deep learning for image processing

Tutorial zur Anwendung von Deep -Lernen in der Bildverarbeitung

Vorwort

• Dieses Tutorial ist eine Zusammenfassung meiner Forschungsinhalte während meines Aufbaustudiums. Ich hoffe, mehr Freunden zu helfen. Wenn Sie später neues Wissen lernen, werden Sie es mit Ihnen teilen.
• Dieses Tutorial wird in einem Videoformat geteilt und der Unterrichtsprozess lautet wie folgt:
  1) Führen Sie die Struktur- und Innovationspunkte des Netzwerks ein
  2) Verwenden Sie Pytorch, um Netzwerke zu bauen und zu trainieren
  3) Verwenden Sie den TensorFlow (internes Kerasmodul), um Netzwerke zu erstellen und zu trainieren
• Alle PPTs im Kurs sind im Ordner course_ppt platziert und laden sie bei Bedarf selbst herunter.

Tutorial -Verzeichnis, klicken Sie, um zum entsprechenden Video zu springen (es wird später nach dem Lerninhalt hinzugefügt).

• Bildklassifizierung

  • Lenet (abgeschlossen)

    • Pytorch Offizielle Demo (Lenet)
    • TensorFlow2 Offizielle Demo

  • Alexnet (abgeschlossen)

    • Alexnet -Netzwerk Erklärung
    • Pytorch baut Alexnet
    • TensorFlow2 baut Alexnet

  • VGGNet (abgeschlossen)

    • VGGNET -Netzwerk Erläuterung
    • Pytorch baut VGG Network auf
    • TensorFlow2 baut VGG Network auf

  • Googlenet (abgeschlossen)

    • GoogleLenet -Netzwerk Erläuterung
    • Pytorch Builds Googlelenet -Netzwerk
    • TensorFlow2 Builds Googlelenet -Netzwerk

  • Resnet (abgeschlossen)

    • Resnet -Netzwerk Erläuterung
    • Pytorch Builds Resnet Network
    • TensorFlow2 Builds ResNet Network

  • Resnext (abgeschlossen)

    • Resnext -Netzwerk Erklärung
    • Pytorch baut Resnext Network auf

  • Mobilenet_v1_v2 (abgeschlossen)

    • MOBILENET_V1_V2 NETWORK Erläuterung
    • Pytorch baut Mobilenetv2 -Netzwerk auf
    • TensorFlow2 baut Mobilenetv2 -Netzwerk auf

  • Mobilenet_v3 (abgeschlossen)

    • MOBILENET_V3 NETWORK Erläuterung
    • Pytorch baut Mobilenetv3 -Netzwerk auf
    • TensorFlow2 baut Mobilenetv3 -Netzwerk auf

  • SHUFFLENET_V1_V2 (abgeschlossen)

    • SHUFFLENET_V1_V2 NETWORK Erläuterung
    • Verwenden Sie Pytorch, um Shuffenetv2 zu bauen
    • Verwenden Sie den TensorFlow2, um Miserlenetv2 zu bauen

  • EfficienceNet_v1 (abgeschlossen)

    • EfficientNET -Netzwerk Erläuterung
    • Verwenden Sie Pytorch, um effizientesNet zu erstellen
    • Erstellen von EfficientNet mit TensorFlow22

  • Efficienziell_V2 (abgeschlossen)

    • EfficienzyNetv2 -Netzwerk Erläuterung
    • Verwenden Sie Pytorch, um effizientesNetv2 zu erstellen
    • Verwenden Sie den TensorFlow, um effizientesNetv2 zu erstellen

  • Repvgg (abgeschlossen)

    • Repvgg -Netzwerk Erklärung

  • Vision Transformator (abgeschlossen)

    • Multi-Head-Aufmerksamkeit Erklärung
    • Vision Transformer Network Erklärung
    • Verwenden Sie Pytorch, um Sehtransformator zu bauen
    • Verwenden Sie TensorFlow2, um Sehtransformator zu erstellen

  • Swin Transformator (abgeschlossen)

    • Swin Transformator Network Erklärung
    • Verwenden Sie Pytorch, um Swin -Transformator zu bauen
    • Verwenden Sie TensorFlow2, um Swin -Transformator zu erstellen

  • Überzeugen (abgeschlossen)

    • Erklärung des Netzwerks überzeugen
    • Verwenden Sie Pytorch, um überrevnext aufzubauen
    • Verwenden von TensorFlow2, um überrevnext aufzubauen

  • Mobilevit (abgeschlossen)

    • Mobilevit -Netzwerk Erläuterung
    • Verwenden Sie Pytorch, um Mobilevit zu erstellen

• Zielerkennung

  • Schneller-rcnn/fpn (abgeschlossen)

    • Schnelleres RCNN-Netzwerk Erläuterung
    • FPN -Netzwerk Erläuterung
    • Schnellere RCNN-Quellcodeanalyse (Pytorch)

  • SSD/Retinanet (abgeschlossen)

    • SSD -Netzwerk Erklärung
    • Retinanet -Netzwerk Erklärung
    • SSD -Quellcodeanalyse (Pytorch)

  • Yolo -Serie (abgeschlossen)

    • YOLO -Serie -Netzwerk Erklärung (v1 ~ v3)
    • Yolov3 SPP -Quellcodeanalyse (Pytorch -Version)
    • Yolov4 -Netzwerk Erklärung
    • Yolov5 -Netzwerk Erklärung
    • Yolox Online Erklärung

  • FCOs (abgeschlossen)

    • FCOS -Netzwerk Erklärung

• Semantische Segmentierung

  • FCN (abgeschlossen)

    • FCN -Netzwerk Erklärung
    • FCN -Quellcodeanalyse (Pytorch -Version)

  • Deeptlabv3 (abgeschlossen)

    • Deeptlabv1 -Netzwerk Erklärung
    • Deeptlabv2 -Netzwerk Erklärung
    • Deeptlabv3 -Netzwerk Erklärung
    • Deeptlabv3 Quellcodeanalyse (Pytorch -Version)

  • LR-aspp (abgeschlossen)

    • LR-ASPP-Netzwerk Erklärung
    • LR-ASPP-Quellcodeanalyse (Pytorch-Version)

  • U-net (abgeschlossen)

    • U-NET-Netzwerk Erklärung
    • U-NET-Quellcodeanalyse (Pytorch-Version)

  • U2NET (abgeschlossen)

    • U2NET -Netzwerk Erläuterung
    • U2NET -Quellcodeanalyse (Pytorch -Version)

• Instanzsegmentierung

  • Mask R-CNN (abgeschlossen)
    • Mask R-CNN-Netzwerk Erläuterung
    • Mask R-CNN-Quellcodeanalyse (Pytorch-Version)

• Schlüsselpunkterkennung

  • Deeppose (abgeschlossen)

    • Deeppose -Netzwerk Erklärung
    • Deeppose Quellcodeanalyse (Pytorch -Version)

  • HRNET (abgeschlossen)

    • HRNET -Netzwerk Erläuterung
    • HRNET -Quellcodeanalyse (Pytorch -Version)

Weitere verwandte Videos finden Sie in meinem Bilibili -Kanal.

---

Erforderliche Umgebung

• Anaconda3 (empfohlen)
• Python3.6/3.7/3.8
• Pycharm (IDE)
• Pytorch 1.10 (PIP -Paket)
• Torchvision 0.11.1 (PIP -Paket)
• Tensorflow 2.4.1 (PIP -Paket)

Jeder ist herzlich eingeladen, meinem offiziellen Account von WeChat ( Azhe's Study Notes ) zu folgen, und werden einige verwandte Lernblog -Beiträge im täglichen Leben zusammenfassen.

Wenn Sie Fragen haben, können Sie sie auch in meinem CSDN besprechen. https://blog.csdn.net/qq_37541097/article/details/103482003

Mein Bilibili -Kanal: https://space.bilibili.com/18161609/channel/index