深度学习：高级计算机视觉教程（GAN、SSD等！）

我向你展示了如何使用 RetinaNet，而不是 SSD，它更好、更现代。我将向您展示如何使用预训练模型以及如何使用 Google Colab 上的自定义数据集自行训练模型。

课程英文名：Deep Learning Advanced Computer Vision (GANs, SSD, +More!)

此视频教程共21.0小时，中英双语字幕，画质清晰无水印，源码附件全

下载地址

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（如 VGG、 ResNet和 Inception ）之间的差距（顺便说一句，这部电影的名字也很棒！）

我们将把这些应用到血细胞图像上，并创建一个比你我更优秀的医学专家系统。这带来了一个有趣的想法：未来的医生不是人类，而是机器人。

在本课程中，您将了解我们如何将 CNN 转变为对象检测系统，该系统不仅可以对图像进行分类，还可以定位图像中的每个对象并预测其标签。

你可以想象，这样的任务是自动驾驶汽车的基本前提。（必须能够实时检测汽车、行人、自行车、红绿灯等）

我们将研究一种称为SSD 的最先进算法，它比它的前辈更快、更准确。

另一个使用 CNN 的非常流行的计算机视觉任务称为神经风格迁移。

这是您拍摄一张称为内容图像的图像和另一张称为样式图像的图像的地方，然后将它们组合成一个全新的图像，就像您聘请画家用样式绘制第一张图像的内容一样的另一个。与人类画家不同，这可以在几秒钟内完成。

我还将向您介绍现在著名的 GAN 架构（生成对抗网络），您将在其中了解如何使用神经网络生成最先进的照片级逼真图像背后的一些技术。

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。

我希望你对了解 CNN 的这些高级应用感到兴奋，我们课堂上见！

真棒事实：

本课程的主要主题之一是我们正在从 CNN 本身转向涉及 CNN 的系统。
与其关注 CNN 的详细内部工作原理（我们已经完成），我们将关注高级构建块。结果？几乎为零的数学。
另一个结果？没有复杂的低级代码，例如用 Tensorflow、 Theano或 PyTorch编写的代码（尽管一些可选练习可能包含它们，供非常高级的学生使用）。大部分课程将在 Keras中进行，这意味着为您编写了许多乏味、重复的内容。

“如果你不能实现它，你就不会理解它”