有三AI-CV中阶-图像质量组（2024年）

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/