有三AI-CV中阶-人脸算法组（2024年）

课程目录

├── 1__基于U-GA-TIT的人脸动漫风格化实战/
│ ├── [ 40M] 1__第1节_项目原理简介
│ ├── [ 26M] 2__第2节_数据读取
│ ├── [ 68M] 3__第3节_模型搭建
│ ├── [ 85M] 4__第4节_模型训练
│ ├── [ 21M] 5__第5节_模型测试
│ ├── [ 249] 6__数据和代码.html
│ └── 资料代码/
├── 2__深度学习之人脸图像检测与识别—理论与实践/
│ ├── [ 10M] 1__0_课程介绍
│ ├── [ 73M] 2__第1.1节-人脸检测核心算法（上）
│ ├── [ 75M] 3__第1.2节-人脸检测核心算法（下）
│ ├── [ 289] 4__第1.3节-人脸检测参考资料（图文）.html
│ ├── [ 49M] 5__第2.1节-人脸关键点检测核心算法
│ ├── [ 307] 6__第2.2节-人脸关键点检测参考资料（图文）.html
│ ├── [ 80M] 7__第3.1节-RetinaFace人脸检测实战_人脸检测简介
│ ├── [ 39M] 8__第3.2节-RetinaFace人脸检测实战 _常见人脸数据集
│ ├── [258M] 9__第3.3节-RetinaFace人脸检测实战_数据集读取模块
│ ├── [307M] 10__第3.4节-RetinaFace人脸检测实战_模型解读
│ ├── [277M] 11__第3.5节-RetinaFace人脸检测实战_MultiBox损失函数
│ ├── [120M] 12__第3.6节-RetinaFace人脸检测实战_测试与推理
│ ├── [ 19M] 13__第4.1节-PFLD人脸关键点检测实战_项目背景
│ ├── [ 75M] 14__第4.2节-PFLD人脸关键点检测实战_数据读取
│ ├── [ 31M] 15__第4.3节-PFLD人脸关键点检测实战_模型搭建
│ ├── [ 28M] 16__第4.4节-PFLD人脸关键点检测实战_模型训练
│ ├── [ 23M] 17__第4.5节-PFLD人脸关键点检测实战_模型测试
│ ├── [ 66M] 18__第5.1节-人脸识别核心算法（上）
│ ├── [ 54M] 19__第5.2节-人脸识别核心算法（下）
│ ├── [ 290] 20__第5.3节-人脸识别参考资料（图文）.html
│ ├── [ 36M] 21__第6.1节-MTCNN-VGG人脸识别项目背景
│ ├── [346M] 22__第6.2节-MTCNN-VGG人脸识别数据预处理
│ ├── [ 36M] 23__第6.3节-MTCNN-VGG人脸识别数据读取
│ ├── [ 51M] 24__第6.4节-MTCNN-VGG人脸识别模型搭建
│ ├── [ 97M] 25__第6.5节-MTCNN-VGG人脸识别模型训练
│ ├── [ 50M] 26__第6.6节-MTCNN-VGG人脸识别模型测试
│ ├── [ 59M] 27__第7.1节-人脸属性识别算法
│ ├── [ 302] 28__第7.2节-人脸属性识别参考资料（图文）.html
│ ├── [ 11M] 29__第8.1节-人脸表情识别项目背景
│ ├── [ 85M] 30__第8.2节-人脸表情识别数据处理与读取
│ ├── [ 53M] 31__第8.3节-人脸表情识别模型搭建与训练
│ ├── [ 22M] 32__第8.4节-人脸表情识别模型测试
│ ├── [ 274] 33__代码及数据.html
│ └── 资料代码/
├── 3__深度学习之人脸属性编辑—理论与实践/
│ ├── [ 14M] 1__课程介绍
│ ├── [ 51M] 2__1 人脸属性编辑基础
│ ├── [ 64M] 3__2.1 StyleGAN人脸属性编辑原理
│ ├── [4.8M] 4__2.2 StyleGAN人脸属性编辑实战-内容简介
│ ├── [300M] 5__2.3 StyleGAN人脸属性编辑实战-人脸属性向量生成
│ ├── [ 73M] 6__2.4 StyleGAN人脸属性编辑实战-人脸样式混合与插值
│ ├── [ 54M] 7__2.5 StyleGAN人脸属性编辑实战-人脸属性方向向量生成
│ ├── [ 61M] 8__2.6 StyleGAN人脸属性编辑实战-人脸表情、年龄、性别编辑
│ ├── [ 22M] 9__2.7 StyleGAN人脸属性编辑实战-人脸表情添加与去除
│ ├── [ 57M] 10__3.1 StarGAN v1原理
│ ├── [ 70M] 11__3.2 StarGAN v2原理
│ ├── [ 21M] 12__3.3 StarGAN表情编辑实战-内容简介
│ ├── [ 41M] 13__3.4 StarGAN表情编辑实战-数据读取
│ ├── [ 33M] 14__3.5 StarGAN表情编辑实战-模型搭建
│ ├── [ 91M] 15__3.6 StarGAN表情编辑实战-模型训练
│ ├── [ 33M] 16__3.7 StarGAN表情编辑实战-模型测试
│ ├── [ 66M] 17__4.1 人脸年龄编辑（基础篇）
│ ├── [ 73M] 18__4.2人脸年龄编辑（进阶篇）
│ ├── [ 76M] 19__5.1 人脸表情编辑（基础篇）
│ ├── [ 89M] 20__6.1 人脸姿态编辑（基础篇）
│ ├── [ 82M] 21__7.1 人脸妆造编辑（基础篇）
│ ├── [ 30M] 22__7.2 BeautyGAN人脸美妆实战-项目简介
│ ├── [ 75M] 23__7.3 BeautyGAN人脸美妆实战-数据读取
│ ├── [ 73M] 24__7.4 BeautyGAN人脸美妆实战-模型搭建
│ ├── [211M] 25__7.5 BeautyGAN人脸美妆实战-模型训练
│ ├── [ 20M] 26__7.6 BeautyGAN人脸美妆实战-模型测试
│ ├── [ 250] 27__数据与代码.html
│ └── 资料代码/
├── 4__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）
│ ├── [ 21M] 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/
├── 5__深度学习之模型设计—理论与实践/
│ ├── [7.7M] 1__0_课程介绍
│ ├── 【更多it资源 www.】
│ ├── [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
│ ├── [714K] 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
│ ├── [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
│ ├── [511K] 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）
│ ├── [139M] 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
│ ├── [ 69M] 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
│ ├── [ 22M] 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
│ ├── [ 16M] 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
│ ├── [ 57M] 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/
├── 6__深度学习之图像与视频生成GAN—理论与实践/
│ ├── [6.0M] 1__0 课程介绍
│ ├── [ 44M] 2__1 全卷积图像生成GAN理论
│ ├── [ 22M] 3__2.1 DCGAN图像生成实战-项目解读
│ ├── [ 30M] 4__2.2 DCGAN图像生成实战-模型搭建
│ ├── [ 79M] 5__2.3 DCGAN图像生成实战-模型训练
│ ├── [ 15M] 6__2.4 DCGAN图像生成实战-模型测试
│ ├── [ 66M] 7__3 条件生成GAN理论
│ ├── [ 59M] 8__4 多尺度生成GAN理论
│ ├── [162M] 9__5.1 StyleGAN v1详解
│ ├── [105M] 10__5.2 StyleGAN v2详解
│ ├── [243M] 11__6.1 StyleGAN v1实战-模型解读
│ ├── [ 88M] 12__6.2 StyleGAN v1实战-模型测试
│ ├── [ 29M] 13__7 数据增强与仿真GAN理论
│ ├── [ 46M] 14__8.1 视频生成GAN（基础篇）
│ ├── [ 63M] 15__8.2 视频生成GAN（内容运动解耦篇）
│ ├── [ 286] 16__参考资料（图文）.html
│ ├── [ 256] 17__数据和代码.html
… 其余 114 项略，目录共 314 项