课程目录
1-1 [第一章：行人重识别原理及其应用] 课程简介 (07:33) 1-2 [第一章：行人重识别原理及其应用] 行人重识别要解决的问题 (06:00) 1-3 [第一章：行人重识别原理及其应用] 挑战与困难分析 (12:14) 1-4 [第一章：行人重识别原理及其应用] map值计算方法 (05:42) 1-5 [第一章：行人重识别原理及其应用] 评估标准rank1指标 (04:03) 1-6 [第一章：行人重识别原理及其应用] triplet损失计算实例 (09:40) 1-7 [第一章：行人重识别原理及其应用] Hard-Negative方法应用 (09:28) 2-1 [基于注意力机制的ReId模型论文解读] 空间权重值计算流程分析 (05:31) 2-2 [基于注意力机制的ReId模型论文解读] 融合空间注意力所需特征 (06:07) 2-3 [基于注意力机制的ReId模型论文解读] 论文整体思想及注意力机制的作用解读 (10:03) 2-4 [基于注意力机制的ReId模型论文解读] 基于特征图的注意力计算 (04:56) 3-1 [基于Attention的行人重识别项目实战] 项目环境与数据集配置 (11:47) 3-2 [基于Attention的行人重识别项目实战] 参数配置与整体架构分析 (11:56) 3-3 [基于Attention的行人重识别项目实战] 进入debug模式解读网络计算流程 (07:56) 3-4 [基于Attention的行人重识别项目实战] 获得空间位置点之间的关系 (10:46) 3-5 [基于Attention的行人重识别项目实战] 组合关系特征图 (08:06) 3-6 [基于Attention的行人重识别项目实战] 计算得到位置权重值 (09:09) 3-7 [基于Attention的行人重识别项目实战] 基于特征图的权重计算 (06:26) 3-8 [基于Attention的行人重识别项目实战] 损失函数计算实例解读 (12:06) 3-9 [基于Attention的行人重识别项目实战] 训练与测试模块演示 (10:55) 4-1 [经典会议算法精讲（特征融合）] 论文整体框架概述 (06:50) 4-2 [经典会议算法精讲（特征融合）] 局部特征与全局关系计算方法 (06:02) 4-3 [经典会议算法精讲（特征融合）] 特征分组方法 (05:54) 4-4 [经典会议算法精讲（特征融合）] GCP模块特征融合方法 (10:26) 4-5 [经典会议算法精讲（特征融合）] GCP模块特征融合方法 (05:23) 4-6 [经典会议算法精讲（特征融合）] 损失函数应用位置 (05:51) 5-1 [项目实战-基于行人局部特征融合的再识别实战] 项目配置与数据集介绍 (10:42) 5-2 [项目实战-基于行人局部特征融合的再识别实战] 数据源构建方法分析 (07:49) 5-3 [项目实战-基于行人局部特征融合的再识别实战] dataloader加载顺序解读 (06:09) 5-4 [项目实战-基于行人局部特征融合的再识别实战] debug模式解读 (09:15) 5-5 [项目实战-基于行人局部特征融合的再识别实战] 网络计算整体流程演示 (07:57) 5-6 [项目实战-基于行人局部特征融合的再识别实战] 特征序列构建 (08:58) 5-7 [项目实战-基于行人局部特征融合的再识别实战] GCP全局特征提取 (07:42) 5-8 [项目实战-基于行人局部特征融合的再识别实战] 局部特征提取实例 (08:16) 5-9 [项目实战-基于行人局部特征融合的再识别实战] 特征组合汇总 (08:28) 5-10 [项目实战-基于行人局部特征融合的再识别实战] 得到所有分组特征结果 (07:52) 5-11 [项目实战-基于行人局部特征融合的再识别实战] 损失函数与训练过程演示 (07:26) 5-12 [项目实战-基于行人局部特征融合的再识别实战] 测试与验证模块 (05:29) 6-1 [旷视研究院ReID算法解读（基于图模型）] 关键点位置特征构建 (06:52) 6-2 [旷视研究院ReID算法解读（基于图模型）] 局部特征热度图计算 (08:39) 6-3 [旷视研究院ReID算法解读（基于图模型）] 基于图卷积构建人体拓扑关系 (10:10) 6-4 [旷视研究院ReID算法解读（基于图模型）] 图卷积与匹配的作用 (07:51) 6-5 [旷视研究院ReID算法解读（基于图模型）] 图卷积模块实现方法 (08:56) 6-6 [旷视研究院ReID算法解读（基于图模型）] 图匹配在行人重识别中的作用 (05:51) 6-7 [旷视研究院ReID算法解读（基于图模型）] 整体算法框架分析 (08:09) 7-1 [基于拓扑图的行人重识别项目实战] 数据集与环境配置概述 (08:02) 7-2 [基于拓扑图的行人重识别项目实战] 局部特征准备方法 (07:28) 7-3 [基于拓扑图的行人重识别项目实战] 得到一阶段热度图结果 (08:54) 7-4 [基于拓扑图的行人重识别项目实战] 阶段监督训练 (13:24) 7-5 [基于拓扑图的行人重识别项目实战] 初始化图卷积模型 (10:25) 7-6 [基于拓扑图的行人重识别项目实战] mask矩阵的作用 (07:05) 7-7 [基于拓扑图的行人重识别项目实战] 邻接矩阵学习与更新 (10:20) 7-8 [基于拓扑图的行人重识别项目实战] 基于拓扑结构组合关键点特征 (12:32) 7-9 [基于拓扑图的行人重识别项目实战] 图匹配模块计算流程 (13:57) 7-10 [基于拓扑图的行人重识别项目实战] 整体项目总结 (08:56) 8-1 [算法补充-卷积神经网络原理与参数解读] 卷积神经网络应用领域 (07:24) 8-2 [算法补充-卷积神经网络原理与参数解读] 卷积的作用 (09:23) 8-3 [算法补充-卷积神经网络原理与参数解读] 卷积特征值计算方法 (08:07) 8-4 [算法补充-卷积神经网络原理与参数解读] 得到特征图表示 (06:58) 8-5 [算法补充-卷积神经网络原理与参数解读] 步长与卷积核大小对结果的影响 (08:11) 8-6 [算法补充-卷积神经网络原理与参数解读] 边缘填充方法 (06:30) 8-7 [算法补充-卷积神经网络原理与参数解读] 特征图尺寸计算与参数共享 (07:02) 8-8 [算法补充-卷积神经网络原理与参数解读] 池化层的作用 (05:38) 8-9 [算法补充-卷积神经网络原理与参数解读] 整体网络架构 (06:20) 8-10 [算法补充-卷积神经网络原理与参数解读] VGG网络架构 (06:16) 8-11 [算法补充-卷积神经网络原理与参数解读] 残差网络Resnet (07:41) 8-12 [算法补充-卷积神经网络原理与参数解读] 感受野的作用 (05:46) 9-1 [基础补充-PyTorch框架基本处理操作] PyTorch框架发展趋势简介 (08:25) 9-2 [基础补充-PyTorch框架基本处理操作] 框架安装方法（CPU与GPU版本） (05:13) 9-3 [基础补充-PyTorch框架基本处理操作] PyTorch基本操作简介 (09:25) 9-4 [基础补充-PyTorch框架基本处理操作] 自动求导机制 (10:59) 9-5 [基础补充-PyTorch框架基本处理操作] 线性回归DEMO-数据与参数配置 (08:56) 9-6 [基础补充-PyTorch框架基本处理操作] 线性回归DEMO-训练回归模型 (10:08) 9-7 [基础补充-PyTorch框架基本处理操作] 常见tensor格式 (07:10) 9-8 [基础补充-PyTorch框架基本处理操作] Hub模块简介 (08:25) 10-1 [基础补充-PyTorch图像识别实例] 卷积网络参数定义 (07:21) 10-2 [基础补充-PyTorch图像识别实例] 网络流程解读 (07:26) 10-3 [基础补充-PyTorch图像识别实例] Vision模块功能解读 (05:10) 10-4 [基础补充-PyTorch图像识别实例] 分类任务数据集定义与配置 (06:27) 10-5 [基础补充-PyTorch图像识别实例] 图像增强的作用 (04:51) 10-6 [基础补充-PyTorch图像识别实例] 数据预处理与数据增强模块 (09:25) 10-7 [基础补充-PyTorch图像识别实例] Batch数据制作 (08:37) 10-8 [基础补充-PyTorch图像识别实例] 迁移学习的目标 (05:31) 10-9 [基础补充-PyTorch图像识别实例] 迁移学习策略 (07:11) 10-10 [基础补充-PyTorch图像识别实例] 加载训练好的网络模型 (09:54) 10-11 [基础补充-PyTorch图像识别实例] 优化器模块配置 (05:14) 10-12 [基础补充-PyTorch图像识别实例] 实现训练模块 (08:15) 10-13 [基础补充-PyTorch图像识别实例] 训练结果与模型保存 (09:31) 10-14 [基础补充-PyTorch图像识别实例] 加载模型对测试数据进行预测 (09:10) 10-15 [基础补充-PyTorch图像识别实例] 额外补充-Resnet论文解读 (11:47) 10-16 [基础补充-PyTorch图像识别实例] 额外补充-Resnet网络架构解读 (08:26)
