deep learning for image processing

Tutoriel sur l'application de l'apprentissage en profondeur dans le traitement d'image

Préface

• Ce tutoriel est un résumé de mon contenu de recherche lors de mon étude de troisième cycle. J'espère aider plus d'amis. Si vous apprenez de nouvelles connaissances plus tard, vous la partagerez avec vous.
• Ce tutoriel sera partagé dans un format vidéo, et le processus d'enseignement est le suivant:
  1) Introduire la structure et les points d'innovation du réseau
  2) Utilisez Pytorch pour construire et former des réseaux
  3) Utilisez TensorFlow (module Keras interne) pour construire et former des réseaux
• Tous les PPT du cours sont placés dans le dossier course_ppt et les télécharger vous-même si nécessaire.

Répertoire du tutoriel, cliquez pour sauter sur la vidéo correspondante (elle sera ajoutée en fonction du contenu d'apprentissage plus tard)

• Classification d'image

  • LENET (terminé)

    • Démo officiel de Pytorch (LENET)
    • Démo officiel de Tensorflow2

  • Alexnet (terminé)

    • Explication du réseau Alexnet
    • Pytorch construit Alexnet
    • Tensorflow2 construit Alexnet

  • VGGNET (terminé)

    • Explication du réseau VGGNET
    • Pytorch construit le réseau VGG
    • Tensorflow2 construit le réseau VGG

  • Googlenet (terminé)

    • Explication du réseau GoogleLelenet
    • Pytorch construit le réseau GoogleleNenet
    • Tensorflow2 construit le réseau GoogleleNenet

  • Resnet (terminé)

    • Explication du réseau Resnet
    • Pytorch construit le réseau Resnet
    • Tensorflow2 construit un réseau Resnet

  • Resnext (terminé)

    • Explication du réseau Resnext
    • Pytorch construit un réseau de resnext

  • Mobilenet_v1_v2 (terminé)

    • Explication du réseau mobilenet_v1_v2
    • Pytorch construit le réseau MobileNetv2
    • TensorFlow2 construit le réseau MobileNetv2

  • Mobilenet_v3 (terminé)

    • Explication du réseau MobileNet_V3
    • Pytorch construit le réseau MobileNetv3
    • Tensorflow2 construit le réseau MobileNetv3

  • Shufflenet_v1_v2 (terminé)

    • Explication du réseau shufflenet_v1_v2
    • Utilisez Pytorch pour construire Shufflenetv2
    • Utilisez Tensorflow2 pour construire ShuffleNetv2

  • EfficientNet_V1 (terminé)

    • Explication du réseau efficace
    • Utilisez Pytorch pour construire EfficientNet
    • Bâtiment EfficientNet avec Tensorflow2

  • EfficientNet_V2 (terminé)

    • Explication du réseau efficace
    • Utilisez Pytorch pour construire EfficientNetV2
    • Utilisez TensorFlow pour construire EfficientNetv2

  • Repvgg (terminé)

    • Explication du réseau repvgg

  • Transformateur de vision (terminé)

    • Explication d'attention multi-tête
    • Explication du réseau de transformateur de vision
    • Utilisez Pytorch pour construire un transformateur de vision
    • Utilisez Tensorflow2 pour construire un transformateur de vision

  • Swin Transformer (terminé)

    • Explication du réseau Swin Transformer
    • Utilisez Pytorch pour construire Swin Transformer
    • Utilisez Tensorflow2 pour construire un transformateur Swin

  • Convnext (terminé)

    • Explication du réseau ConvNext
    • Utilisez Pytorch pour construire Convnext
    • Utilisation de Tensorflow2 pour construire ConvNext

  • Mobilevit (terminé)

    • Explication du réseau mobilevit
    • Utilisation de Pytorch pour créer Mobilevit

• Détection de cible

  • Plus rapide-RCNN / FPN (terminé)

    • Explication du réseau RCNN plus rapide
    • Explication du réseau FPN
    • Analyse du code source RCNN plus rapide (Pytorch)

  • SSD / RETINANET (terminé)

    • Explication du réseau SSD
    • Explication du réseau de rétinanet
    • Analyse du code source SSD (Pytorch)

  • Série Yolo (terminée)

    • Explication du réseau de la série YOLO (V1 ~ V3)
    • Analyse de code source Yolov3 SPP (version Pytorch)
    • Explication du réseau Yolov4
    • Explication du réseau Yolov5
    • Explication en ligne de Yolox

  • FCOS (terminé)

    • Explication du réseau FCOS

• Segmentation sémantique

  • FCN (terminé)

    • Explication du réseau FCN
    • Analyse du code source FCN (version Pytorch)

  • DeepLabv3 (terminé)

    • Explication du réseau DeepLabv1
    • Explication du réseau DeepLabv2
    • Explication du réseau DeepLabv3
    • Analyse du code source DeepLabv3 (version pytorch)

  • LR-ASPP (terminé)

    • Explication du réseau LR-ASPP
    • Analyse du code source LR-ASPP (version Pytorch)

  • U-net (terminé)

    • Explication du réseau U-Net
    • Analyse du code source U-Net (version Pytorch)

  • U2NET (terminé)

    • Explication du réseau U2NET
    • Analyse du code source U2NET (version Pytorch)

• Segmentation des instances

  • Masque R-CNN (terminé)
    • Masque Explication du réseau R-CNN
    • Masque R-CNN Source Code Analysis (version Pytorch)

• Détection de points clés

  • Deeppose (terminé)

    • Explication du réseau Deeppose
    • Analyse du code source de Deeppose (version Pytorch)

  • HRNET (terminé)

    • Explication du réseau HRNET
    • Analyse du code source HRNET (version Pytorch)

Pour des vidéos plus connexes, veuillez visiter mon canal Bilibili.

---

Environnement requis

• Anaconda3 (recommandé)
• Python3.6 / 3.7 / 3.8
• pycharm (ide)
• Pytorch 1.10 (package PIP)
• TorchVision 0.11.1 (package PIP)
• TensorFlow 2.4.1 (package PIP)

Tout le monde est invité à suivre mon compte officiel de WeChat ( notes d'étude d'Azhe ) et résumera certains articles de blog d'apprentissage connexes dans la vie quotidienne.

Si vous avez des questions, vous pouvez également en discuter dans mon CSDN. https://blog.csdn.net/qq_37541097/article/details/103482003

Mon canal Bilibili: https://space.bililili.com/18161609/channel/index