18011368104
028-67343886
人工智能算法工程师(高级)
本项目课程是《人工智能算法工程师(高级)》职业能力培训的系列课程。课程适合从事人工智能算法工作的人员或者人工智能专业毕业学生。学习完本课程,并通过考试,将会获得由工业和信息化部教育与考试中心颁发的《人工智能算法工程师(高级)》职业能力证书。
2人报考
5 分
6800积分
加入购物车
第1章:人脸图像检测(一)
课时1:人脸图像检测(一)-1
00:44:35
课时2:人脸图像检测(一)-2
00:51:26
课时3:人脸图像检测(一)-3
00:48:32
课时4:人脸图像检测(一)-4
00:54:53
第2章:人脸图像检测(二)
课时5:人脸图像检测(二)-1
00:49:16
课时6:人脸图像检测(二)-2
00:45:59
课时7:人脸图像检测(二)-3
00:46:05
课时8:人脸图像检测(二)-4
01:07:04
第3章:人脸图像检测(三)
课时9:人脸图像检测(三)-1
00:46:20
课时10:人脸图像检测(三)-2
00:43:48
课时11:人脸图像检测(三)-3
00:49:06
课时12:人脸图像检测(三)-4
00:51:47
第4章:人脸识别函数设计(一)
课时13:人脸识别函数设计(一)-1
00:49:44
课时14:人脸识别函数设计(一)-2
00:44:10
课时15:人脸识别函数设计(一)-3
00:44:41
课时16:人脸识别函数设计(一)-4
00:57:44
第5章:人脸识别函数设计(二)
课时17:人脸识别函数设计(二)-1
00:46:06
课时18:人脸识别函数设计(二)-2
00:50:28
课时19:人脸识别函数设计(二)-3
00:45:03
课时20:人脸识别函数设计(二)-4
00:45:31
第6章:人脸识别流程
课时21:人脸识别流程-1
00:47:56
课时22:人脸识别流程-2
00:48:01
第7章:YOLO系列多目标识别(一)
课时23:YOLO系列多目标识别(一)-1
00:48:58
课时24:YOLO系列多目标识别(一)-2
00:48:48
课时25:YOLO系列多目标识别(一)-3
00:46:12
课时26:YOLO系列多目标识别(一)-4
00:48:35
第8章:YOLO系列多目标识别(二)
课时27:YOLO系列多目标识别(二)-1
00:46:55
课时28:YOLO系列多目标识别(二)-2
00:48:37
课时29:YOLO系列多目标识别(二)-3
00:43:42
课时30:YOLO系列多目标识别(二)-4
00:45:33
第9章:YOLO系列多目标识别(三)
课时31:YOLO系列多目标识别(三)-1
00:51:58
课时32:YOLO系列多目标识别(三)-2
00:45:28
课时33:YOLO系列多目标识别(三)-3
00:45:45
课时34:YOLO系列多目标识别(三)-4
00:47:03
第10章:YOLO系列多目标识别(四)
课时35:YOLO系列多目标识别(四)-1
00:46:32
课时36:YOLO系列多目标识别(四)-2
00:47:04
课时37:YOLO系列多目标识别(四)-3
00:46:08
课时38:YOLO系列多目标识别(四)-4
00:47:56
第11章:自编码生成模型
课时39:自编码生成模型-1
00:46:31
课时40:自编码生成模型-2
00:50:08
课时41:自编码生成模型-3
00:47:35
课时42:自编码生成模型-4
00:41:27
第12章:VAE生成模型
课时43:VAE生成模型-1
00:46:26
课时44:VAE生成模型-2
00:46:58
课时45:VAE生成模型-3
00:46:45
课时46:VAE生成模型-4
00:48:48
第13章:GAN生成模型
课时47:GAN生成模型-1
00:46:50
课时48:GAN生成模型-2
00:46:18
课时49:GAN生成模型-3
00:45:51
课时50:GAN生成模型-4
01:02:41
第14章:Unet系列图像分割(一)
课时51:Unet系列图像分割(一)-1
00:46:24
课时52:Unet系列图像分割(一)-2
00:46:58
课时53:Unet系列图像分割(一)-3
00:46:37
第15章:Unet系列图像分割(二)
课时54:Unet系列图像分割(二)-1
00:46:01
课时55:Unet系列图像分割(二)-2
00:46:07
课时56:Unet系列图像分割(二)-3
00:50:36
第16章:Unet系列图像分割(三)
课时57:Unet系列图像分割(三)-1
00:46:08
课时58:Unet系列图像分割(三)-2
00:57:40
课时59:Unet系列图像分割(三)-3
00:47:19
课时60:Unet系列图像分割(三)-4
00:46:52
第17章:语音识别技术(一)
课时61:语音识别技术(一)-1
00:45:17
课时62:语音识别技术(一)-2
00:45:19
课时63:语音识别技术(一)-3
00:46:12
第18章:语音识别技术(二)
课时64:语音识别技术(二)-1
00:48:22
课时65:语音识别技术(二)-2
00:48:06
课时66:语音识别技术(二)-3
00:46:40
第19章:GPT文本生成模型(一)
课时67:GPT文本生成模型(一)-1
00:46:37
课时68:GPT文本生成模型(一)-2
00:47:38
课时69:GPT文本生成模型(一)-3
00:45:48
课时70:GPT文本生成模型(一)-4
00:45:38
第20章:GPT文本生成模型(二)
课时71:GPT文本生成模型(二)-1
00:45:19
课时72:GPT文本生成模型(二)-2
00:46:52
课时73:GPT文本生成模型(二)-3
00:47:39
课时74:GPT文本生成模型(二)-4
01:04:54
第21章:强化学习(一)
课时75:强化学习(一)-1
00:45:27
课时76:强化学习(一)-2
00:48:28
课时77:强化学习(一)-3
00:45:30
第22章:强化学习(二)
课时78:强化学习(二)-1
00:45:25
课时79:强化学习(二)-2
00:46:06
课时80:强化学习(二)-3
00:46:36
第23章:TensorFlow架构
课时81:TensorFlow架构-1
00:47:22
课时82:TensorFlow架构-2
00:47:28
课时83:TensorFlow架构-3
00:48:42
课时84:TensorFlow架构-4
00:46:24
第24章:人工智能算法工程师(高级)考前辅导
课时85:人工智能算法工程师(高级)考前辅导-1
01:55:37
打分
好评
请选择评价的章节
0 / 1000
0条评论
默认最新
- 1
页
28条评论
默认最新

大风起兮
2025-03-13 回复 5
所属课时:人脸图像检测(一)-1
人脸识别通常分为三个核心步骤:人脸侦测(检测)→ 特征提取 → 特征对比。 ... 阅读全文

186****2553
2025-03-12 回复 5
所属课时:人脸图像检测(二)-2
NMS介绍 ... 阅读全文

大风起兮
2025-03-13 回复 0
NMS完整流程示例
1、输入:检测到的候选框列表(每个框含坐标和置信度)。
2、排序:按置信度降序排列候选框 → [框A(0.98), 框B(0.95), 框C(0.90), 框D(0.85)]。
3、第一轮处理:
保留框A,计算其与框B、C、D的IOU。
若框B与框A的IOU=0.6(超过阈值0.3),则删除框B;框C、D的IOU。
4、第二轮处理:
剩余框为C(0.90)、D(0.85),取出框C,计算其与框D的IOU。
若IOU=0.2(未超阈值),则保留框C和D。
5、输出:最终保留框A、C、D(若D与C无重叠)。

186****6812
2025-05-04 回复 2
所属课时:人脸图像检测(二)-4
一、核心概念 MTCNN定义 多任务级联卷积神经网络(Multi-task Cascaded Convolutional Networks),用于人脸检测和特征点定位,通过级联三个网络(P-Net、R-Net、O-Net)逐步优化检测结果。 关键模块 图像金字塔 :通过缩放图像生成多尺度输入,解决目标尺寸差异问题。 非极大值抑制(NMS) :去除重复预测框,保留置信度最高的框。 IOU(交并比 ... 阅读全文

186****6812
2025-05-04 回复 1
所属课时:人脸图像检测(一)-1
一、人脸识别概述1. 基本概念 定义 :基于人脸特征信息进行身份识别的生物识别技术,包含人脸检测、跟踪及识别。 核心步骤 : 人脸侦测 :定位图像/视频中的人脸区域。 特征提取 :将人脸转化为高维特征向量(如深度学习模型生成的嵌入向量)。 特征对比 :将当前人脸特征与人脸库中的特征进行相似度匹配。2. 本质与特征 本质 :通过对比不同人脸图像的特征完成识别。 特征来源 :通常由深度学习模型(如卷积 ... 阅读全文

186****2553
2025-04-13 回复 1
所属课时:人脸图像检测(一)-4
MTCNN人脸识别易错知识点 ... 阅读全文

133****7290
2025-06-02 回复 0
所属课时:人脸图像检测(二)-4
图像坐标正方形转换先使用长边扩展坐标,然后用坐标在原图上进行裁剪:坐标反算下图蓝色为原始标注框,红色是随机偏移得到的框,由于IOU>0.3,得到的红色样本是正样本或部分样本,并且计算方法中除以样本窗口的宽/高是为归一化(0-1之间):通过模型训练得到四个偏移量之后,可以用公式进行反算,看P网络的输出:用P网络输出的目标在特征图的索引*步长stride=训练标签的位置(红色),假设下面的方框都 ... 阅读全文

133****7290
2025-06-02 回复 0
所属课时:人脸图像检测(二)-3
NMS(局部最大值搜索,非极大值抑制Non-maximum suppression)1、 将整幅图的所有方框置信度从大到小进行排序;2、 保留置信度最大值的方框,这个是人脸;3、 用最大值框与其他所有方框做IOU,如果IOU>0.3就丢掉,说明是同一个人脸可能性很高;4、 剩余的框再根据置信度排序,并取最大值,接着进行第3步使用P网络留下来的框(大部分情况下都不是正方形)对原图做裁剪,将裁剪 ... 阅读全文

133****7290
2025-06-02 回复 0
所属课时:人脸图像检测(二)-2
为何会出现许多重复的方框?1、 置信度,对于P网络来说,由于网络简单,因此置信度较小,方框就多;2、 图像金字塔3、 卷积造成的解决多余预测框的方法:1、 局部进行IOU值比对,找到最大的,将最大的去除(最大的是相同的框,因此要去除相同的);同时计算置信度,保留置信度比较大的;这种方法用在P和R网络中IOU:交并比1、 针对大框套小框的方法:如果IOU较小,但置信度又比较大,这时就是要交集/最小值 ... 阅读全文

133****7290
2025-06-02 回复 0
所属课时:人脸图像检测(一)-4
生成样本的种类:大小方面3种,每种都需要(正样本、负样本和部分样本)制作过程:根据原始样本框进行偏移,计算偏移后的框与原始样本之间的IOU,根据IOU分成正负和部分样本三类数据,然后计算每个偏移后的图像与原始样本之间的偏移量,将偏移量记录到新文件中。网络学习过程中,主要学习两个参数:置信度和偏移量,置信度表示窗口滑动到当前位置时检测到人脸的概率;坐标偏移量用来回归真实坐标;正样本、部分样本和负样本 ... 阅读全文

133****7290
2025-06-02 回复 0
所属课时:人脸图像检测(二)-1
建议框的选择方法有两种:1、 框大小改变,图像不变,含两种尺寸三种形状(横矩形、竖矩形、正方),使用建议框在整幅图上移动,计算与标签的IOU,这个是YOLO中使用的方法,YOLO使用了9个框 2、框不变,图像尺寸改变;MTCNN使用根号2分之一进行缩放;对于MTCNN来说,P网络中的4层网络,每次使用了3*3的核,变相得到12*12的感知域或窗口???(感知域应该是核的大小?),由于P网络是全卷 ... 阅读全文

133****7290
2025-06-01 回复 0
所属课时:人脸图像检测(一)-3
MTCNN训练数据的准备 ... 阅读全文

133****7290
2025-06-01 回复 0
所属课时:人脸图像检测(一)-2
MTCNN的网络架构 ... 阅读全文
- 1
- 2
- 3
页
课程介绍
课程目录
课程评价
课程笔记
高校人工智能学科共建

人工智能算法定制

人工智能算法工程师培训

人工智能证书考试

人工智能项目合作

人工智能课程证书合作

企业人工智能技术内训

高校人工智能实验室共建

留下联系方式,我们将尽快和您联系!