deep learning for image processing

Tutorial sobre la aplicación de aprendizaje profundo en el procesamiento de imágenes

Prefacio

• Este tutorial es un resumen de mi contenido de investigación durante mi estudio de posgrado. Espero ayudar a más amigos. Si aprende nuevos conocimientos más tarde, lo compartirá con usted.
• Este tutorial se compartirá en un formato de video, y el proceso de enseñanza es el siguiente:
  1) Introducir la estructura y los puntos de innovación de la red
  2) Use Pytorch para construir y entrenar redes
  3) Use TensorFlow (módulo interno de Keras) para construir y entrenar redes
• Todos los PPT en el curso se colocan en la carpeta course_ppt y los descargan usted mismo si es necesario.

Directorio de tutorial, haga clic para saltar al video correspondiente (se agregará de acuerdo con el contenido de aprendizaje más adelante)

• Clasificación de imágenes

  • Lenet (completado)

    • Pytorch Demo oficial (Lenet)
    • Demostración oficial de TensorFlow2

  • Alexnet (completado)

    • Explicación de la red de Alexnet
    • Pytorch construye Alexnet
    • Tensorflow2 construye Alexnet

  • VGGNET (completado)

    • Explicación de la red VGGNet
    • Pytorch construye la red VGG
    • Tensorflow2 construye la red VGG

  • Googlenet (completado)

    • Explicación de la red de googlelenet
    • Pytorch construye la red Googlelenet
    • Tensorflow2 construye la red Googlelenet

  • Resnet (completado)

    • Explicación de la red de resnet
    • Pytorch construye red RETNET
    • Tensorflow2 construye red resnet

  • Resnext (completado)

    • Explicación de la red de resnext
    • Pytorch construye la red Resnext

  • MobileNet_v1_v2 (completado)

    • MobileNet_V1_V2 Explicación de la red
    • Pytorch construye la red MobileNetv2
    • Tensorflow2 construye la red MobileNetv2

  • MobileNet_V3 (completado)

    • Explicación de la red MobileNet_V3
    • Pytorch construye la red MobileNetv3
    • Tensorflow2 construye la red MobileNetv3

  • Shufflenet_v1_v2 (completado)

    • Shufflenet_v1_v2 Explicación de la red
    • Use Pytorch para construir shufflenetv2
    • Use TensorFlow2 para construir shufflenetv2

  • Eficientenet_v1 (completado)

    • Explicación de la red eficiente denet
    • Use Pytorch para construir unanet eficiente
    • Edificio EficeNetnet con tensorflow2

  • Eficientenet_v2 (completado)

    • Explicación de la red eficiente de NETV2
    • Use Pytorch para construir EfficeCientNetV2
    • Use TensorFlow para construir EfficientNetV2

  • Repvgg (completado)

    • Explicación de la red Repvgg

  • Transformador de visión (completado)

    • Explicación de atención múltiple
    • Explicación de la red del transformador de visión
    • Use Pytorch para construir el transformador de visión
    • Use TensorFlow2 para construir el transformador de visión

  • Transformador de giro (completado)

    • Explicación de la red de transformador de láminas
    • Use Pytorch para construir transformador de giro
    • Use TensorFlow2 para construir transformador de giro

  • ConvNext (completado)

    • Explicación de la red ConvNext
    • Use Pytorch para construir ConvNext
    • Usar tensorflow2 para construir convNext

  • MobileVit (completado)

    • Explicación de la red MobileVit
    • Uso de Pytorch para construir MobileVit

• Detección de objetivos

  • Más rápido-rcnn/fpn (completado)

    • Explicación de la red más rápida-rcnn
    • Explicación de la red FPN
    • Análisis del código fuente más rápido de RCNN (Pytorch)

  • SSD/Retinanet (completado)

    • Explicación de la red SSD
    • Explicación de la red retinanet
    • Análisis del código fuente de SSD (Pytorch)

  • Serie Yolo (completa)

    • Explicación de la red de la serie Yolo (V1 ~ V3)
    • Análisis del código fuente de Yolov3 SPP (versión de Pytorch)
    • Explicación de la red Yolov4
    • Explicación de la red yolov5
    • Yolox explicación en línea

  • FCO (completado)

    • Explicación de la red FCOS

• Segmentación semántica

  • FCN (completado)

    • Explicación de la red FCN
    • Análisis del código fuente de FCN (versión de Pytorch)

  • DeepLabv3 (completado)

    • Explicación de la red DeepLabv1
    • Explicación de la red DeepLabv2
    • Explicación de la red DeepLabv3
    • Análisis del código fuente de DeepLabv3 (versión de Pytorch)

  • LR-Aspp (completado)

    • Explicación de la red LR-Aspp
    • Análisis del código fuente de LR-Aspp (versión de Pytorch)

  • U-Net (completado)

    • Explicación de la red U-Net
    • Análisis del código fuente U-Net (versión de Pytorch)

  • U2Net (completado)

    • Explicación de la red U2Net
    • Análisis del código fuente de U2Net (versión de Pytorch)

• Segmentación de instancias

  • Máscara R-CNN (completado)
    • Explicación de la red de máscara R-CNN
    • Análisis del código fuente de Mask R-CNN (versión de Pytorch)

• Detección de puntos clave

  • Deepose (completado)

    • Explicación de la red deeppose
    • Análisis del código fuente de Deepose (versión de Pytorch)

  • HRNET (completado)

    • Explicación de la red HRNet
    • Análisis del código fuente de HRNET (versión de Pytorch)

Para obtener más videos relacionados, visite mi canal Bilibili.

---

Entorno requerido

• Anaconda3 (recomendado)
• Python3.6/3.7/3.8
• Picarm (IDE)
• Pytorch 1.10 (paquete PIP)
• TorchVision 0.11.1 (paquete PIP)
• TensorFlow 2.4.1 (paquete PIP)

Todos son bienvenidos a seguir mi cuenta oficial de WeChat ( notas de estudio de Azhe ), y resumirán algunas publicaciones de blog de aprendizaje relacionadas en la vida diaria.

Si tiene alguna pregunta, también puede discutirlas en mi CSDN. https://blog.csdn.net/qq_37541097/article/details/103482003

My Bilibili Channel: https://space.bilibili.com/18161609/channel/index