最新更新：我向您展示了如何使用更好，更现代的RetinaNet而不是SSD。我将向您展示如何使用预训练的模型，以及如何使用Google Colab上的自定义数据集训练自己。这是我做过的最激动人心的课程之一，它确实显示了多年来深度学习的发展速度和程度。当我第一次开始深度学习系列时，我从未考虑过要进行两门有关卷积神经网络的课程。
MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz，2声道
类型：在线学习| 语言：英文+ .srt | 时长：119个讲座（15小时）| 大小：2.83 GB
您将学到的内容：
了解并应用转换学习
了解并使用最新的卷积神经网络（例如VGG，ResNet和Inception）
了解并使用对象检测算法（例如SSD）
了解并应用神经样式转换
了解状态最先进的计算机视觉主题
类激活图
GANs（生成对抗网络）
对象本地化实施项目
要求
知道如何使用某些库（最好在Python中）来构建，训练和使用CNN。
了解卷积和神经网络背后的基本理论概念。
体面的Python编码技巧，最好是数据科学和Numpy Stack
描述
让我简要介绍一下这门课程的全部内容：
我们将弥合您已经了解和喜爱的基本CNN架构与现代新颖的架构之间的差距，例如VGG，ResNet和Inception
我们将把它们应用于血细胞图像，并创建一个比您或我都更好的医学专家的系统。这提出了一个令人着迷的想法：未来的医生不是人类，而是机器人。
在本课程中，您将看到我们如何将CNN变成对象检测系统，该系统不仅可以对图像进行分类，还可以在图像中定位每个对象并预测其标签。
您可以想象这样的任务是自动驾驶汽车的基本前提。（它必须能够实时检测汽车，行人，自行车，交通信号灯等）
我们将研究一种称为SSD的最新算法，该算法比其前代产品更快，更准确。
利用CNN的另一种非常流行的计算机视觉任务称为神经样式转移。
在这里，您拍摄一个图像，称为内容图像，另一个图像称为样式图像，然后将它们组合成一个全新的图像，就好像您雇用了画家用样式来绘制第一个图像的内容一样其他的。与人类画家不同，这可以在几秒钟内完成。
我还将向您介绍当今著名的GAN架构（生成对抗网络），您将在其中学习如何使用神经网络生成最新的逼真的图像的一些技术。
目前，我们还实现了对象定位，这是实现完整对象检测系统必不可少的第一步。
本课程适用于
希望将计算机视觉和深度学习知识提高到更高水平的学生和专业人士
任何想要学习对象检测算法（例如SSD和YOLO）的
人任何想要学习如何编写代码以进行神经样式转换的人
想要使用迁移学习的
任何人想要缩短培训时间并快速建立最先进的计算机视觉网络的任何人
