深度学习与计算机视觉教程:斯坦福CS231n · 全套笔记解读

简介: 本教程依托于 Stanford 斯坦福大学的《CS231n:深度学习与计算机视觉》,对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理。

ShowMeAI研究中心


引言

本篇内容是ShowMeAI组织的深度学习与计算机视觉系列教程入口,本教程依托于斯坦福Stanford出品的【CS231n:深度学习与计算机视觉】方向专业课程,根据课程视频内容与课程笔记,结合补充资料,针对深度学习与计算机视觉方向的主题做了全面梳理与制作,希望给大家提供专业细致而直观易懂的学习教程。

本系列教程内容覆盖:图像分类神经网络反向传播计算图CNNRNN神经网络训练tensorflowpytorch注意力机制生成模型目标检测图像分割强化学习 等主题。

教程地址

点击查看完整教程学习路径

内容章节

1.深度学习与CV教程(1) | CV引言与基础

CV引言与基础; 计算机视觉ComputerVision; 斯坦福CS231n; 19-1

2.深度学习与CV教程(2) | 图像分类与机器学习基础

图像分类&机器学习基础; 计算机视觉ComputerVision; 斯坦福CS231n; 19-2

3.深度学习与CV教程(3) | 损失函数与最优化

损失函数&最优化; 计算机视觉ComputerVision; 斯坦福CS231n; 19-3

4.深度学习与CV教程(4) | 神经网络与反向传播

神经网络&反向传播; 计算机视觉ComputerVision; 斯坦福CS231n; 19-4

5.深度学习与CV教程(5) | 卷积神经网络

CNN卷积神经网络; 计算机视觉ComputerVision; 斯坦福CS231n; 19-5

6.深度学习与CV教程(6) | 神经网络训练技巧 (上)

神经网络训练技巧(上); 计算机视觉ComputerVision; 斯坦福CS231n; 19-6

7.深度学习与CV教程(7) | 神经网络训练技巧 (下)

神经网络训练技巧(下); 计算机视觉ComputerVision; 斯坦福CS231n; 19-7

8.深度学习与CV教程(8) | 常见深度学习框架介绍

常见深度学习框架介绍; 计算机视觉ComputerVision; 斯坦福CS231n; 19-8

9.深度学习与CV教程(9) | 典型CNN架构 (Alexnet, VGG, Googlenet, Restnet等)

典型CNN架构(VGG/ResNet等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-9

10.深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet, ShuffleNet, MobileNet等)

轻量化CNN架构(SqueezeNet等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-10

11.深度学习与CV教程(11) | 循环神经网络及视觉应用

RNN循环神经网络&视觉应用; 计算机视觉ComputerVision; 斯坦福CS231n; 19-11

12.深度学习与CV教程(12) | 目标检测 (两阶段, R-CNN系列)

目标检测(两阶段/R-CNN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-12

13.深度学习与CV教程(13) | 目标检测 (SSD, YOLO系列)

目标检测(SSD/YOLO系列); 计算机视觉ComputerVision; 斯坦福CS231n; 19-13

14.深度学习与CV教程(14) | 图像分割 (FCN, SegNet, U-Net, PSPNet, DeepLab, RefineNet)

图像分割(FCN/SegNet/U-Net等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-14

15.深度学习与CV教程(15) | 视觉模型可视化与可解释性

视觉模型可视化与可解释性; 计算机视觉ComputerVision; 斯坦福CS231n; 19-15

16.深度学习与CV教程(16) | 生成模型 (PixelRNN, PixelCNN, VAE, GAN)

生成模型(PixelCNN/GAN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-16

17.深度学习与CV教程(17) | 深度强化学习 (马尔可夫决策过程, Q-Learning, DQN)

深度强化学习(Q-Learning/DQN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-17

18.深度学习与CV教程(18) | 深度强化学习 (梯度策略, Actor-Critic, DDPG, A3C)

深度强化学习(Actor-Critic/DDPG等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-18

ShowMeAI 系列教程推荐

ShowMeAI用知识加速每一次技术成长

目录
相关文章
|
2月前
|
机器学习/深度学习 算法 测试技术
深度学习环境搭建笔记(二):mmdetection-CPU安装和训练
本文是关于如何搭建深度学习环境,特别是使用mmdetection进行CPU安装和训练的详细指南。包括安装Anaconda、创建虚拟环境、安装PyTorch、mmcv-full和mmdetection,以及测试环境和训练目标检测模型的步骤。还提供了数据集准备、检查和网络训练的详细说明。
141 5
深度学习环境搭建笔记(二):mmdetection-CPU安装和训练
|
2月前
|
机器学习/深度学习 数据可视化 计算机视觉
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
这篇文章详细介绍了如何通过可视化深度学习中每层特征层来理解网络的内部运作,并使用ResNet系列网络作为例子,展示了如何在训练过程中加入代码来绘制和保存特征图。
68 1
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
|
1月前
|
机器学习/深度学习 监控 算法
车辆违停检测:基于计算机视觉与深度学习的自动化解决方案
随着智能交通技术的发展,传统人工交通执法方式已难以满足现代城市需求,尤其是在违法停车监控与处罚方面。本文介绍了一种基于计算机视觉和深度学习的车辆违停检测系统,该系统能自动监测、识别并报警违法停车行为,大幅提高交通管理效率,降低人力成本。通过使用YOLO算法进行车辆检测,结合区域分析判断车辆是否处于禁停区,实现了从车辆识别到违停判定的全流程自动化。此系统不仅提升了交通管理的智能化水平,也为维护城市交通秩序提供了技术支持。
|
2月前
|
机器学习/深度学习
深度学习笔记(十二):普通卷积、深度可分离卷积、空间可分离卷积代码
本文探讨了深度可分离卷积和空间可分离卷积,通过代码示例展示了它们在降低计算复杂性和提高效率方面的优势。
253 2
深度学习笔记(十二):普通卷积、深度可分离卷积、空间可分离卷积代码
|
2月前
|
机器学习/深度学习 并行计算 PyTorch
深度学习环境搭建笔记(一):detectron2安装过程
这篇博客文章详细介绍了在Windows环境下,使用CUDA 10.2配置深度学习环境,并安装detectron2库的步骤,包括安装Python、pycocotools、Torch和Torchvision、fvcore,以及对Detectron2和PyTorch代码的修改。
439 1
深度学习环境搭建笔记(一):detectron2安装过程
|
2月前
|
机器学习/深度学习 算法 PyTorch
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
这篇文章详细介绍了多种用于目标检测任务中的边界框回归损失函数,包括IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU和WIOU,并提供了它们的Pytorch实现代码。
367 1
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
探索深度学习与计算机视觉的融合:构建高效图像识别系统
探索深度学习与计算机视觉的融合:构建高效图像识别系统
46 0
|
1月前
|
机器学习/深度学习 人工智能 算法
深度学习在计算机视觉中的突破与未来趋势###
【10月更文挑战第21天】 近年来,深度学习技术极大地推动了计算机视觉领域的发展。本文将探讨深度学习在图像识别、目标检测和图像生成等方面的最新进展,分析其背后的关键技术和算法,并展望未来的发展趋势和应用前景。通过这些探讨,希望能够为相关领域的研究者和从业者提供有价值的参考。 ###
101 4
|
1月前
|
机器学习/深度学习 传感器 算法
行人闯红灯检测:基于计算机视觉与深度学习的智能交通解决方案
随着智能交通系统的发展,传统的人工交通违法判断已难以满足需求。本文介绍了一种基于计算机视觉与深度学习的行人闯红灯自动检测系统,涵盖信号灯状态检测、行人检测与跟踪、行为分析及违规判定与报警四大模块,旨在提升交通管理效率与安全性。
|
1月前
|
机器学习/深度学习 计算机视觉
深度学习与计算机视觉的最新进展
深度学习与计算机视觉的最新进展