯坦福 李飞飞 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。 上传者：抛砖引玉 猜你喜欢 Atmel SAM4L picoPower简介 time-of-flight TI 3D传感器 英飞凌高性能实时信号控制器XE166家族介绍 Atmel SAM D21 PTC模块和QTouch设计平台 我们怎样才能教会电脑理解我们的情感 智能模拟 嵌入式linux Framebuffer驱动开发 反激变换器是如何工作的（英文字幕） 热门下载 AVR ATMega16最小系统原理图PCB AFE5801,pdf(8-Channel Variable-Gain Amplifier (VGA) With Octal High-Speed ADC) 准谐振式反激式开关电源IRIS4015原理及设计要点 精彩解码板、激光头详细说明图 化学气相沉积与无机新材料 PCI-to-PCI Bridge Architecture TMS320VC5501-300,pdf(Fixed-Point Digital Signal Processor) 用8位单片机实现ARINC429总线数据传输 线性动态电路 电脑游戏机硬件与编程特技.rar 热门帖子 网友正在看 RFID Principles III 拍照和相册 深度学习的正则化方法（二） 正确率,召回率,F1指标 ucos专业术语介绍-1 在PCB中的载流能力一般如何去评估呢？ 串口1通信程序 段页式存储管理，虚存（下）
