课程介绍
有三AI-CV中阶-图像质量组(2024年)视频教程,由it资源网整理发布。本课带你解读深度学习在图像质量分析与提升领域中的内容.
相关推荐
有三AI-CV中阶-人脸算法组
有三AI-CV中阶-GAN算法组(2024年)
[有三AI]人工智能:计算机视觉体系化进阶升级版
AI人工智能算法工程师
资源目录
.
1__深度学习之图像增强GAN—理论与实践/
[7.4M] 1__课程介绍
[ 34M] 2__第1.1节-图像降噪(基础篇)
[135M] 3__第1.2节-图像降噪(进阶篇)
[ 15M] 4__第1.3节-DANet图像降噪实战(项目介绍)
[ 66M] 5__第1.4节-DANet图像降噪实战(数据读取)
[ 32M] 6__第1.5节-DANet图像降噪实战(模型搭建)
[ 70M] 7__第1.6节-DANet图像降噪实战(模型训练)
[ 33M] 8__第1.7节-DANet图像降噪实战(模型测试)
[ 52M] 9__第2.1节-色调映射(基础篇)
[ 97M] 10__第2.2节-色调映射(进阶篇)
[ 19M] 11__第2.3节-EnlightenGAN图像增强实战(项目介绍)
[ 41M] 12__第2.4节-EnlightenGAN图像增强实战(数据读取)
[132M] 13__第2.5节-EnlightenGAN图像增强实战(模型搭建)
[ 78M] 14__第2.6节-EnlightenGAN图像增强实战(模型训练)
[ 59M] 15__第2.7节-EnlightenGAN图像增强实战(模型测试)
[ 83M] 16__第3.1节-图像超分辨(基础篇)
[117M] 17__第3.2节-图像超分辨(进阶篇)
[ 28M] 18__第3.3节-SRGAN超分辨实战(项目简介)
[ 39M] 19__第3.4节-SRGAN超分辨实战(数据处理)
[ 75M] 20__第3.5节-SRGAN超分辨实战(模型搭建与训练)
[ 30M] 21__第3.6节-SRGAN超分辨实战(模型测试)
[ 55M] 22__第4.1节-图像去模糊(基础篇)
[ 57M] 23__第4.2节-图像去模糊(进阶篇)
[ 39M] 24__第5.1节-图像修复(基础篇)
[112M] 25__第5.2节-图像修复(进阶篇)
[ 250] 26__数据与代码.html
资料代码/
2__深度学习之图像翻译与风格化GAN—理论与实践/
[10.0M] 1__0 课程介绍
[ 28M] 2__1 图像翻译与风格迁移基础
[ 49M] 3__2 有监督图像翻译模型
[ 74M] 4__3 无监督图像翻译模型
[ 20M] 5__4.1 Pix2Pix图像上色实战(项目简介与原理回顾)
[ 61M] 6__4.2 Pix2Pix图像上色实战(数据读取)
[138M] 7__4.3 Pix2Pix图像上色实战(模型搭建)
[ 76M] 8__4.4 Pix2Pix图像上色实战(模型训练)
[ 40M] 9__4.5 Pix2Pix图像上色实战(模型测试)
[ 57M] 10__5.1 多域图像翻译模型(上)
[ 70M] 11__5.2 多域图像翻译模型(下)
[ 21M] 12__6.1 StarGAN人脸表情编辑实战(项目简介与原理回顾)
[ 41M] 13__6.2 StarGAN人脸表情编辑实战(数据读取)
[ 33M] 14__6.3 StarGAN人脸表情编辑实战(模型搭建)
[ 91M] 15__6.4 StarGAN人脸表情编辑实战(模型训练)
[ 33M] 16__6.5 StarGAN人脸表情编辑实战(模型测试)
[ 30M] 17__7.1 BeautyGAN人脸美妆实战(项目简介)
[ 75M] 18__7.2 BeautyGAN人脸美妆实战(数据读取)
[ 73M] 19__7.3 BeautyGAN人脸美妆实战(模型搭建)
[211M] 20__7.4 BeautyGAN人脸美妆实战(模型训练)
[ 20M] 21__7.5 BeautyGAN人脸美妆实战(模型测试)
[ 286] 22__参考资料(图文).html
[ 250] 23__数据与代码.html
资料代码/
3__深度学习之图像分类—理论与实践/
[168M] 1__《深度学习之图像分类》直播答疑04
[246M] 2__《深度学习之图像分类》直播答疑03
[118M] 3__《深度学习之图像分类》直播答疑02
[211M] 4__《深度学习之图像分类》直播答疑01
[7.9M] 5__0 课程简介
[ 92M] 6__1 图像分类基础
[ 97M] 7__2 多类别图像分类理论
[ 11M] 8__3.1 从零完成表情识别实践(项目背景)
[ 85M] 9__3.2 从零完成表情识别实践(数据处理与读取)
[ 53M] 10__3.3 从零完成表情识别实践(模型搭建与训练)
[ 22M] 11__3.4 从零完成表情识别实践(模型测试)
[ 36M] 12__4.1 简单图像分类数据增强实战(接口简介)
[ 50M] 13__4.2 简单图像分类数据增强实战(实验比较)
[ 70M] 14__5.1 细粒度图像分类理论
[ 329] 15__5.2 细粒度图像分类参考资料(图文).html
[ 18M] 16__6.1 鸟类细粒度图像分类实战(项目简介)
[ 24M] 17__6.2 鸟类细粒度图像分类实战(数据读取)
[ 48M] 18__6.3 鸟类细粒度图像分类实战(模型搭建与训练)
[ 38M] 19__7.1 多标签图像分类理论
[ 329] 20__7.2 多标签图像分类参考资料(图文).html
[ 74M] 21__8.1 生活用品多标签图像分类实战(多标签分类简介及算法简介)
[102M] 22__8.2 生活用品多标签图像分类实战(数据集制作及读取)
[123M] 23__8.3 生活用品多标签图像分类实战(训练)
[ 54M] 24__8.4 生活用品多标签图像分类实战(测试)
[ 64M] 25__9.1 半监督与无监督分类理论
[ 341] 26__9.2 半监督与无监督图像分类参考资料(图文).html
[ 35M] 27__10.1 零样本分类理论
[ 324] 28__10.2 零样本图像分类参考资料(图文).html
[ 13M] 29__11.1 血红细胞图像分类竞赛(内容简介)
[ 12M] 30__11.2 血红细胞图像分类竞赛(思路分析)
[ 61M] 31__11.3 血红细胞图像分类竞赛(基础功能实现-数据集的统计分析)
[ 61M] 32__11.4 血红细胞图像分类竞赛(基础功能实现-网络模型构建)
[ 60M] 33__11.5 血红细胞图像分类竞赛(基础功能实现-训练)
[ 23M] 34__11.6 血红细胞图像分类竞赛(学习率调整)
[ 19M] 35__11.7 血红细胞图像分类竞赛(标签平滑)
[ 31M] 36__11.8 血红细胞图像分类竞赛(知识蒸馏)
[ 30M] 37__11.9 血红细胞图像分类竞赛(投票策略)
[ 18M] 38__11.10 血红细胞图像分类竞赛(TTA策略)
[ 274] 39__代码与数据.html
资料代码/
4__深度学习之模型设计—理论与实践d/
[7.7M] 1__0_课程介绍
[1.7M] 2__1.1.0_经典浅层卷积网络设计_简介
[ 67M] 3__1.1.1_Neocognitron
[ 28M] 4__1.1.2_TDNN
[9.9M] 5__1.1.3_Cresceptron
[ 93M] 6__1.1.4_LeNet
[710K] 7__1.2.0_网络深度对分类模型的影响_简介
[ 61M] 8__1.2.1_经典的网络AlexNet
[ 53M] 9__1.2.2_更深的网络VGGNet
[ 89M] 10__1.2.3_梯度问题与ResNet
[3.9M] 11__1.3.1_ResNet垃圾分类任务介绍
[认准一手完整 www.ukoou.com]
[135M] 12__1.3.2_ResNet垃圾分类数据集预处理
[ 53M] 13__1.3.3_ResNet垃圾分类数据读取
[ 50M] 14__1.3.4_ResNet垃圾分类模型训练
[ 18M] 15__1.3.5_ResNet垃圾分类模型测试
[107M] 16__1.3.6_ResNet垃圾分类模型调优
[5.0M] 17__2.1.0_经典模型的宽度设计思想_简介
[ 91M] 18__2.1.1_通道数量调整
[509K] 19__2.1.2_多分支网络结构
[ 37M] 20__2.1.3_通道补偿技术
[612K] 21__2.2.0_网络宽度对模型性能影响_简介
[ 42M] 22__2.2.1_多通道的网络Inception-v1
[ 98M] 23__2.2.2_拓宽的残差网络ResNeXt
[ 11M] 24__2.3.1_InceptionNet花卉分类实战-项目简介
[127M] 25__2.3.2_InceptionNet花卉分类实战-模型搭建(Inception V1)
[140M] 26__2.3.3_InceptionNet花卉分类实战-模型搭建(Inception V2V3)
[355M] 27__2.3.4_InceptionNet花卉分类实战-模型搭建(Inception V4)
[ 76M] 28__2.3.5_InceptionNet花卉分类实战-模型训练
[ 40M] 29__2.3.6_InceptionNet花卉分类实战-模型测试
[ 280] 30__经典模型参考资料(图文).html
[ 81M] 31__3.1.1_STN
[ 72M] 32__3.1.2_DynamicCapacityNetworks
[ 37M] 33__3.1.3_Learn to Pay Attention
[ 55M] 34__3.2.1_SENet
[ 32M] 35__3.2.2_SKNet
[ 34M] 36__3.2.3_ResNeSt
[ 62M] 37__3.3.1_CBAM
[ 29M] 38__3.3.2_BAM
[ 68M] 39__3.3.3_ResidualAttention
[ 27M] 40__3.3.4_Dual Attention Network
[ 77M] 41__3.4.1_基于SENet模型的人种分类-数据集介绍与读取
[ 21M] 42__3.4.2_基于SENet模型的人种分类-模型搭建通用模板
[186M] 43__3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型
[ 33M] 44__3.4.4_基于SENet模型的人种分类-模型训练通用模板
[ 74M] 45__3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练
[ 298] 46__注意力机制模型参考资料(图文).html
[ 67M] 47__4.1.1_Xception理论介绍
[ 73M] 48__4.1.2_Xception代码讲解
[ 54M] 49__4.2.1_MobileNet V1理论介绍
[ 40M] 50__4.2.2_MobileNet V1代码讲解
[ 64M] 51__4.3.1_MobileNet V2理论介绍
[ 25M] 52__4.3.2_MobileNet V2代码讲解
[ 59M] 53__4.4.1_shufflenetv1_理论
[ 37M] 54__4.4.2_shufflenetv1_代码
[ 71M] 55__4.5.1_shufflenetv2理论
[ 27M] 56__4.5.2_shufflenetv2代码
[ 60M] 57__4.6.1_squeezenet理论
[ 23M] 58__4.6.2_squeezenet代码
[ 298] 59__轻量级模型设计参考资料(图文).html
[ 31M] 60__5.1.1_通用的分类任务训练代码
[7.4M] 61__5.1.2_利用Tensorboard监控训练速度
[ 17M] 62__5.1.3_通用的分类任务预测代码
[8.2M] 63__5.2.1_Pytorch模型格式转换与优化
[ 41M] 64__5.2.2_安卓部署单张图片识别app
[ 56M] 65__5.2.3_安卓部署实时识别app
[ 250] 66__数据与代码.html
资料代码/
5__基于EnlightenGAN的自然图像增强实战/
[ 19M] 1__第1节_项目介绍
[ 41M] 2__第2节_数据读取
[132M] 3__第3节_模型搭建
[ 78M] 4__第4节_模型训练
[ 59M] 5__第5节_模型测试
[ 249] 6__数据与代码.html
资料代码/
6__基于DANet的自然图像降噪实战/
[ 15M] 1__第1节_项目简介
[ 66M] 2__第2节_数据读取
[ 32M] 3__第3节_模型搭建
[ 70M] 4__第4节_模型训练
[ 33M] 5__第5节_模型测试
[ 249] 6__数据与代码.html
资料代码/
7__基于Pix2Pix的黑白图像上色实战/
[ 20M] 1__第1节_项目简介与原理回顾
[ 61M] 2__第2节_数据读取
[138M] 3__第3节_模型搭建
[ 76M] 4__第4节_模型训练
[ 40M] 5__第5节_模型测试
[ 249] 6__数据与代码.html
资料代码/
8__基于SRGAN的图像超分辨实战/
[ 28M] 1__第1节-项目原理
[ 39M] 2__第2节-数据处理
[ 75M] 3__第3节-模型搭建与训练
[ 30M] 4__第4节-模型测试
[ 249] 5__数据与代码.html
资料代码/
9__基于Real-ESRGAN的图像超分辨实战/
[ 18M] 1__第1节-论文解读(abstract)
[ 41M] 2__第2节-论文解读(Introduction)
[ 13M] 3__第3节-论文解读(Related Work)
[ 32M] 4__第4.1节-论文解读(Classical Degradation Model)
[ 29M] 5__第4.2节-论文解读(High-order Degradation Model)
[ 16M] 6__第4.3节-论文解读(Ringing and overshoot artifacts)
[ 34M] 7__第4.4节-论文解读(Network and Training)
@it资源网ukoou.com
[ 22M] 8__第5.1节-论文解读(Datasets and Implementation)
[5.9M] 9__第5.2节-论文解读(Comparisons with Prior Works)
[ 35M] 10__第5.3节-论文解读(Ablation Studies and Limitations)
[3.9M] 11__第6节-论文解读(Conclusion)
[ 31M] 12__第7节-代码解读(官方环境搭建)
[ 20M] 13__第8节-代码解读(模型讲解)
[ 20M] 14__第9.1节-代码解读(数据处理之模拟添加模糊)
[ 13M] 15__第9.2节-代码解读(数据处理之模拟添加加性噪声)
[ 15M] 16__第9.3节-代码解读(数据处理之模拟添加尺寸变换)
[ 11M] 17__第9.4节-代码解读(数据处理之模拟添加JPEG压缩)
[ 28M] 18__第10节-代码解读(模型训练)
[ 47M] 19__第11节-代码解读(模型测试)
[ 250] 20__数据和代码.html
资料代码/
10__深度学习之Pytorch—入门及实战/
[6.5M] 1__0-课程介绍
[ 22M] 2__1-PyTorch简介
[ 48M] 3__2.1-Windows系统下配置PyTorch环境
[ 67M] 4__2.2-ubuntu系统下配置PyTorch环境
[ 27M] 5__3.1-张量(上)
[118M] 6__3.2-张量(下)
[148M] 7__4-层结构基本介绍
[ 69M] 8__5-网络结构搭建方法
[ 31M] 9__6-经典分类网络介绍
[ 40M] 10__7-优化器及损失函数
[ 32M] 11__8.1-数据读取及增强(上)
[ 29M] 12__8.2-数据读取及增强(下)
[ 17M] 13__9-模型读取和加载
[ 11M] 14__10.1-从零完成表情识别(项目简介)
[ 85M] 15__10.2-从零完成表情识别(数据读取)
[ 53M] 16__10.3-从零完成表情识别(模型搭建与训练)
[ 22M] 17__10.4-从零完成表情识别(模型测试)
[ 278] 18__代码与数据.html
资料代码/
11__深度学习之数据使用—理论实践篇/
[208M] 1__《深度学习之数据使用》直播01-自动化数据标注
[5.3M] 2__0 课程介绍
[ 39M] 3__1 数据获取
[ 77M] 4__2 数据整理
[ 48M] 5__3 数据标注
[ 75M] 6__4 数据增强方法
[ 36M] 7__5.1 Pytorch图像分类数据增强实践-数据增强接口介绍
[ 50M] 8__5.2 Pytorch图像分类数据增强实践-实验结果
[ 66M] 9__6.1 数据增强开源库imgaug介绍
[ 83M] 10__6.2 数据增强开源库imgaug使用
[ 303] 11__数据与代码.html
资料代码/
评论0