响木课堂-响木SVIP目录-【待整理】合集/待整理12/【迪哥Ai大讲堂】AI论文精读(算法+论文+源码)

主页/【待整理】合集/待整理12/【迪哥Ai大讲堂】AI论文精读(算法+论文+源码)/

01-课程介绍.mp4
02-1-RNN网络结构原理与问题.mp4
03-2-注意力结构历史故事介绍.mp4
04-3-self-attention要解决的问题.mp4
05-4-QKV的来源与作用.mp4
06-5-多头注意力机制的效果.mp4
07-6-位置编码与解码器.mp4
08-7-整体架构总结.mp4
09-8-BERT训练方式分析.mp4
10-1-时间序列预测要完成的任务.mp4
100-3-初始化query分析.mp4
101-4-计算细节分析.mp4
102-5-网络结构图梳理.mp4
103-1-mask2former论文核心思想.mp4
104-2-解码器要完成的任务.mp4
105-3-论文基本流程解读分析.mp4
106-4-知识点总结.mp4
107-1-Backbone获取多层级特征.mp4
108-2-多层级采样点初始化构建.mp4
109-3-多层级输入特征序列创建方法.mp4
11-2-常用模块分析.mp4
110-4-偏移量与权重计算并转换.mp4
111-5-Encoder特征构建方法实例.mp4
112-6-query要预测的任务解读.mp4
113-7-Decoder中的AttentionMask方法.mp4
114-8-损失模块输入参数分析.mp4
115-9-标签分配策略解读.mp4
116-10-正样本筛选损失计算.mp4
117-11-标签分类匹配结果分析.mp4
118-12-最终损失计算流程.mp4
119-13-汇总所有损失完成迭代.mp4
12-3-论文要解决的问题分析.mp4
120-1-论文整体分析.mp4
121-2-核心思想分析.mp4
122-3-网络结构计算流程概述.mp4
123-4-论文公式计算分析.mp4
124-5-位置编码的作用与效果.mp4
125-6-拓展应用分析.mp4
126-1-项目环境配置.mp4
127-2-医学数据介绍与分析.mp4
128-3-基本处理操作.mp4
129-4-AxialAttention实现过程.mp4
13-4-Query采样方法解读.mp4
130-5-位置编码向量解读.mp4
131-6-注意力计算过程与方法.mp4
132-7-局部特征提取与计算.mp4
133-1-DETR目标检测基本思想解读.mp4
134-2-整体网络架构分析.mp4
135-3-位置信息初始化query向量.mp4
136-4-注意力机制的作用方法.mp4
137-5-训练过程的策略.mp4
138-1-项目环境配置解读.mp4
139-2-数据处理与dataloader.mp4
14-5-probAttention计算流程.mp4
140-3-位置编码作用分析.mp4
141-4-backbone特征提取模块.mp4
142-5-mask与编码模块.mp4
143-6-编码层作用方法.mp4
144-7-Decoder层操作与计算.mp4
145-8-输出预测结果.mp4
146-9-损失函数与预测输出.mp4
147-1-姿态估计要解决的问题分析.mp4
148-2-姿态估计应用领域概述.mp4
149-3-传统topdown方法的问题.mp4
15-6-编码器全部计算流程.mp4
150-4-要解决的两个问题分析.mp4
151-5-基于高斯分布预测关键点位置.mp4
152-6-各模块输出特征图解读.mp4
153-7-PAF向量登场.mp4
154-8-PAF标签设计方法.mp4
155-9-预测时PAF积分计算方法.mp4
156-10-匹配方法解读.mp4
157-11-CPM模型特点.mp4
158-12-算法流程与总结.mp4
159-1-数据集与路径配置解读.mp4
16-7-解码器流程分析.mp4
160-2-读取图像与标注信息.mp4
161-3-关键点与躯干特征图初始化.mp4
162-4-根据关键点位置设计关键点标签.mp4
163-5-准备构建PAF躯干标签.mp4
164-6-各位置点归属判断.mp4
165-7-特征图各点累加向量计算.mp4
166-8-完成PAF特征图制作.mp4
167-9-网络模型一阶段输出.mp4
168-10-多阶段输出与预测.mp4
169-1-论文要完成的任务分析.mp4
17-8-各种编码信息.mp4
170-2-基本流程演示.mp4
171-3-论文网络结构图拆解.mp4
172-4-细节处理解读.mp4
173-6-总结分析.mp4
174-1-文字检测数据概述与配置文件.mp4
175-2-配置文件参数设置.mp4
176-3-Neck层特征组合.mp4
177-5-损失计算方法.mp4
178-3-T和S模型分别介绍.mp4
179-6-基础模块概述.mp4
18-1-项目使用说明.mp4
180-7-公式细节分析.mp4
181-8-论文总结分析.mp4
182-9-实验流程与数据准备演示.mp4
183-1-超分辨率整体框架解读分析.mp4
184-2-摘要与介绍整体概述.mp4
185-4-光流对齐任务要解决的问题.mp4
186-6-序列输出模块与预测.mp4
187-7-总结与DEMO效果.mp4
188-1-要完成的任务分析与配置文件.mp4
189-2-特征基础提取模块.mp4
19-2-数据集解读.mp4
190-3-光流估计网络模块.mp4
191-4-基于光流完成对齐操作.mp4
192-7-提特征传递流程分析.mp4
193-9-准备变形卷积模块的输入.mp4
194-10-传播流程整体完成一圈.mp4
195-11-完成输出结果.mp4
196-1-配置文件以及要完成的任务解读.mp4
197-2-KIE数据集格式调整方法.mp4
198-3-配置文件与标签要进行处理操作.mp4
199-4-边框要计算的特征分析.mp4
20-3-模型训练所需参数解读.mp4
200-5-标签数据处理与关系特征提取.mp4
201-6-特征合并处理.mp4
202-7-准备拼接边与点特征.mp4
203-8-整合得到图模型输入特征.mp4
204-1-视觉地理定位要完成的任务分析.mp4
205-2-论文要完成的任务分析.mp4
206-3-分组训练方式解读.mp4
207-4-数据介绍与源码DEBUG.mp4
208-5-整体框架流程源码解读.mp4
209-6-网络计算细节分析.mp4
21-4-数据集构建与读取方式.mp4
210-7-计算流程分析概述.mp4
211-8-损失函数定义方法通俗解读.mp4
212-9-源码知识点总结.mp4
213-1-图注意力机制的作用与方法.mp4
214-2-邻接矩阵计算图Attention.mp4
215-3-序列图神经网络TGCN应用.mp4
216-4-序列图神经网络细节.mp4
217-1-要完成的任务分析.mp4
218-2-基本方法概述解读.mp4
219-3-图模型提取全局与局部特征.mp4
22-5-数据处理相关模块.mp4
220-4-NTN模块的作用与效果.mp4
221-5-点之间的对应关系计算.mp4
222-6-结果输出与总结.mp4
223-1-数据集与任务概述.mp4
224-2-图卷积特征提取模块.mp4
225-3-分别计算不同Batch点的分布.mp4
226-4-获得直方图特征结果.mp4
227-5-图的全局特征构建.mp4
228-6-NTN图相似特征提取.mp4
229-7-预测得到相似度结果.mp4
23-6-时间相关特征提取方法.mp4
230-1-数据集与标注信息解读.mp4
231-2-整体三大模块分析.mp4
232-3-特征工程的作用与效果.mp4
233-4-传统方法与现在向量空间对比.mp4
234-5-输入细节分析.mp4
235-6-子图模块构建方法.mp4
236-7-特征融合模块分析.mp4
237-8-VectorNet输出层分析.mp4
238-1-数据与环境配置.mp4
239-2-训练数据准备.mp4
24-7-dataloader构建实例.mp4
240-3-Agent特征提取方法.mp4
241-4-DataLoader构建图结构.mp4
242-5-SubGraph与Attention模型流程.mp4
243-1-图注意力模块回顾.mp4
244-2-异构图基本结构通俗解读.mp4
245-3-MetaPath与基本计算流程分析.mp4
246-4-路径加权聚合得到节点特征.mp4
247-5-淘宝异构图分析.mp4
248-6-Link边预测方法解读.mp4
249-1-影评数据集读取与处理.mp4
25-8-整体架构分析.mp4
250-2-点和边特征定义.mp4
251-3-边的切分与采样方式.mp4
252-4-异构图模型定义方法.mp4
253-1-KIE要完成的任务分析.mp4
254-2-任务流程分析概述.mp4
255-3-特征拼接与聚合.mp4
256-4-图结构中节点特征计算方法.mp4
257-5-消息传递计算方法.mp4
258-1-环境配置与数据集概述.mp4
259-2-数据与标注文件介绍.mp4
26-9-编码器模块实现.mp4
260-3-基本流程梳理并进入debug模式.mp4
261-4-数据与图像特征提取模块.mp4
262-5-体素索引位置获取.mp4
263-6-体素特征提取方法解读.mp4
264-7-体素特征计算方法分析.mp4
265-8-全局体素特征提取.mp4
266-9-多模态特征融合.mp4
267-10-3D卷积特征融合.mp4
268-11-输出层预测结果.mp4
269-1-BEV要解决的问题通俗解读.mp4
27-10-核心采样计算方法.mp4
270-2-BEV中的3D与4D分析.mp4
271-3-特征融合过程中可能遇到的问题.mp4
272-4-BEV汇总特征方法实例解读.mp4
273-5-DeformableAttention回顾.mp4
274-6-空间注意力模块解读.mp4
275-7-时间模块与拓展补充.mp4
276-8-论文知识点分析.mp4
277-9-核心模块论文分析.mp4
278-10-整体架构总结.mp4
279-1-环境配置方法解读.mp4
28-11-完成注意力机制计算模块.mp4
280-2-数据集下载与配置方法.mp4
281-3-特征提取以及BEV空间初始化.mp4
282-4-特征对齐与位置编码初始化.mp4
283-5-Reference初始点构建.mp4
284-6-BEV空间与图像空间位置对应.mp4
285-7-注意力机制模块计算方法.mp4
286-8-BEV空间特征构建.mp4
287-9-Decoder要完成的任务分析.mp4
288-10-获取当前BEV特征.mp4
289-11-Decoder级联校正模块.mp4
29-12-平均向量的作用.mp4
290-12-损失函数与预测可视化.mp4
291-1-论文要解决的问题分析.mp4
292-2-任务流程解读.mp4
293-3-多模态任务分析.mp4
294-4-结构图流程总结.mp4
295-5-实现细节分析.mp4
296-1-数据集与环境概述.mp4
297-2-配置文件修改方法.mp4
298-3-Bakbone模块得到特征.mp4
299-4-视觉Transformer模块的作用.mp4
30-13-解码器预测输出.mp4
300-5-视觉模型中的编码与解码的效果.mp4
301-6-文本模型中的结构分析.mp4
302-7-迭代修正模块.mp4
303-8-输出层与损失计算.mp4
304-1-深度估计效果与应用.mp4
305-3-使用backbone获取层级特征.mp4
306-4-差异特征计算边界信息.mp4
307-5-SPP层的作用.mp4
308-6-空洞卷积与ASPP.mp4
309-7-特征拼接方法分析.mp4
31-1-时序预测故事背景.mp4
310-8-网络coarse-to-fine过程.mp4
311-9-权重参数预处理.mp4
312-10-损失计算.mp4
313-1-项目环境配置解读.mp4
314-2-数据与标签定义方法.mp4
315-3-数据集dataloader制作.mp4
316-4-使用backbone进行特征提取.mp4
317-5-计算差异特征.mp4
318-6-权重参数标准化操作.mp4
319-7-网络结构ASPP层.mp4
32-2-论文核心思想解读.mp4
320-8-特征拼接方法解读.mp4
321-8-输出深度估计结果.mp4
322-9-损失函数通俗解读.mp4
323-10-模型DEMO输出结果.mp4
324-1-数据标签与任务分析.mp4
325-2-网络整体框架分析.mp4
326-3-输出结果分析.mp4
327-4-损失函数计算方法.mp4
328-5-论文概述分析.mp4
329-1-车道数据与标签解读.mp4
33-3-时序特征周期拆解.mp4
330-2-项目环境配置演示.mp4
331-3-制作数据集dataloader.mp4
332-4-车道线标签数据处理.mp4
333-5-四条车道线标签位置矩阵.mp4
334-6-grid设置方法.mp4
335-7-完成数据与标签制作.mp4
336-8-算法网络结构解读.mp4
337-9-损失函数计算模块分析.mp4
338-10-车道线规则损失函数限制.mp4
339-11-DEMO制作与配置.mp4
34-4-计算公式流程拆解.mp4
340-1-三维重建概述分析.mp4
341-2-三维重建应用领域概述.mp4
342-3-成像方法概述.mp4
343-4-相机坐标系.mp4
344-5-坐标系转换方法解读.mp4
345-6-相机内外参.mp4
346-7-通过内外参数进行坐标变换.mp4
347-8-相机标定简介.mp4
348-1-任务流程分析.mp4
349-2-基本框架熟悉.mp4
35-5-全部计算流程解读.mp4
350-3-特征映射方法解读.mp4
351-4-片段融合思想.mp4
352-5-整体架构重构方法.mp4
353-1-数据集下载与配置方法.mp4
354-2-Scannet数据集内容概述.mp4
355-3-TSDF标签生成方法.mp4
356-4-ISSUE的作用.mp4
357-5-完成依赖环境配置.mp4
358-1-Backbone得到特征图.mp4
359-2-初始化体素位置.mp4
36-6-周期间特征分析.mp4
360-3-坐标映射方法实现.mp4
361-4-得到体素所对应特征图.mp4
362-5-插值得到对应特征向量.mp4
363-6-得到一阶段输出结果.mp4
364-7-完成三个阶段预测结果.mp4
365-8-项目总结.mp4
366-1-TSDF整体概述分析.mp4
367-2-合成过程DEMO演示.mp4
368-3-布局初始化操作.mp4
369-4-TSDF计算基本流程解读.mp4
37-7-源码流程解读.mp4
370-5-坐标转换流程分析.mp4
371-6-输出结果融合更新.mp4
372-1-环境配置概述.mp4
373-2-初始化与数据读取.mp4
374-3-计算得到TSDF输出.mp4
375-1-视觉自监督任务分析.mp4
376-2-任务训练目标分析.mp4
377-3-建模流程分析与效果展示.mp4
378-4-codebook模块的作用.mp4
379-5-任务总结分析.mp4
38-8-傅里叶变换流程.mp4
380-1-BEITV2版本论文出发点解读.mp4
381-2-自监督任务中两大核心任务分析.mp4
382-3-整体网络架构图分析.mp4
383-4-框架实现细节流程分析.mp4
384-5-论文细节模块实现解读.mp4
385-1-mmselfup源码实现解读.mp4
386-2-网络结构搭建细节解读.mp4
387-3-源码实现流程总结.mp4
388-1-论文整体架构分析.mp4
389-2-基本流程分析.mp4
39-9-整体计算流程.mp4
390-3-V1版本核心流程.mp4
391-4-论文总结分析.mp4
392-1-gpt概述.mp4
393-2-挑战及其与有监督问题差异.mp4
394-3-强化学习登场.mp4
395-4-强化学习的作用效果.mp4
396-5-奖励模型设计方法.mp4
397-6-RLHF训练流程解读.mp4
398-7-总结分析.mp4
399-1-DEMO效果演示.mp4
40-1-业务应用场景介绍与分析.mp4
400-2-论文解读分析.mp4
401-3-完成的任务分析.mp4
402-4-数据闭环方法.mp4
403-5-预训练模型的作用.mp4
404-6-Decoder的作用与项目源码.mp4
405-7-分割任务模块设计.mp4
406-8-实现细节分析.mp4
407-9-总结分析.mp4
408-1-扩散模型概述与GAN遇到的问题.mp4
409-2-要完成的任务分析.mp4
41-2-图神经网络建模解决思路与方法.mp4
410-3-公式原理推导解读.mp4
411-4-分布相关计算操作.mp4
412-5-算法实现细节推导.mp4
413-6-公式推导结果分析.mp4
414-7-细节实现总结.mp4
415-8-论文流程图解读.mp4
416-9-案例流程分析.mp4
417-10-基本建模训练效果.mp4
418-1-论文基本思想与核心模块分析.mp4
419-2-不同模块对比分析.mp4
42-3-传感器节点特征提取方法.mp4
420-3-算法核心流程解读.mp4
421-4-各模块实现细节讲解.mp4
422-1-项目整体流程分析.mp4
423-2-源码实现细节分析.mp4
424-3-源码公式对应论文分析.mp4
425-4-Decoder模块实现细节解读.mp4
426-5-源码实现流程总结.mp4
427-1-准备MMCLS项目.mp4
428-2-基本参数配置解读.mp4
429-3-各模块配置文件组成.mp4
43-4-图模型结合时间序列.mp4
430-4-生成完整配置文件.mp4
431-5-根据文件夹定义数据集.mp4
432-6-构建自己的数据集.mp4
433-7-训练自己的任务.mp4
434-1-测试DEMO效果.mp4
435-2-测试评估模型效果.mp4
436-3-MMCLS中增加一个新的模块.mp4
437-4-修改配置文件中的参数.mp4
438-5-数据增强流程可视化展示.mp4
439-6-Grad-Cam可视化方法.mp4
44-5-ICU传感器数据集介绍.mp4
440-7-可视化细节与效果分析.mp4
441-8-MMCLS可视化模块应用.mp4
442-9-模型分析脚本使用.mp4
443-1-VIT任务概述.mp4
444-2-数据增强模块概述分析.mp4
445-3-PatchEmbedding层.mp4
446-4-前向传播基本模块.mp4
447-5-CLS与输出模块.mp4
448-1-项目配置基本介绍.mp4
449-2-数据集标注与制作方法.mp4
45-1-医疗数据处理与特征提取.mp4
450-3-跟别预测类别数修改配置文件.mp4
451-4-加载预训练模型开始训练.mp4
452-5-预测DEMO演示.mp4
453-1-配置文件解读.mp4
454-2-编码层模块.mp4
455-3-上采样与输出层.mp4
456-4-辅助层的作用.mp4
457-5-给Unet添加一个neck层.mp4
458-6-如何修改参数适配网络结构.mp4
459-7-将Unet特征提取模块替换成transformer.mp4
46-2-时序特征与静态特征处理.mp4
460-8-VIT模块源码分析.mp4
461-1-注册自己的Backbone模块.mp4
462-2-配置文件指定.mp4
463-3-DEBUG解读Backbone设计.mp4
464-4-PatchEmbedding的作用与实现.mp4
465-5-卷积位置编码计算方法.mp4
466-6-近似Attention模块实现.mp4
467-7-完成特征提取与融合模块.mp4
468-8-分割任务输出模块.mp4
469-9-全局特征的作用与实现.mp4
47-3-序列长度处理与统一.mp4
470-10-汇总多层级特征进行输出.mp4
471-1-数据集标注与标签获取.mp4
472-2-COCO数据标注格式.mp4
473-3-通过脚本生成COCO数据格式.mp4
474-4-配置文件数据增强策略分析.mp4
475-5-训练所需配置说明.mp4
476-6-模型训练与DEMO演示.mp4
477-7-模型测试与可视化分析模块.mp4
478-8-补充：评估指标.mp4
479-1-要完成的任务与基本思想概述.mp4
48-4-数据预处理与输入特征构建.mp4
480-2-得到style特征编码.mp4
481-3-特征编码风格拼接.mp4
482-4-基础风格特征卷积模块.mp4
483-5-上采样得到输出结果.mp4
484-6-损失函数概述.mp4
485-2-Teacher与Student网络结构定义.mp4
486-3-训练T与S得到蒸馏模型.mp4
487-4-开始模型训练过程与问题修正.mp4
488-5-日志输出与模型分离.mp4
489-6-分别得到Teacher与Student模型.mp4
49-5-图结构样本构建.mp4
490-7-实际测试效果演示.mp4
491-1-SuperNet网络结构分析与剪枝概述.mp4
492-2-搜索匹配到符合计算量的模型并训练.mp4
493-1-获取检测结果与追踪初始化.mp4
494-2-初始时刻追踪器创建.mp4
495-3-追踪器记录信息概述.mp4
496-4-匹配过程细节分析.mp4
497-5-不同帧时刻追踪器状态更新方法.mp4
498-6-追踪器状态更新处理.mp4
499-7-追踪器迭代更新策略.mp4
50-6-图注意力机制模块设计与实现.mp4
500-1-基本结构与训练好的模型加载.mp4
501-2-服务端处理与预测函数.mp4
502-3-基于Flask测试模型预测结果.mp4
51-7-时序特征构建与总结.mp4
52-1-特征匹配的应用场景.mp4
53-2-特征匹配的基本流程分析.mp4
54-3-整体流程梳理分析.mp4
55-4-CrossAttention的作用与效果.mp4
56-5-transformer构建匹配特征.mp4
57-6-粗粒度匹配过程与作用.mp4
58-7-特征图拆解操作.mp4
59-8-细粒度匹配的作用与方法.mp4
60-9-基于期望预测最终位置.mp4
61-10-总结分析.mp4
62-1-项目与参数配置解读.mp4
63-2-DEMO效果演示.mp4
64-3-backbone特征提取模块.mp4
65-4-注意力机制的作用与效果分析.mp4
66-5-特征融合模块实现方法.mp4
67-6-cross关系计算方法实例.mp4
68-7-粗粒度匹配过程.mp4
69-8-完成基础匹配模块.mp4
70-9-精细化调整方法与实例.mp4
71-10-得到精细化输出结果.mp4
72-11-通过期望计算最终输出.mp4
73-1-论文要完成的核心架构分析.mp4
74-2-网络模型基本组件分析.mp4
75-3-流程概述分析.mp4
76-4-实验结果分析.mp4
77-5-源码实现细节解读.mp4
78-6-源码结果总结.mp4
79-1-DeformableAttention核心架构.mp4
80-2-论文研究内容概述.mp4
81-4-采样点偏移量计算方法.mp4
82-5-全部计算公式解读.mp4
83-6-公式的作用分析.mp4
84-7-整体计算流程图解.mp4
85-8-多尺度的实现方法.mp4
86-9-任务总结分析.mp4
87-1-特征提取与位置编码.mp4
88-2-序列特征展开并叠加.mp4
89-3-得到相对位置点编码.mp4
90-4-准备Encoder编码层所需全部输入.mp4
91-5-编码层中的序列分析.mp4
92-6-偏移量offset计算.mp4
93-7-偏移量对齐操作.mp4
94-8-Encoder层完成特征对齐.mp4
95-9-Decoder要完成的操作.mp4
96-10-分类与回归输出模块.mp4
97-11-预测输出结果与标签匹配模块.mp4
98-1-论文要解决的问题分析.mp4
99-2-核心模块概述.mp4

Copyright © All rights reserved.

信息加载中,请等待...