迈向人工智能—深度学习论文精读系列

走向人工智能-深度学习论文精读系列的一部分。在本课程中，我们将重点研究深度学习发展过程中的关键时刻和里程碑工作。通过仔细研究相关学术论文，学生将深入了解神经网络优化、正则化技能、评价指标等关键技术点，包括但不限于经典CNN模型、Transformer及其变体结构、计算机视觉分类任务、目标检测和图像分割，详细分析综合理论方向的综述性文章，提高论文写作技能和表达创新思维的能力。这不仅是一门技术课程，也引导学习者了解和应用最新的研究成果来解决实际问题，进一步帮助学生在国际期刊和会议上发表有影响力的论文高质量学术研究。

1 初学者如何高效阅读论文？.mp4
2 Alexnet横空出生.mp4
3 VGG.mp4
4 残差学习：ResNet.mp4
5 如何提高Transformer的自注力？.mp4
6 EfficientViT-Vit可以在边缘计算设备上高效运行.mp4
7 视觉Transformer-SOTA.mp4
8 图像分割的开创性工作：FCN.mp4
9 生物医学图像分割：U-Net.mp4
10 改进的U-Net-U-NetV2.mp4
11 改进的U-Net-U-Net++.mp4
12 开创性的目标检测工作-R-CNN.mp4
13 R-CNN升级版-Fast R-CNN.mp4
14 OPPO生产_用于明显的目标检测-PSUNet.mp4
15 RetinaNet.mp4
16 网络优化器的类型、优缺点.mp4
17 深入学习VS传统CV.mp4
18 Vit真的超越了CNN吗？.mp4
19 AnchorNet-减少图像空间 冗余_加速图像分类推理.mp4
20 Imagenet数据集.mp4
21 GC-CLIP：改进CLIP zero-shot分类性能.mp4
22 SAM(Segment Anything Model).mp4
23 改进SAM-EfficientSAM.mp4
24 BLIP2-高效VLP.mp4
25 GPT-4V机器人(ision).mp4
26 SAMM可以在iPhone12上运行-RepViTSAM.mp4
27 SM70是医疗设备上的大语言模型.mp4
28 在电力系统中应用大语言模型.mp4
29 Segment and Track Anything.mp4
30 MAE-Vitt训练以自我监督范式进行.mp4