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!