Python计算机视觉深度学习物体检测实战

 计算机视觉-物体检测-通用解决方案框架Mask-Rcnn实践课程旨在帮助学生快速掌握物体检测领域的主流解决方案和网络框架建设原则，并在开源项目的基础上解释其应用领域和使用方法。详细解读项目中每个模块的核心源代码，从代码的角度了解网络实现方法和建模过程。为了方便学生将项目应用到自己的数据和任务中，示例展示如何为自己的数据集制作标签和代码调整方法，并在整个过程中进行实际操作，通俗地解释复杂的网络架构。

课程目录

1-1 课程简介.mp4

1-2 Mask-Rcnn开源项目简介.mp4

1-3 开源项目数据集.mp4

1-4 参数配置.mp4

2-1 解释FPN网络架构.mp4

2-10 RoiPoling层的作用和目的.mp4

2-11 Roralign操作的效果.mp4

2-12 回顾整体框架.mp4

2-2 解释FPN层特征提取原理.mp4

2-3 设置生成框比例.mp4

2-4 根据不同尺度的特征图生成所有框架.mp4

2-5 解释RPN层的作用和实现.mp4

2-6 候选框过滤方法.mp4

2-7 实现Proposal层的方法.mp4

2-8 Detectiontarget层的作用.mp4

2-9 正负样本选择和标签定义.mp4

3-1 Labelme工具安装安装.mp4

3-2 使用labelme标记数据和标签.mp4

3-3 完成培训数据准备工作.mp4

3-4 Maskrcnn源码修改方法.mp4

3-5 基于标记数据训练所需的任务.mp4

3-6 经过个人测试和显示模块.mp4

4-1 COCO数据集和人体姿态识别简介.mp4

4-2 网络架构概述.mp4

4-3 演示过程和结果.mp4

5-1 迁移学习的目标.mp4

5-2 迁移学习策略.mp4

5-3 Resnet原理.mp4

5-4 Resnet网络细节.mp4

5-5 Resnet基本处理操作.mp4

5-6 shortcut模块模块.mp4

5-7 加载训练好的权重.mp4

5-8 比较迁移学习的效果.mp4

6-1 物体检测概述.mp4

6-2 深入学习经典检测方法.mp4

6-3 faster-rcnn概述.mp4

6-4 论文解读.mp4

6-5 RPN网络架构.mp4

6-6 定义损失函数.mp4

6-7 网络细节.mp4