|
|
本期课程为深度学习研究者推出了一个精读系列视频课。这一系列专注于解析深度学习历史上关键性贡献的学术文章，涵盖的内容极其广泛：
经典卷积神经网络（CNN）及Transformer模型及其变体的相关文献。
计算机视觉领域内任务如分类、检测和分割的文章解读。
神经网络优化技术和正则化策略相关的研究成果。
对不同损失函数的选择与应用，以及评估模型性能的方法论探讨。
综述性质的论文总结了CV领域的重大发展脉络。
这些课程内容旨在帮助学习者深入了解深度学习技术的核心原理，并且紧随领域内的最新动态。此外，本系列也包含了关于学术写作的建议和技巧，这将有助于提高学员们的文章撰写能力和在国际会议上的影响力。
1 初学者如何高效阅读论文.mp4
2 AlexNet横空出世.mp4
3 VGG.mp4
4 残差学习：ResNet.mp4
5 Transformer一作如何改进自注意力.mp4
6 EfficientViT-可在边缘计算设备上高效运行的ViT.mp4
7 【综述】视觉Transformer-SOTA与挑战.mp4
8 图像分割开创性工作：FCN.mp4
9 生物医学图像分割：U-Net.mp4
10 改进的U-Net-U-NetV2.mp4
11 改进的U-Net-U-Net++.mp4
12 目标检测开创性工作-R-CNN.mp4
13 R-CNN的升级版-Fast R-CNN.mp4
14 OPPO出品_用于显著目标检测-PSUNet.mp4
15 RetinaNet.mp4
16 网络优化器类型及优缺点.mp4
17 【综述】深度学习VS传统CV.mp4
18 ViT真的超越CNN了？.mp4
19 AnchorNet-减小图像空间 冗余度_加速图像分类推理.mp4
20 ImageNet数据集.mp4
21 GC-CLIP：改进CLIP zero-shot分类性能.mp4
22 SAM(Segment Anything Model).mp4
23 改进SAM-EfficientSAM.mp4
24 BLIP2-高效进行VLP.mp4
25 机器人中的GPT-4V(ision).mp4
26 能在iPhone12上运行的SAM-RepViTSAM.mp4
27 医疗设备上的大语言模型-SM70.mp4
28 大语言模型在电力系统中的应用.mp4
29 Segment and Track Anything.mp4
30 MAE-以自监督范式训练ViT.mp4
下载地址：
|
|
发表于