卷积神经网络 41
- 11 一维到三维推广（1D and 3D generalizations of models）
- 10 风格损失函数（Style Cost Function）
- 09 内容代价函数（Content Cost Function）
- 08 代价函数（Cost function）
- 07 CNN特征可视化（What are deep ConvNets learning?）
- 06 神经风格迁移
- 05 人脸验证与二分类
- 04 Triplet 损失
- 03 Siamese 网络（用于人脸识别）
- 02 One-Shot Learning（一次性学习）
- 01 什么是人脸识别？（What is face recognition?）
- 10 候选区域（Region Proposals, Optional）
- 09 YOLO 算法（Putting it together： YOLO algorithm）
- 08 Anchor Boxes（锚框）
- 07 非极大值抑制（Non-Max Suppression, NMS）
- 06 交并比（Intersection over Union, IoU）
- 05 Bounding Box预测（YOLO算法基础）
- 04 滑动窗口的卷积实现（Convolutional Implementation of Sliding Windows）
- 03 目标检测（Object Detection）
- 02 特征点检测
- 01 目标定位（Object Localization）
- 09 计算机视觉现状（The state of computer vision）
- 08 数据增强（Data Augmentation）
- 07 迁移学习（Transfer Learning）
- 06 Inception 网络
- 05 谷歌 Inception 网络简介（Inception network motivation）
- 04 网络中的网络（Network in Network, NiN）
- 03 残差网络（ResNets）——深度神经网络的突破
- 02 经典神经网络（Classic Networks）
- 01 为什么要进行实例探究？（Why look at case studies?）
- 11 为什么使用卷积？（Why Convolutions?）
- 10 卷积神经网络（CNN）示例
- 09 池化层（Pooling Layers）
- 08 简单卷积网络示例
- 07 单层卷积神经网络
- 06 三维卷积（Convolutions over Volumes）
- 05 带步长的卷积（Strided Convolutions）
- 04 卷积操作中的 Padding（填充）
- 03 边缘检测（Edge Detection）
- 02 边缘检测示例（Edge Detection Example）
- 01 计算机视觉（Computer vision）