Welcome to the Practitioner Bundle of Deep Learning for Computer Vision with Python! This volume is meant to be the next logical step in your deep learning for computer vision education after completing the Starter Bundle. At this point, you should have a strong understanding of the fundamentals of parameterized learning, neural net works, and Convolutional Neural Networks (CNNs). You should also feel relatively comfortable using the Keras library and the Python programming language to train your own custom deep learning networks. The purpose of the Practitioner Bundle is to build on your knowledge gained from the Starter Bundle and introduce more advanced algorithms, concepts, and tricks of the trade — these tech- niques will be covered in three distinct parts of the book. The first part will focus on methods that are used to boost your classification accuracy in one way or another. One way to increase your classification accuracy is to apply transfer learning methods such as fine-tuning or treating your network as a feature extractor. We’ll also explore ensemble methods (i.e., training multiple networks and combining the results) and how these methods can give you a nice classification boost with little extra effort. Regularization methods such as data augmentation are used to generate additional training data – in nearly all situations, data augmentation improves your model’s ability to generalize. More advanced optimization algorithms such as Adam [1], RMSprop [2], and others can also be used on some datasets to help you obtain lower loss. After we review these techniques, we’ll look at the optimal pathway to apply these methods to ensure you obtain the maximum amount of benefit with the least amount of effort.

MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知（Perception）： 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业，有一套通用的数据集——KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。 物体检测（Object Detection）： 传统方法主要是针对固定物体的检测。一般的方法是HOG（ 方向梯度直方图），然后再加一个SVM的分类器。 而对于动

CommonGen：面向生成常识推理的受限文本生成挑战 @article{lin2019comgen, author = {Bill Yuchen Lin and Wangchunshu Zhou and Ming Shen and Pei Zhou and Chandra Bhagavatula and Yejin Choi and Xiang Ren}, title = {CommonGen: A Constrained Text Generation Challenge for Generative Commonsense Reasoning}, journal = {Findings of EMNLP}, year = {2020} } CommonGen是一个新的受约束文本生成数据集，它需要不同种类的常识来生成有关日常场景的句子，并因此针对生成型

社交距离监控系统：支持AI的社交距离检测工具，可通过分析来自摄像机的实时视频流来检测人们是否彼此保持安全距离。 -创意积分：Landing AI（https：landing.ai）

神经网络和深度学习（Neural Networks and Deep Learning） by Michael Niels

ViDi Deep Learning 3.1 (3 Day) VIDI 三天教程

用于人类活动识别的深度学习 深度学习可能是人类活动识别最近的未来。 虽然现有的非深度方法有很多，但我们仍然想释放深度学习的全部力量。 这个 repo 提供了一个使用深度学习来执行人类活动识别的演示。 我们同时支持 Tensorflow 和 Pytorch。 先决条件 Python 3.x 麻木 Tensorflow 或 Pytorch 1.0+ 数据集 有许多用于人类活动识别的公共数据集。 您可以参考这篇调查文章以了解更多信息。 在本演示中，我们将使用 UCI HAR 数据集作为示例。 这个数据集可以在找到。 当然，这个数据集在放入网络之前需要进一步的预处理。 我还提供了数据集的预处理版本作为.npz文件，以便您可以专注于网络（在下载）。 还强烈建议您下载数据集，以便您可以自己体验所有过程。 ＃主题 ＃活动 频率 30 6 50赫兹 用法 对于 Pytorch（推荐），进入p

ShuffleNet 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 shufflenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型净= shufflenet（）; % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); ％使用shufflenet对图像进行分类标签 = 分类（净，我） % 显示图像和

由浅入深的深度学习教材，张志华翻译版

Deep Learning - Ian Goodfellow 英文清晰原版，整理于2017-10-31，有完整的书签, 并且对大小做了优化。