deep learning for image processing

Tutorial sobre a aplicação de aprendizado profundo no processamento de imagens

Prefácio

• Este tutorial é um resumo do meu conteúdo de pesquisa durante meu estudo de pós -graduação. Espero ajudar mais amigos. Se você aprender um novo conhecimento mais tarde, você o compartilhará com você.
• Este tutorial será compartilhado em um formato de vídeo, e o processo de ensino é o seguinte:
  1) Apresente a estrutura e os pontos de inovação da rede
  2) Use Pytorch para construir e treinar redes
  3) Use TensorFlow (módulo interno de Keras) para construir e treinar redes
• Todos os ppts do curso são colocados na pasta course_ppt e faça o download, se necessário.

Diretório do tutorial, clique para pular para o vídeo correspondente (ele será adicionado de acordo com o conteúdo da aprendizagem posteriormente)

• Classificação da imagem

  • LeNet (concluído)

    • Demo Oficial Pytorch (LENET)
    • Tensorflow2 Demo oficial oficial

  • Alexnet (concluído)

    • Explicação da rede Alexnet
    • Pytorch constrói Alexnet
    • O TensorFlow2 constrói Alexnet

  • VGGNET (concluído)

    • Explicação da rede VGGNET
    • Pytorch construa rede VGG
    • Tensorflow2 constrói uma rede VGG

  • Googlenet (concluído)

    • Explicação da rede Googlelenet
    • Pytorch constrói a rede Googlelenet
    • Tensorflow2 constrói a rede GoogleleNet

  • Resnet (concluído)

    • Explicação da rede Resnet
    • Pytorch Construa Rede Resnet
    • Tensorflow2 constrói rede de resnet

  • Resnext (concluído)

    • Explicação de rede de resnext
    • Pytorch Construa Rede Resnext

  • MobileNet_v1_v2 (concluído)

    • MOBILENET_V1_V2 Explicação da rede
    • Pytorch constrói a rede MobileNetv2
    • Tensorflow2 constrói a rede MobileNetv2

  • MobileNet_v3 (concluído)

    • Explicação da rede mobileNet_v3
    • Pytorch constrói a rede MobileNetv3
    • Tensorflow2 constrói a rede MobileNetv3

  • Shufflenet_v1_v2 (concluído)

    • SHUFFLENET_V1_V2 Explicação da rede
    • Use pytorch para construir shufflenetv2
    • Use o tensorflow2 para construir shufflenetv2

  • EficienteNet_v1 (concluído)

    • Explicação da rede eficienteNET
    • Use Pytorch para construir eficientes
    • Construindo eficientesnet com tensorflow2

  • EficienteNET_V2 (concluído)

    • Explicação da rede eficienteNETV2
    • Use Pytorch para construir eficientesNetv2
    • Use TensorFlow para criar eficientesNetv2

  • Repvgg (concluído)

    • Explicação da rede repvgg

  • Transformador de visão (concluído)

    • Explicação de atenção de várias cabeças
    • Explicação da rede de transformadores de visão
    • Use Pytorch para construir o Vision Transformer
    • Use o tensorflow2 para construir o Transformer Vision

  • Transformador Swin (concluído)

    • Swin Transformer Network Explicação
    • Use Pytorch para construir o transformador SWIN
    • Use o tensorflow2 para construir o transformador SWIN

  • Convnext (concluído)

    • Convnext Network Explication
    • Use Pytorch para construir o Convnext
    • Usando o tensorflow2 para construir o Convnext

  • MobileVit (concluído)

    • MobileVit Network Explicação
    • Usando Pytorch para construir o MobileVit

• Detecção de alvo

  • Mais rápido-rcnn/fpn (concluído)

    • Explicação de rede mais rápida-RCNN
    • Explicação da rede FPN
    • Análise de código-fonte mais rápida-rcnn (Pytorch)

  • SSD/RetinAnet (concluído)

    • Explicação da rede SSD
    • Explicação da rede RetinAnet
    • Análise de código -fonte do SSD (Pytorch)

  • Série YOLO (concluída)

    • Explicação da rede da série YOLO (v1 ~ v3)
    • Análise de código fonte de Yolov3 spp (versão pytorch)
    • Explicação da rede Yolov4
    • Explicação da rede YOLOV5
    • Explicação online Yolox

  • FCOS (concluído)

    • Explicação da rede FCOS

• Segmentação semântica

  • FCN (concluído)

    • Explicação da rede FCN
    • Análise de código fonte do FCN (versão pytorch)

  • Deeplabv3 (concluído)

    • Explicação da rede DEEPLABV1
    • Explicação da rede DEEPLABV2
    • Explicação da rede DEEPLABV3
    • Análise do código -fonte deeplabv3 (versão pytorch)

  • LR-ASPP (concluído)

    • Explicação da rede LR-ASPP
    • Análise do código-fonte LR-ASPP (versão Pytorch)

  • U-Net (concluído)

    • Explicação da rede U-Net
    • Análise de código-fonte da rede U (versão pytorch)

  • U2NET (concluído)

    • Explicação da rede U2NET
    • Análise do código -fonte U2NET (versão pytorch)

• Segmentação da instância

  • Mask R-CNN (concluído)
    • Máscara Rede R-CNN Explicação
    • Análise de código-fonte da máscara R-CNN (versão pytorch)

• Detecção de pontos -chave

  • Deeppose (concluído)

    • Explicação da rede Deeppose
    • Análise do código -fonte de Deeppopê (versão pytorch)

  • Hrnet (concluído)

    • Explicação da rede HRNET
    • Análise de código -fonte HRNET (versão pytorch)

Para mais vídeos relacionados, visite meu canal Bilibili.

---

Ambiente necessário

• Anaconda3 (recomendado)
• Python3.6/3.7/3.8
• Pycharm (IDE)
• Pytorch 1.10 (pacote PIP)
• Torchvision 0.11.1 (pacote PIP)
• Tensorflow 2.4.1 (pacote pip)

Todos podem seguir minha conta oficial do WeChat ( notas de estudo de Azhe ) e resumirão algumas postagens de blog de aprendizado relacionadas na vida cotidiana.

Se você tiver alguma dúvida, também pode discuti -las no meu CSDN. https://blog.csdn.net/qq_37541097/article/details/103482003

Meu canal bilibili: https://space.bilibili.com/18161609/channel/index