资源信息 资源名称：AI精选资料包 资源类型：资料 资源标签：#资源 #AI #AI精选资料包 #quark 资源来源：夸克网盘吧Kuakeba.cn 资源简介 AI精选资料包，包括人工智能论文合集、Al必读经典书籍、超详细人工智能学习大纲、机器学习基础算法教程、深度学习神经网络基础教程、计算机视觉实战项目等等资源，
资源信息
资源名称：AI精选资料包
资源类型：资料
资源标签：#资源 #AI #AI精选资料包 #quark
资源来源：夸克网盘吧Kuakeba.cn
资源简介
AI精选资料包，包括人工智能论文合集、Al必读经典书籍、超详细人工智能学习大纲、机器学习基础算法教程、深度学习神经网络基础教程、计算机视觉实战项目等等资源，夸克网盘资源下载。
资源目录
AI资料包
└─ AI精选资料包
├─ 四：机器学习基础算法教程
│ ├─ 02.机器学习算法课件资料
│ │ ├─ 部分代码资料
│ │ │ ├─ 9-聚类算法实验分析
│ │ │ │ ├─ 聚类算法-实验.zip
│ │ │ │ └─ mldata
│ │ │ │ └─ mnist-original.mat
│ │ │ ├─ 8-Kmeans代码实现
│ │ │ │ └─ Kmeans-代码实现.zip
│ │ │ ├─ 7-聚类算法-Kmeans&Dbscan原理
│ │ │ │ └─ 4-聚类算法.pdf
│ │ │ ├─ 6-逻辑回归实验分析
│ │ │ │ └─ 逻辑回归-实验.zip
│ │ │ ├─ 5-逻辑回归代码实现
│ │ │ │ └─ 逻辑回归-代码实现.zip
│ │ │ ├─ 3-线性回归实验分析
│ │ │ │ └─ 线性回归-实验.zip
│ │ │ ├─ 3-模型评估方法
│ │ │ │ ├─ 模型评估方法.ipynb
│ │ │ │ └─ img
│ │ │ │ ├─ 1.png
│ │ │ │ ├─ 2.png
│ │ │ │ ├─ 3.png
│ │ │ │ ├─ 4.png
│ │ │ │ ├─ 5.png
│ │ │ │ ├─ 6.png
│ │ │ │ ├─ 7.png
│ │ │ │ ├─ 8.png
│ │ │ │ └─ 9.png
│ │ │ ├─ 2-线性回归代码实现
│ │ │ │ └─ 线性回归-代码实现.zip
│ │ │ ├─ 15-支持向量机原理推导
│ │ │ │ └─ 6-支持向量机.pdf
│ │ │ ├─ 14-集成算法实验分析
│ │ │ │ ├─ 随机森林与集成算法-实验.zip
│ │ │ │ └─ mldata
│ │ │ │ └─ mnist-original.mat
│ │ │ ├─ 13-集成算法原理
│ │ │ │ └─ 3-决策树与集成算法.pdf
│ │ │ ├─ 12-决策树实验分析
│ │ │ │ └─ 决策树算法-实验.zip
│ │ │ ├─ 11-决策树代码实现
│ │ │ │ └─ 决策树-代码实现.zip
│ │ │ ├─ 10-决策树原理
│ │ │ │ └─ 3-决策树与集成算法.pdf
│ │ │ └─ 1-线性回归原理推导
│ │ │ └─ 2-回归算法.pdf
│ │ └─ 机器学习算法PPT
│ │ ├─ 1-AI入学指南.pdf
│ │ ├─ 10-EM算法.pdf
│ │ ├─ 11-神经网络.pdf
│ │ ├─ 12-word2vec.pdf
│ │ ├─ 2-回归算法.pdf
│ │ ├─ 3-决策树与集成算法.pdf
│ │ ├─ 4-聚类算法.pdf
│ │ ├─ 5-贝叶斯算法.pdf
│ │ ├─ 6-支持向量机.pdf
│ │ ├─ 7-推荐系统.pdf
│ │ ├─ 8-xgboost.pdf
│ │ ├─ 9-LDA与PCA算法.pdf
│ │ ├─ 文本分析.pdf
│ │ └─ 时间序列分析.pdf
│ └─ 01.机器学习经典算法精讲视频课程
│ ├─ 课程简介
│ │ ├─ Python机器学习实训营.docx
│ │ └─ 项目截图
│ │ ├─ 1.png
│ │ ├─ QQ截图20190624141129.png
│ │ ├─ QQ截图20190624141231.png
│ │ ├─ QQ截图20190624141330.png
│ │ └─ QQ截图20190624141428.png
│ ├─ 第四章：线性回归实验分析
│ │ └─ 线性回归
│ │ ├─ 1-实验目标分析.mp4
│ │ ├─ 9-多项式回归
│ │ │ └─ 9-多项式回归.mp4
│ │ ├─ 8-不同策略效果对比
│ │ │ └─ 8-不同策略效果对比.mp4
│ │ ├─ 7-MiniBatch方法
│ │ │ └─ 7-MiniBatch方法.mp4
│ │ ├─ 6-随机梯度下降得到的效果
│ │ │ └─ 6-随机梯度下降得到的效果.mp4
│ │ ├─ 5-学习率对结果的影响
│ │ │ └─ 5-学习率对结果的影响.mp4
│ │ ├─ 4-梯度下降模块
│ │ │ └─ 4-梯度下降模块.mp4
│ │ ├─ 3-预处理对结果的影响
│ │ │ └─ 3-预处理对结果的影响.mp4
│ │ ├─ 2-参数直接求解方法
│ │ │ └─ 2-参数直接求解方法.mp4
│ │ ├─ 14-实验总结
│ │ │ └─ 14-实验总结.mp4
│ │ ├─ 13-岭回归与lasso
│ │ │ └─ 13-岭回归与lasso.mp4
│ │ ├─ 12-正则化的作用
│ │ │ └─ 12-正则化的作用.mp4
│ │ ├─ 11-样本数量对结果的影响
│ │ │ └─ 11-样本数量对结果的影响.mp4
│ │ └─ 10-模型复杂度
│ │ └─ 10-模型复杂度.mp4
│ ├─ 第十章：聚类算法实验分析
│ │ └─ 聚类
│ │ ├─ 9-应用实例-图像分割
│ │ │ ├─ 9-应用实例-图像分割.mp4
│ │ │ └─ 9-应用实例-图像分割_20190805_232021.mp4
│ │ ├─ 8-Kmenas算法存在的问题
│ │ │ ├─ 8-Kmenas算法存在的问题.mp4
│ │ │ └─ 8-Kmenas算法存在的问题_20190805_232023.mp4
│ │ ├─ 7-轮廓系数的作用
│ │ │ ├─ 7-轮廓系数的作用.mp4
│ │ │ └─ 7-轮廓系数的作用_20190805_232028.mp4
│ │ ├─ 6-如何找到合适的K值
│ │ │ ├─ 6-如何找到合适的K值.mp4
│ │ │ └─ 6-如何找到合适的K值_20190805_232026.mp4
│ │ ├─ 5-评估指标-Inertia
│ │ │ ├─ 5-评估指标-Inertia.mp4
│ │ │ └─ 5-评估指标-Inertia_20190805_232027.mp4
│ │ ├─ 4-不稳定结果
│ │ │ ├─ 4-不稳定结果.mp4
│ │ │ └─ 4-不稳定结果_20190805_232028.mp4
│ │ ├─ 3-建模流程解读
│ │ │ ├─ 3-建模流程解读.mp4
│ │ │ └─ 3-建模流程解读_20190805_232032.mp4
│ │ ├─ 2-聚类结果展示
│ │ │ ├─ 2-聚类结果展示.mp4
│ │ │ └─ 2-聚类结果展示_20190805_232030.mp4
│ │ ├─ 11-DBSCAN算法
│ │ │ ├─ 11-DBSCAN算法.mp4
│ │ │ └─ 11-DBSCAN算法_20190805_232033.mp4
│ │ ├─ 10-半监督学习
│ │ │ ├─ 10-半监督学习.mp4
│ │ │ └─ 10-半监督学习_20190805_232033.mp4
│ │ └─ 1-Kmenas算法常用操作
│ │ ├─ 1-Kmenas算法常用操作.mp4
│ │ └─ 1-Kmenas算法常用操作_20190805_232034.mp4
│ ├─ 第十二章：决策树代码实现
│ │ └─ 第五章：决策树
│ │ ├─ 7-测试算法效果
│ │ │ └─ 7-测试算法效果.mp4
│ │ ├─ 6-完成树模型构建
│ │ │ └─ 6-完成树模型构建.mp4
│ │ ├─ 5-数据集切分
│ │ │ └─ 5-数据集切分.mp4
│ │ ├─ 4-熵值计算
│ │ │ └─ 4-熵值计算.mp4
│ │ ├─ 3-整体框架逻辑
│ │ │ └─ 3-整体框架逻辑.mp4
│ │ ├─ 2-递归生成树节点
│ │ │ └─ 2-递归生成树节点.mp4
│ │ └─ 1-整体模块概述
│ │ └─ 1-整体模块概述.mp4
│ ├─ 第十三章：决策树实验分析
│ │ └─ 决策树
│ │ ├─ 4-回归树模型
│ │ │ └─ 4-回归树模型.mp4
│ │ ├─ 3-树模型预剪枝参数作用
│ │ │ └─ 3-树模型预剪枝参数作用.mp4
│ │ ├─ 2-决策边界展示分析
│ │ │ └─ 2-决策边界展示分析.mp4
│ │ └─ 1-树模型可视化展示
│ │ └─ 1-树模型可视化展示.mp4
│ ├─ 第十一章：决策树原理
│ │ ├─ 1-决策树算法概述.mp4
│ │ ├─ 2-熵的作用.mp4
│ │ ├─ 3-信息增益原理.mp4
│ │ ├─ 4-决策树构造实例.mp4
│ │ ├─ 5-信息增益率与gini系数.mp4
│ │ ├─ 6-预剪枝方法.mp4
│ │ ├─ 7-后剪枝方法.mp4
│ │ └─ 8-回归问题解决.mp4
│ ├─ 第六章：逻辑回归代码实现
│ │ └─ 第二章：逻辑回归
│ │ ├─ 9-训练多分类模型
│ │ │ └─ 9-训练多分类模型.mp4
│ │ ├─ 8-鸢尾花数据集多分类任务
│ │ │ └─ 8-鸢尾花数据集多分类任务.mp4
│ │ ├─ 7-得出最终结果
│ │ │ └─ 7-得出最终结果.mp4
│ │ ├─ 6-梯度计算
│ │ │ └─ 6-梯度计算.mp4
│ │ ├─ 5-迭代优化参数
│ │ │ └─ 5-迭代优化参数.mp4
│ │ ├─ 4-优化目标定义
│ │ │ └─ 4-优化目标定义.mp4
│ │ ├─ 3-完成预测模块
│ │ │ └─ 3-完成预测模块.mp4
│ │ ├─ 2-训练模块功能
│ │ │ └─ 2-训练模块功能.mp4
│ │ ├─ 12-非线性决策边界
│ │ │ └─ 12-非线性决策边界.mp4
│ │ ├─ 11-决策边界绘制
│ │ │ └─ 11-决策边界绘制.mp4
│ │ ├─ 10-准备测试数据
│ │ │ └─ 10-准备测试数据.mp4
│ │ └─ 1-多分类逻辑回归整体思路
│ │ └─ 1-多分类逻辑回归整体思路.mp4
│ ├─ 第八章：聚类算法-Kmeans&Dbscan原理
│ │ ├─ 1-KMEANS算法概述.mp4
│ │ ├─ 2-KMEANS工作流程.mp4
│ │ ├─ 3-KMEANS迭代可视化展示.mp4
│ │ ├─ 4-DBSCAN聚类算法.mp4
│ │ ├─ 5-DBSCAN工作流程.mp4
│ │ └─ 6-DBSCAN可视化展示.mp4
│ ├─ 第五章：逻辑回归原理推导
│ │ ├─ 1-逻辑回归算法原理.mp4
│ │ └─ 2-化简与求解.mp4
│ ├─ 第二章：线性回归代码实现
│ │ └─ 第一章：线性回归
│ │ ├─ 1-线性回归整体模块概述.mp4
│ │ ├─ 2-初始化步骤.mp4
│ │ ├─ 3-实现梯度下降优化模块.mp4
│ │ ├─ 7-得到线性回归方程.mp4
│ │ ├─ 9-多特征回归模型
│ │ │ └─ 9-多特征回归模型.mp4
│ │ ├─ 8-整体流程debug解读
│ │ │ └─ 8-整体流程debug解读.mp4
│ │ ├─ 6-训练线性回归模型
│ │ │ └─ 6-训练线性回归模型.mp4
│ │ ├─ 5-数据与标签定义
│ │ │ └─ 5-数据与标签定义.mp4
│ │ ├─ 4-损失与预测模块
│ │ │ └─ 4-损失与预测模块.mp4
│ │ └─ 10-非线性回归
│ │ └─ 10-非线性回归.mp4
│ ├─ 第九章：Kmeans代码实现
│ │ └─ 第三章：聚类-Kmeans
│ │ ├─ 6-聚类效果展示
│ │ │ └─ 6-聚类效果展示.mp4
│ │ ├─ 5-鸢尾花数据集聚类任务
│ │ │ └─ 5-鸢尾花数据集聚类任务.mp4
│ │ ├─ 4-算法迭代更新
│ │ │ └─ 4-算法迭代更新.mp4
│ │ ├─ 3-样本点归属划分
│ │ │ └─ 3-样本点归属划分.mp4
│ │ ├─ 2-计算得到簇中心点
│ │ │ └─ 2-计算得到簇中心点.mp4
│ │ └─ 1-Kmeans算法模块概述
│ │ └─ Kmeans算法模块概述.mp4
│ ├─ 第三章：模型评估方法
│ │ └─ 分类模型评估
│ │ ├─ 8-ROC曲线
│ │ │ └─ 8-ROC曲线.mp4
│ │ ├─ 7-阈值对结果的影响
│ │ │ └─ 7-阈值对结果的影响.mp4
│ │ ├─ 6-评估指标对比分析
│ │ │ └─ 6-评估指标对比分析.mp4
│ │ ├─ 5-混淆矩阵
│ │ │ └─ 5-混淆矩阵.mp4
│ │ ├─ 4-交叉验证实验分析
│ │ │ └─ 4-交叉验证实验分析.mp4
│ │ ├─ 3-交叉验证的作用
│ │ │ └─ 3-交叉验证的作用.mp4
│ │ ├─ 2-数据集切分
│ │ │ └─ 2-数据集切分.mp4
│ │ └─ 1-Sklearn工具包简介
│ │ └─ 1-Sklearn工具包简介.mp4
│ ├─ 第七章：逻辑回归实验分析
│ │ ├─ 1-逻辑回归实验概述.mp4
│ │ ├─ 2-概率结果随特征数值的变化.mp4
│ │ ├─ 3-可视化展示.mp4
│ │ ├─ 4-坐标棋盘制作.mp4
│ │ ├─ 5-分类决策边界展示分析.mp4
│ │ └─ 6-多分类-softmax.mp4
│ └─ 第一章：线性回归原理推导
│ ├─ 0-课程简介.mp4
│ ├─ 1-回归问题概述.mp4
│ ├─ 2-误差项定义.mp4
│ ├─ 3-独立同分布的意义.mp4
│ ├─ 4-似然函数的作用.mp4
│ ├─ 5-参数求解.mp4
│ ├─ 6-梯度下降通俗解释.mp4
│ ├─ 7参数更新方法.mp4
│ └─ 8-优化参数设置.mp4
├─ 六：计算机视觉实战项目
│ ├─ 08.Unet图像分割课程资料
│ │ ├─ unet++.zip
│ │ └─ 深度学习分割任务.pdf
│ ├─ 07.MASK-RCNN课程资料
│ │ ├─ 第三章：基于MASK-RCNN框架训练自己的数据与任务.zip
│ │ ├─ 第二章：MaskRcnn网络框架源码详解.zip
│ │ ├─ 第五章：迁移学习.zip
│ │ ├─ 第四章：练手小项目-人体姿态识别demo.zip
│ │ └─ 第六章：物体检测-faster-rcnn
│ │ ├─ Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks.pdf
│ │ ├─ FasterRcnn.zip
│ │ ├─ faster-rcnn.pptx
│ │ └─ iccv15_tutorial_training_rbg.pdf
│ ├─ 06.YOLOV5目标检测课程资料
│ │ ├─ NEU-DET.zip
│ │ ├─ PyTorch-YOLOv3.zip
│ │ ├─ YOLO.pdf
│ │ └─ YOLO5.zip
│ ├─ 05.OpenCV图像处理课程资料
│ │ ├─ 第11-12章notebook课件.zip
│ │ ├─ 第16-17章notebook课件.zip
│ │ ├─ 第2-7章notebook课件.zip
│ │ ├─ 第九章：项目实战-信用卡数字识别.zip
│ │ ├─ 第二十一章：项目实战-疲劳检测.zip
│ │ ├─ 第二十章：人脸关键点定位.zip
│ │ ├─ 第八章notebook课件.zip
│ │ ├─ 第十三章：案例实战-全景图像拼接.zip
│ │ ├─ 第十九章：项目实战-目标追踪.zip
│ │ ├─ 第十五章：项目实战-答题卡识别判卷.zip
│ │ ├─ 第十八章：Opencv的DNN模块.zip
│ │ ├─ 第十四章：项目实战-停车场车位识别.zip
│ │ └─ 第十章：项目实战-文档扫描OCR识别.zip
│ ├─ 04.Unet图像分割实战视频课程
│ │ ├─ 1.mp4
│ │ ├─ 2.mp4
│ │ ├─ 3.mp4
│ │ ├─ 4.mp4
│ │ └─ 5.mp4
│ ├─ 03.MASK-RCNN目标检测实战视频课程
│ │ ├─ 第四章：练手小项目-人体姿态识别demo
│ │ │ ├─ 3-流程与结果演示
│ │ │ │ └─ 3-流程与结果演示.mp4
│ │ │ ├─ 2-网络架构概述
│ │ │ │ └─ 2-网络架构概述.mp4
│ │ │ └─ 1-COCO数据集与人体姿态识别简介
│ │ │ └─ 1-COCO数据集与人体姿态识别简介.mp4
│ │ ├─ 第六章：必备基础-物体检测FasterRcnn系列
│ │ │ ├─ 7-论文解读-4-网络细节
│ │ │ │ └─ 论文解读-4-网络细节.mp4
│ │ │ ├─ 6-论文解读-3-损失函数定义
│ │ │ │ └─ 论文解读-3-损失函数定义.mp4
│ │ │ ├─ 5-论文解读-2-RPN网络结构
│ │ │ │ └─ 论文解读-2-RPN网络结构.mp4
│ │ │ ├─ 4-论文解读-1-论文整体概述
│ │ │ │ └─ 论文解读-1.mp4
│ │ │ ├─ 3-三代算法-3-faster-rcnn概述
│ │ │ │ └─ 三代算法-3-faster-rcnn概述.mp4
│ │ │ ├─ 2-三代算法-2-深度学习经典检测方法
│ │ │ │ └─ 三代算法-2-深度学习经典检测方法.mp4
│ │ │ └─ 1-三代算法-1-物体检测概述
│ │ │ └─ 三代算法-1-物体检测概述.mp4
│ │ ├─ 第二章：MaskRcnn网络框架源码详解
│ │ │ ├─ 9-正负样本选择与标签定义
│ │ │ │ └─ 9-正负样本选择与标签定义.mp4
│ │ │ ├─ 8-DetectionTarget层的作用
│ │ │ │ └─ 8-DetectionTarget层的作用.mp4
│ │ │ ├─ 7-Proposal层实现方法
│ │ │ │ └─ 7-Proposal层实现方法.mp4
│ │ │ ├─ 6-候选框过滤方法
│ │ │ │ └─ 6-候选框过滤方法.mp4
│ │ │ ├─ 5-RPN层的作用与实现解读
│ │ │ │ └─ 5-RPN层的作用与实现解读.mp4
│ │ │ ├─ 4-基于不同尺度特征图生成所有框
│ │ │ │ └─ 4-基于不同尺度特征图生成所有框.mp4
│ │ │ ├─ 3-生成框比例设置
│ │ │ │ └─ 3-生成框比例设置.mp4
│ │ │ ├─ 2-FPN网络架构实现解读
│ │ │ │ └─ 2-FPN网络架构实现解读.mp4
│ │ │ ├─ 12-整体框架回顾
│ │ │ │ └─ 12-整体框架回顾.mp4
│ │ │ ├─ 11-RorAlign操作的效果
│ │ │ │ └─ 11-RorAlign操作的效果.mp4
│ │ │ ├─ 10-RoiPooling层的作用与目的
│ │ │ │ └─ 10-RoiPooling层的作用与目的.mp4
│ │ │ └─ 1-FPN层特征提取原理解读
│ │ │ └─ 1-FPN层特征提取原理解读.mp4
│ │ ├─ 第三章：基于MASK-RCNN框架训练自己的数据与任务
│ │ │ ├─ 6-测试与展示模块
│ │ │ │ └─ 6-测试与展示模块.mp4
│ │ │ ├─ 5-基于标注数据训练所需任务
│ │ │ │ └─ 5-基于标注数据训练所需任务.mp4
│ │ │ ├─ 4-maskrcnn源码修改方法
│ │ │ │ └─ 4-maskrcnn源码修改方法.mp4
│ │ │ ├─ 3-完成训练数据准备工作
│ │ │ │ └─ 3-完成训练数据准备工作.mp4
│ │ │ ├─ 2-使用labelme进行数据与标签标注
│ │ │ │ └─ 2-使用labelme进行数据与标签标注.mp4
│ │ │ └─ 1-Labelme工具安装
│ │ │ └─ 1-Labelme工具安装.mp4
│ │ └─ 第一章：物体检测框架-MaskRcnn项目介绍与配置
│ │ ├─ 第五章：必备基础-迁移学习与Resnet网络架构
│ │ │ ├─ 8-迁移学习效果对比
│ │ │ │ └─ 8-迁移学习效果对比.mp4
│ │ │ ├─ 7-加载训练好的权重
│ │ │ │ └─ 7-加载训练好的权重.mp4
│ │ │ ├─ 6-shortcut模块
│ │ │ │ └─ 6-shortcut模块.mp4
│ │ │ ├─ 5-Resnet基本处理操作
│ │ │ │ └─ 5-Resnet基本处理操作.mp4
│ │ │ ├─ 4-Resnet网络细节
│ │ │ │ └─ 4-Resnet网络细节.mp4
│ │ │ ├─ 3-Resnet原理
│ │ │ │ └─ 3-Resnet原理.mp4
│ │ │ ├─ 2-迁移学习策略
│ │ │ │ └─ 2-迁移学习策略.mp4
│ │ │ └─ 1-迁移学习的目标
│ │ │ └─ 1-迁移学习的目标.mp4
│ │ ├─ 3-参数配置
│ │ │ └─ 0-参数配置.mp4
│ │ ├─ 2-开源项目数据集
│ │ │ └─ 0-开源项目数据集.mp4
│ │ ├─ 1-Mask-Rcnn开源项目简介
│ │ │ └─ 0-Mask-Rcnn开源项目简介.mp4
│ │ └─ 0-课程简介
│ │ └─ 0-课程简介.mp4
│ ├─ 02.YOLOV5目标检测视频课程
│ │ ├─ 1.任务需求与项目概述.mp4
│ │ ├─ 2-数据与标签配置方法.mp4
│ │ ├─ 3-标签转格式脚本制作.mp4
│ │ ├─ 4-各版本模型介绍.mp4
│ │ ├─ 5-项目参数配置.mp4
│ │ ├─ 6-缺陷检测模型培训.mp4
│ │ └─ 7-输出结果与项目总结.mp4
│ └─ 01.OpenCV图像处理实战视频课程
│ ├─ 项目实战四：停车场车位识别
│ │ ├─ 8-基于视频的车位检测
│ │ │ └─ 8-基于视频的车位检测.mp4
│ │ ├─ 7-识别模型构建
│ │ │ └─ 7-识别模型构建.mp4
│ │ ├─ 6-车位区域划分
│ │ │ └─ 6-车位区域划分.mp4
│ │ ├─ 5-按列划分区域
│ │ │ └─ 5-按列划分区域.mp4
│ │ ├─ 4-车位直线检测
│ │ │ └─ 4-车位直线检测.mp4
│ │ ├─ 3-图像数据预处理
│ │ │ └─ 3-图像数据预处理.mp4
│ │ ├─ 2-所需数据介绍
│ │ │ └─ 2-所需数据介绍.mp4
│ │ └─ 1-任务整体流程
│ │ └─ 1-任务整体流程.mp4
│ ├─ 项目实战五：答题卡识别判卷
│ │ ├─ 4-选项判断识别
│ │ │ └─ 4-选项判断识别.mp4
│ │ ├─ 3-填涂轮廓检测
│ │ │ └─ 3-填涂轮廓检测.mp4
│ │ ├─ 2-预处理操作
│ │ │ └─ 2-预处理操作.mp4
│ │ └─ 1-整体流程与效果概述
│ │ └─ 1-整体流程与效果概述.mp4
│ ├─ 项目实战二：文档扫描OCR识别
│ │ ├─ 6-文档扫描识别效果
│ │ │ └─ 6-文档扫描识别效果.mp4
│ │ ├─ 5-tesseract-ocr安装配置
│ │ │ └─ 5-tesseract-ocr安装配置.mp4
│ │ ├─ 4-透视变换结果
│ │ │ └─ 4-透视变换结果.mp4
│ │ ├─ 3-原始与变换坐标计算
│ │ │ └─ 3-原始与变换坐标计算.mp4
│ │ ├─ 2-文档轮廓提取
│ │ │ └─ 2-文档轮廓提取.mp4
│ │ └─ 1-整体流程演示
│ │ └─ 1-整体流程演示.mp4
│ ├─ 项目实战三：全景图像拼接
│ │ ├─ 4-流程解读
│ │ │ └─ 4-流程解读.mp4
│ │ ├─ 2-图像拼接方法
│ │ │ └─ 2-图像拼接方法.mp4
│ │ ├─ 2-RANSAC算法
│ │ │ └─ 2-RANSAC算法.mp4
│ │ └─ 1-特征匹配方法
│ │ └─ 1-特征匹配方法.mp4
│ └─ 项目实战一：信用卡数字识别
│ ├─ 5-模板匹配得出识别结果
│ │ └─ 5-模板匹配得出识别结果.mp4
│ ├─ 4-输入数据处理方法
│ │ └─ 4-输入数据处理方法.mp4
│ ├─ 3-模板处理方法
│ │ └─ 3-模板处理方法.mp4
│ ├─ 2-环境配置与预处理
│ │ └─ 2-环境配置与预处理.mp4
│ └─ 1-总体流程与方法讲解
│ └─ 总体流程与方法讲解.mp4
├─ 五：深度学习神经网络基础教程
│ ├─ 神经网络模型基础课件资料
│ │ ├─ Deep-Learning-with-PyTorch-Tutorials.zip
│ │ └─ CNN+RNN+GAN
│ │ ├─ 源代码和PPT在Github下载.txt
│ │ ├─ 课程安装软件-Win10
│ │ │ ├─ Anaconda3-2019.03-Windows-x86_64.exe
│ │ │ ├─ cuda_10.0.130_411.31_win10.exe
│ │ │ ├─ cudnn-10.0-windows10-x64-v7.5.0.56 (1).zip
│ │ │ └─ pycharm-community-2019.1.1.exe
│ │ └─ 课程安装软件-Ubuntu 18.04
│ │ ├─ Anaconda3-2019.03-Linux-x86_64.sh
│ │ ├─ cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb
│ │ └─ cudnn-10.0-linux-x64-v7.5.0.56.tgz
│ ├─ RNN循环神经网络基础
│ │ ├─ 1. 课时1 时间序列介绍.mp4
│ │ ├─ 10. 课时10 RNN训练难题—梯度弥散与梯度爆炸.mp4
│ │ ├─ 11. 课时11 项目实战-情感分类问题.mp4
│ │ ├─ 2. 课时2 循环神经网络基本原理-1.mp4
│ │ ├─ 3. 课时3 循环神经网络基本原理-2.mp4
│ │ ├─ 4. 课时4 循环神经网络中Layer使用-1.mp4
│ │ ├─ 5. 课时5 循环神经网络中Layer的使用-2.mp4
│ │ ├─ 6. 课时6 项目实战-时间序列预测问题.mp4
│ │ ├─ 7. 课时7 LSTM基本原理-1.mp4
│ │ ├─ 8. 课时8 LSTM基本原理-2.mp4
│ │ └─ 9. 课时9 LSTM中Layer的使用.mp4
│ ├─ GAN对抗生成网络基础
│ │ ├─ 1 数据的分布.flv
│ │ ├─ 10 GAN实战-2.flv
│ │ ├─ 11 WGAN实战-1.flv
│ │ ├─ 12 WGAN实战-2.flv
│ │ ├─ 2 画家的成长历程.flv
│ │ ├─ 3 生成对抗网络.flv
│ │ ├─ 4 纳什均衡-1.flv
│ │ ├─ 5 纳什均衡-2.flv
│ │ ├─ 6 GAN训练难题.flv
│ │ ├─ 7 EM距离.flv
│ │ ├─ 8 WGAN-GP原理.flv
│ │ └─ 9 GAN实战-1.flv
│ └─ CNN卷积神经网络基础
│ ├─ 1-卷积运算详解-1.mp4
│ ├─ 10-CIFAR100与VGG13实战-1.mp4
│ ├─ 11-CIFAR100与VGG13实战-2.mp4
│ ├─ 12-CIFAR100与VGG13实战-3.mp4
│ ├─ 13-CIFAR100与VGG13实战-4.mp4
│ ├─ 14-经典卷积神经网络详解-1.mp4
│ ├─ 15-经典卷积神经网络详解-2.mp4
│ ├─ 17-BatchNorm-2.mp4
│ ├─ 18-ResNet, DenseNet详解.mp4
│ ├─ 19-ResNet, DenseNet详解.mp4
│ ├─ 2-卷积运算详解-2.mp4
│ ├─ 20-ResNet实战-1.mp4
│ ├─ 21-ResNet实战-2.mp4
│ ├─ 22-ResNet实战-3.mp4
│ ├─ 23-ResNet实战-4.mp4
│ ├─ 3-卷积运算详解-3.mp4
│ ├─ 4-卷积运算详解-4.mp4
│ ├─ 5-卷积神经网络图解-1.mp4
│ ├─ 6-卷积神经网络图解-2.mp4
│ ├─ 7-卷积神经网络图解-3.mp4
│ ├─ 8-卷积神经网络图解-4.mp4
│ └─ 9-池化与采样操作讲解.mp4
├─ 二：AI必读经典书籍
│ ├─ 02.AI必读经典书籍
│ │ ├─ OpenCV书籍.rar
│ │ ├─ 04.计算机视觉相关书籍
│ │ │ └─ 超详细的计算机视觉书籍.zip
│ │ ├─ 03.深度学习相关书籍
│ │ │ ├─ Tensorflow技术解析与实战.pdf
│ │ │ ├─ 《TensorFlow 2.0深度学习算法实战教材》-中文版教材分享.pdf
│ │ │ ├─ 《神经网络与深度学习》(邱锡鹏-20191121).pdf
│ │ │ ├─ 深度学习(花园书).pdf
│ │ │ ├─ 深度学习技术图像处理入门 by 杨培文，胡博强 (z-lib.org).pdf
│ │ │ ├─ 《深度学习之PyTorch物体检测实战》PDF+源代码
│ │ │ │ ├─ 深度学习之PyTorch物体检测实战.epub
│ │ │ │ ├─ 深度学习之PyTorch物体检测实战.mobi
│ │ │ │ ├─ 深度学习之PyTorch物体检测实战.pdf
│ │ │ │ ├─ 深度学习之PyTorch物体检测实战论文导引.docx
│ │ │ │ └─ 源代码
│ │ │ │ ├─ GitHub地址.txt
│ │ │ │ └─ Detection-PyTorch-Notebook
│ │ │ │ ├─ README.md
│ │ │ │ ├─ chapter8
│ │ │ │ │ ├─ nms.py
│ │ │ │ │ └─ retinanet.py
│ │ │ │ ├─ chapter7
│ │ │ │ │ ├─ mobilenet_v1.py
│ │ │ │ │ ├─ mobilenet_v2.py
│ │ │ │ │ ├─ mobilenet_v2_block.py
│ │ │ │ │ ├─ shufflenet_v1.py
│ │ │ │ │ └─ squeezenet_fire.py
│ │ │ │ ├─ chapter6
│ │ │ │ │ └─ yolov2-pytorch
│ │ │ │ │ ├─ README.md
│ │ │ │ │ ├─ darknet.py
│ │ │ │ │ ├─ demo.py
│ │ │ │ │ ├─ make.sh
│ │ │ │ │ ├─ requirements.txt
│ │ │ │ │ ├─ test.py
│ │ │ │ │ ├─ train.py
│ │ │ │ │ ├─ utils
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ bbox.c
│ │ │ │ │ │ ├─ bbox.pyx
│ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ ├─ im_transform.py
│ │ │ │ │ │ ├─ network.py
│ │ │ │ │ │ ├─ nms_wrapper.py
│ │ │ │ │ │ ├─ timer.py
│ │ │ │ │ │ ├─ yolo.c
│ │ │ │ │ │ ├─ yolo.py
│ │ │ │ │ │ ├─ yolo.pyx
│ │ │ │ │ │ ├─ pycocotools
│ │ │ │ │ │ │ ├─ UPSTREAM_REV
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ _mask.c
│ │ │ │ │ │ │ ├─ _mask.pyx
│ │ │ │ │ │ │ ├─ coco.py
│ │ │ │ │ │ │ ├─ cocoeval.py
│ │ │ │ │ │ │ ├─ license.txt
│ │ │ │ │ │ │ ├─ mask.py
│ │ │ │ │ │ │ ├─ maskApi.c
│ │ │ │ │ │ │ └─ maskApi.h
│ │ │ │ │ │ └─ nms
│ │ │ │ │ │ ├─ .gitignore
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ cpu_nms.pyx
│ │ │ │ │ │ ├─ gpu_nms.hpp
│ │ │ │ │ │ ├─ gpu_nms.pyx
│ │ │ │ │ │ ├─ nms_kernel.cu
│ │ │ │ │ │ └─ py_cpu_nms.py
│ │ │ │ │ ├─ layers
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ roi_pooling
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ │ ├─ roi_pool.py
│ │ │ │ │ │ │ ├─ roi_pool_py.py
│ │ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ │ ├─ roi_pooling.c
│ │ │ │ │ │ │ │ ├─ roi_pooling.h
│ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.c
│ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.h
│ │ │ │ │ │ │ │ └─ cuda
│ │ │ │ │ │ │ │ ├─ roi_pooling_kernel.cu
│ │ │ │ │ │ │ │ └─ roi_pooling_kernel.h
│ │ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ └─ roi_pooling
│ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ └─ reorg
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ ├─ reorg_layer.py
│ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ ├─ reorg_cpu.c
│ │ │ │ │ │ │ ├─ reorg_cpu.h
│ │ │ │ │ │ │ ├─ reorg_cuda.c
│ │ │ │ │ │ │ ├─ reorg_cuda.h
│ │ │ │ │ │ │ ├─ reorg_cuda_kernel.cu
│ │ │ │ │ │ │ └─ reorg_cuda_kernel.h
│ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ └─ reorg_layer
│ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ ├─ demo
│ │ │ │ │ │ ├─ 2007_000039.jpg
│ │ │ │ │ │ ├─ dog.jpg
│ │ │ │ │ │ ├─ eagle.jpg
│ │ │ │ │ │ ├─ giraffe.jpg
│ │ │ │ │ │ ├─ horses.jpg
│ │ │ │ │ │ ├─ person.jpg
│ │ │ │ │ │ ├─ ragged-edge-london-office-6.jpg
│ │ │ │ │ │ ├─ scream.jpg
│ │ │ │ │ │ └─ out
│ │ │ │ │ │ ├─ 2007_000039.jpg
│ │ │ │ │ │ ├─ dog.jpg
│ │ │ │ │ │ ├─ eagle.jpg
│ │ │ │ │ │ ├─ giraffe.jpg
│ │ │ │ │ │ ├─ horses.jpg
│ │ │ │ │ │ ├─ person.jpg
│ │ │ │ │ │ ├─ ragged-edge-london-office-6.jpg
│ │ │ │ │ │ └─ scream.jpg
│ │ │ │ │ ├─ datasets
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ imdb.py
│ │ │ │ │ │ ├─ pascal_voc.py
│ │ │ │ │ │ └─ voc_eval.py
│ │ │ │ │ └─ cfgs
│ │ │ │ │ ├─ __init__.py
│ │ │ │ │ ├─ config.py
│ │ │ │ │ ├─ config_voc.py
│ │ │ │ │ └─ exps
│ │ │ │ │ ├─ __init__.py
│ │ │ │ │ ├─ darknet19_exp1.py
│ │ │ │ │ └─ darknet19_exp2.py
│ │ │ │ ├─ chapter5
│ │ │ │ │ ├─ ssd-pytorch
│ │ │ │ │ │ ├─ .gitattributes
│ │ │ │ │ │ ├─ .gitignore
│ │ │ │ │ │ ├─ LICENSE
│ │ │ │ │ │ ├─ README.md
│ │ │ │ │ │ ├─ eval.py
│ │ │ │ │ │ ├─ ssd.py
│ │ │ │ │ │ ├─ test.py
│ │ │ │ │ │ ├─ train.py
│ │ │ │ │ │ ├─ weights
│ │ │ │ │ │ │ └─ vgg16_reducedfc.pth
│ │ │ │ │ │ ├─ utils
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ augmentations.py
│ │ │ │ │ │ │ └─ __pycache__
│ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc
│ │ │ │ │ │ │ └─ augmentations.cpython-35.pyc
│ │ │ │ │ │ ├─ layers
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ box_utils.py
│ │ │ │ │ │ │ ├─ modules
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ l2norm.py
│ │ │ │ │ │ │ │ ├─ multibox_loss.py
│ │ │ │ │ │ │ │ └─ __pycache__
│ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc
│ │ │ │ │ │ │ │ ├─ l2norm.cpython-35.pyc
│ │ │ │ │ │ │ │ └─ multibox_loss.cpython-35.pyc
│ │ │ │ │ │ │ ├─ functions
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ detection.py
│ │ │ │ │ │ │ │ ├─ prior_box.py
│ │ │ │ │ │ │ │ └─ __pycache__
│ │ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc
│ │ │ │ │ │ │ │ ├─ detection.cpython-35.pyc
│ │ │ │ │ │ │ │ └─ prior_box.cpython-35.pyc
│ │ │ │ │ │ │ └─ __pycache__
│ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc
│ │ │ │ │ │ │ └─ box_utils.cpython-35.pyc
│ │ │ │ │ │ ├─ doc
│ │ │ │ │ │ │ ├─ SSD.jpg
│ │ │ │ │ │ │ ├─ detection_example.png
│ │ │ │ │ │ │ ├─ detection_example2.png
│ │ │ │ │ │ │ ├─ detection_examples.png
│ │ │ │ │ │ │ └─ ssd.png
│ │ │ │ │ │ ├─ demo
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ demo.ipynb
│ │ │ │ │ │ │ └─ live.py
│ │ │ │ │ │ ├─ data
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ config.py
│ │ │ │ │ │ │ ├─ example.jpg
│ │ │ │ │ │ │ ├─ voc0712.py
│ │ │ │ │ │ │ ├─ scripts
│ │ │ │ │ │ │ │ ├─ COCO2014.sh
│ │ │ │ │ │ │ │ ├─ VOC2007.sh
│ │ │ │ │ │ │ │ └─ VOC2012.sh
│ │ │ │ │ │ │ └─ __pycache__
│ │ │ │ │ │ │ ├─ __init__.cpython-35.pyc
│ │ │ │ │ │ │ ├─ coco.cpython-35.pyc
│ │ │ │ │ │ │ ├─ config.cpython-35.pyc
│ │ │ │ │ │ │ └─ voc0712.cpython-35.pyc
│ │ │ │ │ │ ├─ __pycache__
│ │ │ │ │ │ │ └─ ssd.cpython-35.pyc
│ │ │ │ │ │ └─ .idea
│ │ │ │ │ │ ├─ encodings.xml
│ │ │ │ │ │ ├─ misc.xml
│ │ │ │ │ │ ├─ modules.xml
│ │ │ │ │ │ ├─ ssd.pytorch-master.iml
│ │ │ │ │ │ ├─ vcs.xml
│ │ │ │ │ │ └─ workspace.xml
│ │ │ │ │ └─ dssd-pytorch
│ │ │ │ │ ├─ arm.py
│ │ │ │ │ └─ tcb.py
│ │ │ │ ├─ chapter4
│ │ │ │ │ └─ faster-rcnn-pytorch
│ │ │ │ │ ├─ .gitignore
│ │ │ │ │ ├─ LICENSE
│ │ │ │ │ ├─ README.md
│ │ │ │ │ ├─ _init_paths.py
│ │ │ │ │ ├─ demo.py
│ │ │ │ │ ├─ requirements.txt
│ │ │ │ │ ├─ test_net.py
│ │ │ │ │ ├─ trainval_net.py
│ │ │ │ │ ├─ logs
│ │ │ │ │ │ └─ vgg_voc
│ │ │ │ │ │ ├─ events.out.tfevents.1541645707.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1541645748.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1541645839.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1541646048.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542006392.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542007135.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542007423.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542007525.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542007598.aizz
│ │ │ │ │ │ ├─ events.out.tfevents.1542007867.aizz
│ │ │ │ │ │ └─ events.out.tfevents.1542983031.aizz
│ │ │ │ │ ├─ lib
│ │ │ │ │ │ ├─ make.sh
│ │ │ │ │ │ ├─ setup.py
│ │ │ │ │ │ ├─ roi_data_layer
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ minibatch.py
│ │ │ │ │ │ │ ├─ roibatchLoader.py
│ │ │ │ │ │ │ └─ roidb.py
│ │ │ │ │ │ ├─ pycocotools
│ │ │ │ │ │ │ ├─ UPSTREAM_REV
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ _mask.pyx
│ │ │ │ │ │ │ ├─ coco.py
│ │ │ │ │ │ │ ├─ cocoeval.py
│ │ │ │ │ │ │ ├─ license.txt
│ │ │ │ │ │ │ ├─ mask.py
│ │ │ │ │ │ │ ├─ maskApi.c
│ │ │ │ │ │ │ └─ maskApi.h
│ │ │ │ │ │ ├─ model
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ utils
│ │ │ │ │ │ │ │ ├─ .gitignore
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ bbox.pyx
│ │ │ │ │ │ │ │ ├─ blob.py
│ │ │ │ │ │ │ │ ├─ config.py
│ │ │ │ │ │ │ │ ├─ logger.py
│ │ │ │ │ │ │ │ └─ net_utils.py
│ │ │ │ │ │ │ ├─ rpn
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ anchor_target_layer.py
│ │ │ │ │ │ │ │ ├─ bbox_transform.py
│ │ │ │ │ │ │ │ ├─ generate_anchors.py
│ │ │ │ │ │ │ │ ├─ proposal_layer.py
│ │ │ │ │ │ │ │ ├─ proposal_target_layer_cascade.py
│ │ │ │ │ │ │ │ └─ rpn.py
│ │ │ │ │ │ │ ├─ roi_pooling
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ │ │ ├─ roi_pooling.c
│ │ │ │ │ │ │ │ │ ├─ roi_pooling.h
│ │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.c
│ │ │ │ │ │ │ │ │ ├─ roi_pooling_cuda.h
│ │ │ │ │ │ │ │ │ ├─ roi_pooling_kernel.cu
│ │ │ │ │ │ │ │ │ └─ roi_pooling_kernel.h
│ │ │ │ │ │ │ │ ├─ modules
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ └─ roi_pool.py
│ │ │ │ │ │ │ │ ├─ functions
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ └─ roi_pool.py
│ │ │ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ └─ roi_pooling
│ │ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ │ ├─ roi_crop
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ │ │ ├─ make.sh
│ │ │ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ │ │ ├─ roi_crop.c
│ │ │ │ │ │ │ │ │ ├─ roi_crop.h
│ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda.c
│ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda.h
│ │ │ │ │ │ │ │ │ ├─ roi_crop_cuda_kernel.cu
│ │ │ │ │ │ │ │ │ └─ roi_crop_cuda_kernel.h
│ │ │ │ │ │ │ │ ├─ modules
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ ├─ gridgen.py
│ │ │ │ │ │ │ │ │ └─ roi_crop.py
│ │ │ │ │ │ │ │ ├─ functions
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ ├─ crop_resize.py
│ │ │ │ │ │ │ │ │ ├─ gridgen.py
│ │ │ │ │ │ │ │ │ └─ roi_crop.py
│ │ │ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ roi_crop
│ │ │ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ │ │ └─ crop_resize
│ │ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ │ ├─ roi_align
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ │ │ ├─ make.sh
│ │ │ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ │ │ ├─ roi_align.c
│ │ │ │ │ │ │ │ │ ├─ roi_align.h
│ │ │ │ │ │ │ │ │ ├─ roi_align_cuda.c
│ │ │ │ │ │ │ │ │ ├─ roi_align_cuda.h
│ │ │ │ │ │ │ │ │ ├─ roi_align_kernel.cu
│ │ │ │ │ │ │ │ │ └─ roi_align_kernel.h
│ │ │ │ │ │ │ │ ├─ modules
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ └─ roi_align.py
│ │ │ │ │ │ │ │ ├─ functions
│ │ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ │ └─ roi_align.py
│ │ │ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ └─ roi_align
│ │ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ │ ├─ nms
│ │ │ │ │ │ │ │ ├─ .gitignore
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ ├─ build.py
│ │ │ │ │ │ │ │ ├─ make.sh
│ │ │ │ │ │ │ │ ├─ nms_cpu.py
│ │ │ │ │ │ │ │ ├─ nms_gpu.py
│ │ │ │ │ │ │ │ ├─ nms_kernel.cu
│ │ │ │ │ │ │ │ ├─ nms_wrapper.py
│ │ │ │ │ │ │ │ ├─ src
│ │ │ │ │ │ │ │ │ ├─ nms_cuda.h
│ │ │ │ │ │ │ │ │ ├─ nms_cuda_kernel.cu
│ │ │ │ │ │ │ │ │ └─ nms_cuda_kernel.h
│ │ │ │ │ │ │ │ └─ _ext
│ │ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ │ └─ nms
│ │ │ │ │ │ │ │ └─ __init__.py
│ │ │ │ │ │ │ └─ faster_rcnn
│ │ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ │ ├─ faster_rcnn.py
│ │ │ │ │ │ │ ├─ resnet.py
│ │ │ │ │ │ │ └─ vgg16.py
│ │ │ │ │ │ └─ datasets
│ │ │ │ │ │ ├─ __init__.py
│ │ │ │ │ │ ├─ coco.py
│ │ │ │ │ │ ├─ ds_utils.py
│ │ │ │ │ │ ├─ factory.py
│ │ │ │ │ │ ├─ imagenet.py
│ │ │ │ │ │ ├─ imdb.py
│ │ │ │ │ │ ├─ pascal_voc.py
│ │ │ │ │ │ ├─ pascal_voc_rbg.py
│ │ │ │ │ │ ├─ vg.py
│ │ │ │ │ │ ├─ vg_eval.py
│ │ │ │ │ │ ├─ voc_eval.py
│ │ │ │ │ │ ├─ tools
│ │ │ │ │ │ │ └─ mcg_munge.py
│ │ │ │ │ │ └─ VOCdevkit-matlab-wrapper
│ │ │ │ │ │ ├─ get_voc_opts.m
│ │ │ │ │ │ ├─ voc_eval.m
│ │ │ │ │ │ └─ xVOCap.m
│ │ │ │ │ ├─ images
│ │ │ │ │ │ ├─ img1.jpg
│ │ │ │ │ │ ├─ img1_det.jpg
│ │ │ │ │ │ ├─ img1_det_res101.jpg
│ │ │ │ │ │ ├─ img2.jpg
│ │ │ │ │ │ ├─ img2_det.jpg
│ │ │ │ │ │ ├─ img2_det_res101.jpg
│ │ │ │ │ │ ├─ img3.jpg
│ │ │ │ │ │ ├─ img3_det.jpg
│ │ │ │ │ │ ├─ img3_det_res101.jpg
│ │ │ │ │ │ ├─ img4.jpg
│ │ │ │ │ │ ├─ img4_det.jpg
│ │ │ │ │ │ └─ img4_det_res101.jpg
│ │ │ │ │ └─ cfgs
│ │ │ │ │ ├─ res101.yml
│ │ │ │ │ ├─ res101_ls.yml
│ │ │ │ │ ├─ res50.yml
│ │ │ │ │ └─ vgg16.yml
│ │ │ │ ├─ chapter3
│ │ │ │ │ ├─ densenet_block.py
│ │ │ │ │ ├─ detnet_bottleneck.py
│ │ │ │ │ ├─ fpn.py
│ │ │ │ │ ├─ inceptionv1.py
│ │ │ │ │ ├─ inceptionv2.py
│ │ │ │ │ ├─ resnet_bottleneck.py
│ │ │ │ │ └─ vgg.py
│ │ │ │ ├─ chapter2
│ │ │ │ │ ├─ mlp.py
│ │ │ │ │ ├─ perception.py
│ │ │ │ │ ├─ perception_sequential.py
│ │ │ │ │ └─ visdom.py
│ │ │ │ └─ chapter1
│ │ │ │ └─ model-evaluation
│ │ │ │ ├─ README.md
│ │ │ │ ├─ evaluation.ipynb
│ │ │ │ ├─ evaluation.py
│ │ │ │ ├─ lib
│ │ │ │ │ ├─ Evaluator.py
│ │ │ │ │ ├─ Evaluator.pyc
│ │ │ │ │ ├─ detection.py
│ │ │ │ │ ├─ detection.pyc
│ │ │ │ │ ├─ utils.py
│ │ │ │ │ ├─ utils.pyc
│ │ │ │ │ └─ __pycache__
│ │ │ │ │ ├─ Evaluator.cpython-36.pyc
│ │ │ │ │ ├─ detection.cpython-36.pyc
│ │ │ │ │ └─ utils.cpython-36.pyc
│ │ │ │ ├─ data
│ │ │ │ │ ├─ results
│ │ │ │ │ │ ├─ class1.png
│ │ │ │ │ │ └─ class2.png
│ │ │ │ │ ├─ groundtruths
│ │ │ │ │ │ └─ 1.txt
│ │ │ │ │ └─ detections
│ │ │ │ │ └─ 1.txt
│ │ │ │ └─ conf
│ │ │ │ ├─ arial.ttf
│ │ │ │ └─ conf.yaml
│ │ │ └─ 21年最新-李沐《动手学深度学习第二版》中、英文版免费分享
│ │ │ ├─ Dive-into-DL-Pytorch.pdf
│ │ │ ├─ d2l-en-pytorch.pdf
│ │ │ ├─ d2l-zh-pytorch.pdf
│ │ │ └─ 动手学深度学习（2020.07.08）.zip
│ │ ├─ 02.机器学习相关书籍
│ │ │ ├─ 凸优化.pdf
│ │ │ ├─ 图解机器学习.pdf
│ │ │ ├─ 机器学习_周志华.pdf
│ │ │ ├─ 机器学习〔中文版〕.pdf
│ │ │ ├─ 机器学习个人笔记完整版2.5.pdf
│ │ │ ├─ 机器学习在量化投资中的应用研究_汤凌冰著_北京：电子工业出版社_2014.11_13662591_P157.pdf
│ │ │ ├─ 机器学习实战.pdf
│ │ │ ├─ 机器学习实践指南++案例应用解析+麦好.pdf
│ │ │ ├─ 机器学习导论 原书 第2版.pdf
│ │ │ ├─ 吴恩达《Machine Learning Yearning》完整中文版
│ │ │ │ └─ 吴恩达MLY
│ │ │ │ └─ MLY-zh-cn.pdf
│ │ │ └─ 《跟着迪哥学 Python数据分析与机器学习实战》
│ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》.epub
│ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》.mobi
│ │ │ ├─ 《跟着迪哥学 Python数据分析与机器学习实战》PDF+唐宇迪.pdf
│ │ │ └─ 配套代码和数据集《跟着迪哥学 Python数据分析与机器学习实战》.zip
│ │ └─ 01.Python基础书籍
│ │ └─ 《Python基础教程（第3版）》
│ │ ├─ Python基础教程（第3版）高清英文版.pdf
│ │ └─ 源代码.zip
│ └─ 01.人工智能行业报告
│ └─ 53份人工智能行业报告.zip
├─ 三：超详细人工智能学习大纲
│ └─ 人工智能大纲升级版本.pdf
└─ 一：人工智能论文合集
├─ 深度学习论文精讲-BERT模型
│ ├─ 1. 课程介绍.mp4
│ ├─ 2. 1-论文讲解思路概述.mp4
│ ├─ 3. 2-BERT模型摘要概述.mp4
│ ├─ 4. 3-模型在NLP领域应用效果.mp4
│ ├─ 5. 4-预训练模型的作用.mp4
│ ├─ 6. 5-输入数据特殊编码字符解析.mp4
│ ├─ 7. 6-向量特征编码方法.mp4
│ ├─ 8. 7-BERT模型训练策略.mp4
│ └─ 9. 8-论文总结分析.mp4
├─ 图神经网络（GNN）100篇论文集
│ ├─ 论文集索引.jpg
│ ├─ Survey
│ │ ├─ 极力推荐
│ │ │ ├─ Graph Neural Networks：A Review of Methods and Applications.pdf
│ │ │ ├─ Non-local Neural Networks.pdf
│ │ │ ├─ Relational Inductive Biases, Deep Learning, and Graph Networks.pdf
│ │ │ └─ The Graph Neural Network Model.pdf
│ │ └─ 一般推荐
│ │ ├─ A Comprehensive Survey on Graph Neural Networks.pdf
│ │ ├─ Computational Capabilities of Graph Neural Networks(1).pdf
│ │ ├─ Deep Learning on Graphs- A Survey.pdf
│ │ ├─ Geometric Deep Learning- Going beyond Euclidean data.pdf
│ │ └─ Neural Message Passing for Quantum Chemistry.pdf
│ ├─ Models
│ │ ├─ training methods
│ │ │ ├─ Covariant Compositional Networks For Learning Graphs.pdf
│ │ │ ├─ Graphical-Based Learning Environments for Pattern Recognition.pdf
│ │ │ ├─ Hierarchical Graph Representation Learning with Differentiable Pooling.pdf
│ │ │ ├─ Knowledge-Guided Recurrent Neural Network Learning for Task-Oriented Action Prediction.pdf
│ │ │ ├─ Learning Steady-States of Iterative Algorithms over Graphs.pdf
│ │ │ ├─ Neural networks for relational learning- an experimental comparison.pdf
│ │ │ ├─ receptive field control
│ │ │ │ └─ Stochastic Training of Graph Convolutional Networks with Variance Reduction.pdf
│ │ │ ├─ neighborhood sampling
│ │ │ │ ├─ Adaptive Sampling Towards Fast Graph Representation Learning.pdf
│ │ │ │ ├─ FastGCN- Fast Learning with Graph Convolutional Networks via Importance Sampling.pdf
│ │ │ │ └─ Inductive Representation Learning on Large Graphs.pdf
│ │ │ └─ boosting
│ │ │ └─ Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning.pdf
│ │ ├─ propagation_type
│ │ │ ├─ skip
│ │ │ │ ├─ Representation Learning on Graphs with Jumping Knowledge Networks.pdf
│ │ │ │ └─ Semi-Supervised Classification with Graph Convolutional Networks.pdf
│ │ │ ├─ gate
│ │ │ │ ├─ Gated Graph Sequence Neural Networks.pdf
│ │ │ │ └─ Sentence-State LSTM for Text Representation.pdf
│ │ │ ├─ convolution
│ │ │ │ ├─ Bayesian Semi-supervised Learning with Graph Gaussian Processes.pdf
│ │ │ │ ├─ Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering.pdf
│ │ │ │ ├─ Deep Convolutional Networks on Graph-Structured Data.pdf
│ │ │ │ ├─ Learning Convolutional Neural Networks for Graphs.pdf
│ │ │ │ ├─ Spectral Networks and Deep Locally Connected.pdf
│ │ │ │ └─ Structure-Aware Convolutional Neural Networks.pdf
│ │ │ └─ attention
│ │ │ ├─ Attention Is All You Need.pdf
│ │ │ ├─ Graph Attention Networks.pdf
│ │ │ └─ Graph Classification using Structural Attention.pdf
│ │ ├─ others
│ │ │ ├─ A Comparison between Recursive Neural Networks and Graph Neural Networks.pdf
│ │ │ ├─ A new model for learning in graph domains.pdf
│ │ │ ├─ CelebrityNet- A Social Network Constructed from Large-Scale Online Celebrity Images.pdf
│ │ │ ├─ Contextual Graph Markov Model- A Deep and Generative Approach to Graph Processing.pdf
│ │ │ ├─ Deep Sets.pdf
│ │ │ ├─ Deriving Neural Architectures from Sequence and Graph Kernels.pdf
│ │ │ ├─ Diffusion-Convolutional Neural Networks.pdf
│ │ │ └─ Geometric deep learning on graphs and manifolds using mixture model cnns.pdf
│ │ └─ graph_type
│ │ ├─ Adaptive Graph Convolutional Neural Networks.pdf
│ │ ├─ Graph Capsule Convolutional Neural Networks.pdf
│ │ ├─ Graph Neural Networks for Object Localization.pdf
│ │ ├─ Graph Neural Networks for Ranking Web Pages.pdf
│ │ ├─ Graph Partition Neural Networks for Semi-Supervised Classification.pdf
│ │ ├─ How Powerful are Graph Neural Networks-.pdf
│ │ ├─ Mean-field theory of graph neural networks in graph partitioning.pdf
│ │ ├─ edge-informative graph
│ │ │ ├─ Graph-to-Sequence Learning using Gated Graph Neural Networks.pdf
│ │ │ └─ Modeling relational data with graph convolutional networks.pdf
│ │ └─ directed graph
│ │ └─ Rethinking Knowledge Graph Propagation for Zero-Shot Learning.pdf
│ └─ Applications
│ ├─ text
│ │ ├─ A Graph-to-Sequence Model for AMR-to-Text Generation.pdf
│ │ ├─ Encoding Sentences with Graph Convolutional Networks for Semantic Role Labeling.pdf
│ │ ├─ End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures.pdf
│ │ ├─ Exploiting Semantics in Neural Machine Translation with Graph Convolutional Networks.pdf
│ │ ├─ Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Graph Neural Networks..pdf
│ │ ├─ Graph Convolution over Pruned Dependency Trees Improves Relation Extraction.pdf
│ │ ├─ Graph Convolutional Encoders for Syntax-aware Neural Machine Translation.pdf
│ │ ├─ Graph Convolutional Networks for Text Classification.pdf
│ │ ├─ Graph Convolutional Networks with Argument-Aware Pooling for Event Detection.pdf
│ │ ├─ Jointly Multiple Events Extraction via Attention-based Graph.pdf
│ │ ├─ N-ary relation extraction using graph state LSTM.pdf
│ │ └─ Recurrent Relational Networks.pdf
│ ├─ science
│ │ ├─ A Compositional Object-Based Approach to Learning Physical Dynamics.pdf
│ │ ├─ A Note on Learning Algorithms for Quadratic Assignment with Graph Neural Networks.pdf
│ │ ├─ A simple neural network module for relational reasoning.pdf
│ │ ├─ Action Schema Networks- Generalised Policies with Deep Learning.pdf
│ │ ├─ Adversarial Attack on Graph Structured Data.pdf
│ │ ├─ Attend, Infer, Repeat- Fast Scene Understanding with Generative Models.pdf
│ │ ├─ Attention, Learn to Solve Routing Problems!.pdf
│ │ ├─ Beyond Categories- The Visual Memex Model for Reasoning About Object Relationships.pdf
│ │ ├─ Combining Neural Networks with Personalized PageRank for Classification on Graphs.pdf
│ │ ├─ Constrained Generation of Semantically Valid Graphs via Regularizing Variational Autoencoders.pdf
│ │ ├─ Constructing Narrative Event Evolutionary Graph for Script Event Prediction.pdf
│ │ ├─ Conversation Modeling on Reddit using a Graph-Structured LSTM.pdf
│ │ ├─ Convolutional networks on graphs for learning molecular fingerprints.pdf
│ │ ├─ Cross-Sentence N-ary Relation Extraction with Graph LSTMs.pdf
│ │ ├─ Deep Graph Infomax.pdf
│ │ ├─ DeepInf- Modeling influence locality in large social networks.pdf
│ │ ├─ Discovering objects and their relations from entangled scene representations.pdf
│ │ ├─ Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs.pdf
│ │ ├─ Effective Approaches to Attention-based Neural Machine Translation.pdf
│ │ ├─ Geometric Matrix Completion with Recurrent Multi-Graph Neural Networks.pdf
│ │ ├─ Graph Convolutional Matrix Completion.pdf
│ │ ├─ Graph Convolutional Neural Networks for Web-Scale Recommender Systems.pdf
│ │ ├─ Graph networks as learnable physics engines for inference and control.pdf
│ │ ├─ GraphRNN- Generating Realistic Graphs with Deep Auto-regressive Models.pdf
│ │ ├─ Hybrid Approach of Relation Network and Localized Graph Convolutional Filtering for Breast Cancer Subtype Classification.pdf
│ │ ├─ Hyperbolic Attention Networks.pdf
│ │ ├─ Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks.pdf
│ │ ├─ Inference in Probabilistic Graphical Models by Graph Neural Networks.pdf
│ │ ├─ Interaction Networks for Learning about Objects, Relations and Physics.pdf
│ │ ├─ Learning Conditioned Graph Structures for Interpretable Visual Question Answering.pdf
│ │ ├─ Learning Deep Generative Models of Graphs.pdf
│ │ ├─ Learning Graphical State Transitions.pdf
│ │ ├─ Learning Human-Object Interactions by Graph Parsing Neural Networks.pdf
│ │ ├─ Learning Multiagent Communication with Backpropagation.pdf
│ │ ├─ Learning a SAT Solver from Single-Bit Supervision.pdf
│ │ ├─ Learning model-based planning from scratch.pdf
│ │ ├─ Learning to Represent Programs with Graphs.pdf
│ │ ├─ Metacontrol for Adaptive Imagination-Based Optimization.pdf
│ │ ├─ Molecular Graph Convolutions- Moving Beyond Fingerprints.pdf
│ │ ├─ NerveNet Learning Structured Policy with Graph Neural Networks.pdf
│ │ ├─ Neural Combinatorial Optimization with Reinforcement Learning.pdf
│ │ ├─ Neural Module Networks.pdf
│ │ ├─ Neural Relational Inference for Interacting Systems.pdf
│ │ ├─ Protein Interface Prediction using Graph Convolutional Networks.pdf
│ │ ├─ Relational Deep Reinforcement Learning.pdf
│ │ ├─ Relational inductive bias for physical construction in humans and machines.pdf
│ │ ├─ Relational neural expectation maximization- Unsupervised discovery of objects and their interactions.pdf
│ │ ├─ Self-Attention with Relative Position Representations.pdf
│ │ ├─ Semi-supervised User Geolocation via Graph Convolutional Networks.pdf
│ │ ├─ Situation Recognition with Graph Neural Networks.pdf
│ │ ├─ Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition.pdf
│ │ ├─ Spatio-Temporal Graph Convolutional Networks- A Deep Learning Framework for Traffic Forecasting.pdf
│ │ ├─ Structured Dialogue Policy with Graph Neural Networks.pdf
│ │ ├─ Symbolic Graph Reasoning Meets Convolutions.pdf
│ │ ├─ Traffic Graph Convolutional Recurrent Neural Network- A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting.pdf
│ │ ├─ Translating Embeddings for Modeling Multi-relational Data.pdf
│ │ ├─ Understanding Kin Relationships in a Photo.pdf
│ │ ├─ VAIN- Attentional Multi-agent Predictive Modeling.pdf
│ │ └─ Visual Interaction Networks- Learning a Physics Simulator from Vide.o.pdf
│ ├─ knowledge graph
│ │ ├─ Cross-lingual Knowledge Graph Alignment via Graph Convolutional Networks.pdf
│ │ ├─ Deep Reasoning with Knowledge Graph for Social Relationship Understanding.pdf
│ │ ├─ Dynamic Graph Generation Network- Generating Relational Knowledge from Diagrams.pdf
│ │ ├─ Knowledge Transfer for Out-of-Knowledge-Base Entities - A Graph Neural Network Approach.pdf
│ │ ├─ Modeling Semantics with Gated Graph Neural Networks for Knowledge Base Question Answering.pdf
│ │ ├─ Multi-Label Zero-Shot Learning with Structured Knowledge Graphs.pdf
│ │ ├─ Representation learning for visual-relational knowledge graphs.pdf
│ │ ├─ The More You Know- Using Knowledge Graphs for Image Classification.pdf
│ │ └─ Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs.pdf
│ ├─ image
│ │ ├─ Visual Question Answering
│ │ │ ├─ Graph-Structured Representations for Visual Question Answering.pdf
│ │ │ └─ Out of the Box- Reasoning with Graph Convolution Nets for Factual Visual Question Answering(1).pdf
│ │ ├─ Semantic Segmentation
│ │ │ ├─ 3D Graph Neural Networks for RGBD Semantic Segmentation.pdf
│ │ │ ├─ Dynamic Graph CNN for Learning on Point Clouds.pdf
│ │ │ ├─ Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs.pdf
│ │ │ ├─ Modeling polypharmacy side effects with graph convolutional networks.pdf
│ │ │ └─ PointNet- Deep Learning on Point Sets for 3D Classification and Segmentation.pdf
│ │ ├─ Region Classification
│ │ │ └─ Iterative Visual Reasoning Beyond Convolutions..pdf
│ │ ├─ Object Detection
│ │ │ ├─ Learning Region features for Object Detection.pdf
│ │ │ └─ Relation Networks for Object Detection.pdf
│ │ ├─ Interaction Detection
│ │ │ └─ Structural-RNN- Deep Learning on Spatio-Temporal Graphs.pdf
│ │ └─ Image classification
│ │ └─ Few-Shot Learning with Graph Neural Networks.pdf
│ ├─ graph generation
│ │ ├─ Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation.pdf
│ │ ├─ MolGAN- An implicit generative model for small molecular graphs(1).pdf
│ │ └─ NetGAN- Generating Graphs via Random Walks(1).pdf
│ └─ combinatorial optimization
│ ├─ Combinatorial Optimization with Graph Convolutional Networks and Guided Tree Search(1).pdf
│ └─ Learning Combinatorial Optimization Algorithms over Graphs.pdf
├─ Resnet论文解读
│ └─ 13-额外补充-Resnet论文解读.mp4
├─ CVPR行人重识别论文解读
│ ├─ 1. 1-关键点位置特征构建.mp4
│ ├─ 2. 2-图卷积与匹配的作用.mp4
│ ├─ 4. 3-局部特征热度图计算.mp4
│ ├─ 5. 4-基于图卷积构建人体拓扑关系.mp4
│ └─ 6. 5-图卷积模块实现方法.mp4
└─ CNN_不能错过的10篇论文
├─ 1311.2524v5_R_CNN.pdf
├─ 1311.2901v3_Visualizing and Understanding Convolutional Networks.pdf
├─ 1406.2661v1_Generative Adversarial Nets.pdf
├─ 1409.1556v6_VERY DEEP CONVOLUTIONAL Networks.pdf
├─ 1412.2306v2_Deep Visual-Semantic Alignments for Generating Image Descriptions.pdf
├─ 1504.08083_Fast R-CNN.pdf
├─ 1506.01497v3_Faster R-CNN.pdf
├─ 1506.02025_Spatial Transformer Networks.pdf
├─ 1512.03385v1_Deep Residual Learning for Image Recognition.pdf
├─ 4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
└─ Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf
好资料 楼主辛苦了 多谢分享