最新章節

• 附錄F 仿射變換矩陣
• 附錄E 圖像梯度
• 附錄D 德勞內三角化
• 附錄C Shift-and-Stitch
• 附錄B 匈牙利算法
• 附錄A 雙線性插值

• 附錄F 仿射變換矩陣 更新時間：2024-09-05 16:47:30
• 附錄E 圖像梯度
• 附錄D 德勞內三角化
• 附錄C Shift-and-Stitch
• 附錄B 匈牙利算法
• 附錄A 雙線性插值
• 14.5.3 小結
• 14.5.2 BEiT v3詳解
• 14.5.1 背景：大融合
• 14.5 BEiT v3
• 14.4.4 小結
• 14.4.3 VLMo預訓練
• 14.4.2 MoME Transformer
• 14.4.1 算法動機
• 14.4 VLMo
• 14.3.7 小結
• 14.3.6 分布式運算
• 14.3.5 混合精度訓練
• 14.3.4 圖像生成
• 14.3.3 階段二：先驗分布學習
• 14.3.2 階段一：離散變分自編碼器
• 14.3.1 背景知識：變分自編碼器
• 14.3 DALL-E
• 14.2.7 小結
• 14.2.6 模型效果
• 14.2.5 CLIP用于圖像識別
• 14.2.4 文本編碼器
• 14.2.3 圖像編碼器
• 14.2.2 學習目標：對比學習（Contrastive Learning）預訓練
• 14.2.1 數據收集
• 14.2 CLIP
• 14.1.4 小結
• 14.1.3 模型微調
• 14.1.2 預訓練任務
• 14.1.1 模型結構
• 14.1 ViLBERT
• 第14章 多模態預訓練
• 13.3.5 小結
• 13.3.4 BEiT v2預訓練
• 13.3.3 矢量量化-知識蒸餾
• 13.3.2 BEiT v2概述
• 13.3.1 背景介紹
• 13.3 BEiT v2
• 13.2.6 小結
• 13.2.5 BEiT v1的損失函數
• 13.2.4 掩碼圖像模型
• 13.2.3 BEiT v1的模型結構
• 13.2.2 BEiT v1全覽
• 13.2.1 背景介紹
• 13.2 BEiT v1
• 13.1.4 小結
• 13.1.3 模型介紹
• 13.1.2 掩碼機制
• 13.1.1 算法動機
• 13.1 MAE
• 第13章 圖像預訓練
• 12.2.4 小結
• 12.2.3 訓練
• 12.2.2 網絡結構
• 12.2.1 問題定義
• 12.2 Background Matting v2
• 12.1.6 小結
• 12.1.5 模型推理
• 12.1.4 模型訓練
• 12.1.3 判別模型
• 12.1.2 生成模型
• 12.1.1 輸入
• 12.1 Background Matting
• 第12章 人像摳圖
• 11.3.3 小結
• 11.3.2 公式識別模型詳解
• 11.3.1 基礎介紹
• 11.3 數學公式識別
• 11.2.2 小結
• 11.2.1 整體框架
• 11.2 Show Attend and Tell
• 11.1.3 小結
• 11.1.2 解碼
• 11.1.1 網絡結構
• 11.1 Show and Tell
• 第11章 二維結構識別
• 10.3.3 小結
• 10.3.2 HAN詳解
• 10.3.1 基本概念
• 10.3 HAN
• 10.2.4 小結
• 10.2.3 GAT的屬性
• 10.2.2 GAT的推理
• 10.2.1 GAT詳解
• 10.2 GAT
• 10.1.3 小結
• 10.1.2 算法詳解
• 10.1.1 背景知識
• 10.1 GraphSAGE
• 第10章 圖神經網絡
• 9.4.5 小結
• 9.4.4 風格遷移
• 9.4.3 風格表示
• 9.4.2 內容表示
• 9.4.1 算法概覽
• 9.4 圖像風格遷移
• 9.3.5 小結
• 9.3.4 圖像生成
• 9.3.3 損失函數
• 9.3.2 輸入數據
• 9.3.1 網絡結構
• 9.3 Pix2PixHD
• 9.2.3 小結
• 9.2.2 Pix2Pix解析
• 9.2.1 背景知識
• 9.2 Pix2Pix
• 9.1.5 小結
• 9.1.4 理論證明
• 9.1.3 GAN的損失函數
• 9.1.2 GAN的訓練
• 9.1.1 邏輯基礎
• 9.1 GAN
• 第9章 圖像翻譯
• 第三篇 其他算法與應用
• 8.4.2 小結
• 8.4.1 算法詳解
• 8.4 CTC
• 8.3.4 小結
• 8.3.3 解碼層
• 8.3.2 編碼層
• 8.3.1 殘差網絡
• 8.3 Bi-STET
• 8.2.5 小結
• 8.2.4 基于字典的測試
• 8.2.3 訓練
• 8.2.2 序列識別網絡
• 8.2.1 基于TPS的STN
• 8.2 RARE
• 8.1.4 小結
• 8.1.3 STN的應用場景
• 8.1.2 STN
• 8.1.1 空間變形模塊
• 8.1 STN
• 第8章 場景文字識別
• 7.7.5 小結
• 7.7.4 后處理
• 7.7.3 PixelLink的損失函數
• 7.7.2 PixelLink的標簽
• 7.7.1 骨干網絡
• 7.7 PixelLink
• 7.6.6 小結
• 7.6.5 Advanced-EAST
• 7.6.4 局部感知NMS
• 7.6.3 EAST的損失函數
• 7.6.2 EAST的標簽生成
• 7.6.1 網絡結構
• 7.6 EAST
• 7.5.5 小結
• 7.5.4 檢測
• 7.5.3 訓練
• 7.5.2 HMCP的骨干網絡
• 7.5.1 HMCP的標簽值
• 7.5 HMCP
• 7.4.4 小結
• 7.4.3 HED的損失函數
• 7.4.2 整體嵌套網絡
• 7.4.1 HED的骨干網絡
• 7.4 HED
• 7.3.3 小結
• 7.3.2 位置精校
• 7.3.1 RRPN詳解
• 7.3 RRPN
• 7.2.7 小結
• 7.2.6 CTPN的損失函數
• 7.2.5 邊界微調
• 7.2.4 CTPN中的RNN
• 7.2.3 CTPN的錨點機制
• 7.2.2 數據準備
• 7.2.1 算法流程
• 7.2 CTPN
• 7.1.3 小結
• 7.1.2 DeepText詳解
• 7.1.1 RPN回顧
• 7.1 DeepText
• 第7章 場景文字檢測
• 第二篇 場景文字檢測與識別
• 6.4.5 小結
• 6.4.4 DeepLab v3+
• 6.4.3 DeepLab v3
• 6.4.2 DeepLab v2
• 6.4.1 DeepLab v1
• 6.4 DeepLab系列
• 6.3.3 小結
• 6.3.2 Dice損失
• 6.3.1 網絡結構
• 6.3 V-Net
• 6.2.3 小結
• 6.2.2 數據擴充
• 6.2.1 U-Net詳解
• 6.2 U-Net
• 6.1.5 小結
• 6.1.4 分割指標
• 6.1.3 SegNet詳解
• 6.1.2 FCN詳解
• 6.1.1 背景知識
• 6.1 FCN和SegNet
• 第6章 語義分割
• 5.5.4 小結
• 5.5.3 Focal-EIoU損失
• 5.5.2 Focal L1損失
• 5.5.1 EIoU損失
• 5.5 Focal-EIoU損失
• 5.4.4 小結
• 5.4.3 CIoU損失
• 5.4.2 DIoU損失
• 5.4.1 背景
• 5.4 DIoU損失和CIoU損失
• 5.3.3 小結
• 5.3.2 GIoU損失詳解
• 5.3.1 算法背景
• 5.3 GIoU損失
• 5.2.4 小結
• 5.2.3 UnitBox網絡結構
• 5.2.2 IoU損失
• 5.2.1 背景知識
• 5.2 IoU損失
• 5.1.3 小結
• 5.1.2 RetinaNet
• 5.1.1 Focal Loss介紹
• 5.1 Focal Loss
• 第5章 損失函數
• 4.4.3 小結
• 4.4.2 EfficientDet詳解
• 4.4.1 BiFPN
• 4.4 EfficientDet
• 4.3.3 小結
• 4.3.2 NAS-FPN Lite
• 4.3.1 NAS-FPN算法詳解
• 4.3 NAS-FPN
• 4.2.2 小結
• 4.2.1 PANet
• 4.2 PANet
• 4.1.4 小結
• 4.1.3 FPN的應用
• 4.1.2 FPN的網絡結構
• 4.1.1 CNN中的常見骨干網絡
• 4.1 FPN
• 第4章 特征融合
• 3.6.3 小結
• 3.6.2 損失函數
• 3.6.1 網絡結構
• 3.6 DETR
• 3.5.5 小結
• 3.5.4 測試
• 3.5.3 多尺度預測
• 3.5.2 FCOS的網絡結構
• 3.5.1 算法背景
• 3.5 FCOS
• 3.4.5 小結
• 3.4.4 推理過程
• 3.4.3 損失函數
• 3.4.2 數據準備
• 3.4.1 網絡結構
• 3.4 CenterNet
• 3.3.3 小結
• 3.3.2 CornerNet-Squeeze
• 3.3.1 CornerNet-Saccade
• 3.3 CornerNet-Lite
• 3.2.3 小結
• 3.2.2 CornerNet詳解
• 3.2.1 背景
• 3.2 CornerNet
• 3.1.6 小結
• 3.1.5 測試
• 3.1.4 結合關鍵點檢測
• 3.1.3 訓練數據
• 3.1.2 多任務模型
• 3.1.1 DenseBox的網絡結構
• 3.1 DenseBox
• 第3章 無錨點檢測
• 2.5.6 小結
• 2.5.5 YOLOv4改進介紹
• 2.5.4 后處理
• 2.5.3 模型
• 2.5.2 數據
• 2.5.1 背景介紹
• 2.5 YOLOv4
• 2.4.6 小結
• 2.4.5 YOLOv3一些失敗的嘗試
• 2.4.4 錨點聚類
• 2.4.3 多尺度特征
• 2.4.2 骨干網絡
• 2.4.1 多標簽任務
• 2.4 YOLOv3
• 2.3.3 小結
• 2.3.2 YOLO9000：更強
• 2.3.1 YOLOv2：更快，更高
• 2.3 YOLOv2
• 2.2.3 小結
• 2.2.2 DSSD
• 2.2.1 SSD
• 2.2 SSD和DSSD
• 2.1.3 小結
• 2.1.2 損失函數
• 2.1.1 YOLOv1的網絡結構
• 2.1 YOLOv1
• 第2章 單階段檢測
• 1.8.3 小結
• 1.8.2 DCNv2
• 1.8.1 DCNv1
• 1.8 DCNv1和DCNv2
• 1.7.3 小結
• 1.7.2 MaskX R-CNN的訓練
• 1.7.1 權值遷移函數T
• 1.7 MaskX R-CNN
• 1.6.3 小結
• 1.6.2 Mask R-CNN詳解
• 1.6.1 Mask R-CNN的動機
• 1.6 Mask R-CNN
• 1.5.4 小結
• 1.5.3 R-FCN結果可視化
• 1.5.2 R-FCN的網絡
• 1.5.1 提出動機
• 1.5 R-FCN
• 1.4.3 小結
• 1.4.2 Faster R-CNN的訓練
• 1.4.1 區域候選網絡
• 1.4 Faster R-CNN
• 1.3.7 小結
• 1.3.6 Fast R-CNN的推理流程
• 1.3.5 Fast R-CNN的訓練細節
• 1.3.4 多任務損失函數
• 1.3.3 Fast R-CNN網絡結構
• 1.3.2 數據準備
• 1.3.1 Fast R-CNN算法介紹
• 1.3 Fast R-CNN
• 1.2.3 小結
• 1.2.2 SPP-Net的推理流程
• 1.2.1 空間金字塔池化
• 1.2 SPP-Net
• 1.1.6 小結
• 1.1.5 NMS
• 1.1.4 訓練數據準備
• 1.1.3 預訓練及微調
• 1.1.2 候選區域提取
• 1.1.1 R-CNN檢測流程
• 1.1 R-CNN
• 第1章 雙階段檢測
• 第一篇 目標檢測與分割
• 資源獲取
• 資源與支持
• 前言
• 序2
• 序1
• 獻詞
• 內容提要
• 版權
• 版權信息
• 封面

• 封面
• 版權信息
• 版權
• 內容提要
• 獻詞
• 序1
• 序2
• 前言
• 資源與支持
• 資源獲取
• 第一篇 目標檢測與分割
• 第1章 雙階段檢測
• 1.1 R-CNN
• 1.1.1 R-CNN檢測流程
• 1.1.2 候選區域提取
• 1.1.3 預訓練及微調
• 1.1.4 訓練數據準備
• 1.1.5 NMS
• 1.1.6 小結
• 1.2 SPP-Net
• 1.2.1 空間金字塔池化
• 1.2.2 SPP-Net的推理流程
• 1.2.3 小結
• 1.3 Fast R-CNN
• 1.3.1 Fast R-CNN算法介紹
• 1.3.2 數據準備
• 1.3.3 Fast R-CNN網絡結構
• 1.3.4 多任務損失函數
• 1.3.5 Fast R-CNN的訓練細節
• 1.3.6 Fast R-CNN的推理流程
• 1.3.7 小結
• 1.4 Faster R-CNN
• 1.4.1 區域候選網絡
• 1.4.2 Faster R-CNN的訓練
• 1.4.3 小結
• 1.5 R-FCN
• 1.5.1 提出動機
• 1.5.2 R-FCN的網絡
• 1.5.3 R-FCN結果可視化
• 1.5.4 小結
• 1.6 Mask R-CNN
• 1.6.1 Mask R-CNN的動機
• 1.6.2 Mask R-CNN詳解
• 1.6.3 小結
• 1.7 MaskX R-CNN
• 1.7.1 權值遷移函數T
• 1.7.2 MaskX R-CNN的訓練
• 1.7.3 小結
• 1.8 DCNv1和DCNv2
• 1.8.1 DCNv1
• 1.8.2 DCNv2
• 1.8.3 小結
• 第2章 單階段檢測
• 2.1 YOLOv1
• 2.1.1 YOLOv1的網絡結構
• 2.1.2 損失函數
• 2.1.3 小結
• 2.2 SSD和DSSD
• 2.2.1 SSD
• 2.2.2 DSSD
• 2.2.3 小結
• 2.3 YOLOv2
• 2.3.1 YOLOv2：更快，更高
• 2.3.2 YOLO9000：更強
• 2.3.3 小結
• 2.4 YOLOv3
• 2.4.1 多標簽任務
• 2.4.2 骨干網絡
• 2.4.3 多尺度特征
• 2.4.4 錨點聚類
• 2.4.5 YOLOv3一些失敗的嘗試
• 2.4.6 小結
• 2.5 YOLOv4
• 2.5.1 背景介紹
• 2.5.2 數據
• 2.5.3 模型
• 2.5.4 后處理
• 2.5.5 YOLOv4改進介紹
• 2.5.6 小結
• 第3章 無錨點檢測
• 3.1 DenseBox
• 3.1.1 DenseBox的網絡結構
• 3.1.2 多任務模型
• 3.1.3 訓練數據
• 3.1.4 結合關鍵點檢測
• 3.1.5 測試
• 3.1.6 小結
• 3.2 CornerNet
• 3.2.1 背景
• 3.2.2 CornerNet詳解
• 3.2.3 小結
• 3.3 CornerNet-Lite
• 3.3.1 CornerNet-Saccade
• 3.3.2 CornerNet-Squeeze
• 3.3.3 小結
• 3.4 CenterNet
• 3.4.1 網絡結構
• 3.4.2 數據準備
• 3.4.3 損失函數
• 3.4.4 推理過程
• 3.4.5 小結
• 3.5 FCOS
• 3.5.1 算法背景
• 3.5.2 FCOS的網絡結構
• 3.5.3 多尺度預測
• 3.5.4 測試
• 3.5.5 小結
• 3.6 DETR
• 3.6.1 網絡結構
• 3.6.2 損失函數
• 3.6.3 小結
• 第4章 特征融合
• 4.1 FPN
• 4.1.1 CNN中的常見骨干網絡
• 4.1.2 FPN的網絡結構
• 4.1.3 FPN的應用
• 4.1.4 小結
• 4.2 PANet
• 4.2.1 PANet
• 4.2.2 小結
• 4.3 NAS-FPN
• 4.3.1 NAS-FPN算法詳解
• 4.3.2 NAS-FPN Lite
• 4.3.3 小結
• 4.4 EfficientDet
• 4.4.1 BiFPN
• 4.4.2 EfficientDet詳解
• 4.4.3 小結
• 第5章 損失函數
• 5.1 Focal Loss
• 5.1.1 Focal Loss介紹
• 5.1.2 RetinaNet
• 5.1.3 小結
• 5.2 IoU損失
• 5.2.1 背景知識
• 5.2.2 IoU損失
• 5.2.3 UnitBox網絡結構
• 5.2.4 小結
• 5.3 GIoU損失
• 5.3.1 算法背景
• 5.3.2 GIoU損失詳解
• 5.3.3 小結
• 5.4 DIoU損失和CIoU損失
• 5.4.1 背景
• 5.4.2 DIoU損失
• 5.4.3 CIoU損失
• 5.4.4 小結
• 5.5 Focal-EIoU損失
• 5.5.1 EIoU損失
• 5.5.2 Focal L1損失
• 5.5.3 Focal-EIoU損失
• 5.5.4 小結
• 第6章 語義分割
• 6.1 FCN和SegNet
• 6.1.1 背景知識
• 6.1.2 FCN詳解
• 6.1.3 SegNet詳解
• 6.1.4 分割指標
• 6.1.5 小結
• 6.2 U-Net
• 6.2.1 U-Net詳解
• 6.2.2 數據擴充
• 6.2.3 小結
• 6.3 V-Net
• 6.3.1 網絡結構
• 6.3.2 Dice損失
• 6.3.3 小結
• 6.4 DeepLab系列
• 6.4.1 DeepLab v1
• 6.4.2 DeepLab v2
• 6.4.3 DeepLab v3
• 6.4.4 DeepLab v3+
• 6.4.5 小結
• 第二篇 場景文字檢測與識別
• 第7章 場景文字檢測
• 7.1 DeepText
• 7.1.1 RPN回顧
• 7.1.2 DeepText詳解
• 7.1.3 小結
• 7.2 CTPN
• 7.2.1 算法流程
• 7.2.2 數據準備
• 7.2.3 CTPN的錨點機制
• 7.2.4 CTPN中的RNN
• 7.2.5 邊界微調
• 7.2.6 CTPN的損失函數
• 7.2.7 小結
• 7.3 RRPN
• 7.3.1 RRPN詳解
• 7.3.2 位置精校
• 7.3.3 小結
• 7.4 HED
• 7.4.1 HED的骨干網絡
• 7.4.2 整體嵌套網絡
• 7.4.3 HED的損失函數
• 7.4.4 小結
• 7.5 HMCP
• 7.5.1 HMCP的標簽值
• 7.5.2 HMCP的骨干網絡
• 7.5.3 訓練
• 7.5.4 檢測
• 7.5.5 小結
• 7.6 EAST
• 7.6.1 網絡結構
• 7.6.2 EAST的標簽生成
• 7.6.3 EAST的損失函數
• 7.6.4 局部感知NMS
• 7.6.5 Advanced-EAST
• 7.6.6 小結
• 7.7 PixelLink
• 7.7.1 骨干網絡
• 7.7.2 PixelLink的標簽
• 7.7.3 PixelLink的損失函數
• 7.7.4 后處理
• 7.7.5 小結
• 第8章 場景文字識別
• 8.1 STN
• 8.1.1 空間變形模塊
• 8.1.2 STN
• 8.1.3 STN的應用場景
• 8.1.4 小結
• 8.2 RARE
• 8.2.1 基于TPS的STN
• 8.2.2 序列識別網絡
• 8.2.3 訓練
• 8.2.4 基于字典的測試
• 8.2.5 小結
• 8.3 Bi-STET
• 8.3.1 殘差網絡
• 8.3.2 編碼層
• 8.3.3 解碼層
• 8.3.4 小結
• 8.4 CTC
• 8.4.1 算法詳解
• 8.4.2 小結
• 第三篇 其他算法與應用
• 第9章 圖像翻譯
• 9.1 GAN
• 9.1.1 邏輯基礎
• 9.1.2 GAN的訓練
• 9.1.3 GAN的損失函數
• 9.1.4 理論證明
• 9.1.5 小結
• 9.2 Pix2Pix
• 9.2.1 背景知識
• 9.2.2 Pix2Pix解析
• 9.2.3 小結
• 9.3 Pix2PixHD
• 9.3.1 網絡結構
• 9.3.2 輸入數據
• 9.3.3 損失函數
• 9.3.4 圖像生成
• 9.3.5 小結
• 9.4 圖像風格遷移
• 9.4.1 算法概覽
• 9.4.2 內容表示
• 9.4.3 風格表示
• 9.4.4 風格遷移
• 9.4.5 小結
• 第10章 圖神經網絡
• 10.1 GraphSAGE
• 10.1.1 背景知識
• 10.1.2 算法詳解
• 10.1.3 小結
• 10.2 GAT
• 10.2.1 GAT詳解
• 10.2.2 GAT的推理
• 10.2.3 GAT的屬性
• 10.2.4 小結
• 10.3 HAN
• 10.3.1 基本概念
• 10.3.2 HAN詳解
• 10.3.3 小結
• 第11章 二維結構識別
• 11.1 Show and Tell
• 11.1.1 網絡結構
• 11.1.2 解碼
• 11.1.3 小結
• 11.2 Show Attend and Tell
• 11.2.1 整體框架
• 11.2.2 小結
• 11.3 數學公式識別
• 11.3.1 基礎介紹
• 11.3.2 公式識別模型詳解
• 11.3.3 小結
• 第12章 人像摳圖
• 12.1 Background Matting
• 12.1.1 輸入
• 12.1.2 生成模型
• 12.1.3 判別模型
• 12.1.4 模型訓練
• 12.1.5 模型推理
• 12.1.6 小結
• 12.2 Background Matting v2
• 12.2.1 問題定義
• 12.2.2 網絡結構
• 12.2.3 訓練
• 12.2.4 小結
• 第13章 圖像預訓練
• 13.1 MAE
• 13.1.1 算法動機
• 13.1.2 掩碼機制
• 13.1.3 模型介紹
• 13.1.4 小結
• 13.2 BEiT v1
• 13.2.1 背景介紹
• 13.2.2 BEiT v1全覽
• 13.2.3 BEiT v1的模型結構
• 13.2.4 掩碼圖像模型
• 13.2.5 BEiT v1的損失函數
• 13.2.6 小結
• 13.3 BEiT v2
• 13.3.1 背景介紹
• 13.3.2 BEiT v2概述
• 13.3.3 矢量量化-知識蒸餾
• 13.3.4 BEiT v2預訓練
• 13.3.5 小結
• 第14章 多模態預訓練
• 14.1 ViLBERT
• 14.1.1 模型結構
• 14.1.2 預訓練任務
• 14.1.3 模型微調
• 14.1.4 小結
• 14.2 CLIP
• 14.2.1 數據收集
• 14.2.2 學習目標：對比學習（Contrastive Learning）預訓練
• 14.2.3 圖像編碼器
• 14.2.4 文本編碼器
• 14.2.5 CLIP用于圖像識別
• 14.2.6 模型效果
• 14.2.7 小結
• 14.3 DALL-E
• 14.3.1 背景知識：變分自編碼器
• 14.3.2 階段一：離散變分自編碼器
• 14.3.3 階段二：先驗分布學習
• 14.3.4 圖像生成
• 14.3.5 混合精度訓練
• 14.3.6 分布式運算
• 14.3.7 小結
• 14.4 VLMo
• 14.4.1 算法動機
• 14.4.2 MoME Transformer
• 14.4.3 VLMo預訓練
• 14.4.4 小結
• 14.5 BEiT v3
• 14.5.1 背景：大融合
• 14.5.2 BEiT v3詳解
• 14.5.3 小結
• 附錄A 雙線性插值
• 附錄B 匈牙利算法
• 附錄C Shift-and-Stitch
• 附錄D 德勞內三角化
• 附錄E 圖像梯度
• 附錄F 仿射變換矩陣 更新時間：2024-09-05 16:47:30