慕尼黑

  • 慕尼黑工大计算机视觉深度学习进阶课|L9高维数据深度学习

    高维数据深度学习:讨论了在更高维度中进行深度学习的方法。在计算机视觉中,我们通常处理的是2D信号,如图像,但也存在一维领域的数据信号,如音频、点云等。作者提到了一维卷积网络在处理音频等一维信号上的应用,以及三维卷积网络在处理体素网格、流体模拟等三维信号上的应用。作者还介绍了一种基于自回归模型的方法——WaveNet,该模型可以在音频信号中逐个样本地生成音频。…

    2024年3月22日
    00370
  • 慕尼黑工大计算机视觉深度学习进阶课|L8神经网络图像与视频渲染

    渲染概念与应用:讲解了渲染的概念以及它在计算机图形学中的应用。渲染是从3D场景描述生成2D图像的过程,包括场景描述、相机参数、光照、材质等要素。人们通过使用先进的图形方法和渲染方程来实现真实感的图像合成。理解和掌握这些参数和方法,可以生成高质量的图像,用于视频游戏和电影等娱乐目的。 计算机视觉与图形学:讲述了计算机视觉和计算机图形学之间的差距。计算机图形学可…

    2024年3月22日
    00426
  • 慕尼黑工大计算机视觉深度学习进阶课|L7视频处理与回归建模

    GANs与艺术风格生成器:介绍了最新的艺术风格生成器GANs,该生成器使用了逐渐增长的架构。通过利用潜在向量Z和风格输出,生成器可以在不同分辨率上控制图像的结构和细节。这种方法可以产生更好的结果,但需要调整许多超参数。 图像合成的研究论文:讲述了一个关于图像合成的研究论文,通过使用多分辨率的样式向量控制生成器的特征向量,实现高质量图像的生成。作者对论文进行了…

    2024年3月22日
    00339
  • 慕尼黑工大计算机视觉深度学习进阶课|L6生成对抗网络(下)

    深度卷积生成模型:讲解了生成模型的一种常见架构——深度卷积生成模型(DCGAN)。DCGAN通过在不同分辨率上进行生成和上采样,逐渐增加细节,生成高分辨率图像。同时,视频还介绍了渐进式生长甘斯(Progressive Growing GANs)的概念,该方法可以进一步提高生成图像的质量。虽然这个视频是五年前的内容,但这些概念仍然非常重要,并且已经被近期的研究…

    2024年3月22日
    00346
  • 慕尼黑工大计算机视觉深度学习进阶课|L5生成对抗网络(上)

    生成神经网络概念和应用:介绍了生成神经网络的概念和应用。生成神经网络是一种通过训练集学习数据分布的模型,在计算机视觉领域可以用来生成图像和视频。讲座还提到了不同类型的生成模型,包括隐式密度和显式密度,以及生成网络的理论概念和应用。此外,还介绍了生成模型的分类和自回归网络的重要性。最后,还提到了条件GAN和无渲染技术的应用。 转置卷积的概念和用途:讲解了转置卷…

    2024年3月22日
    00474
  • 慕尼黑工大计算机视觉深度学习进阶课|L4图像神经网络与注意力机制

    图形领域的学习:介绍了图形领域的学习,与之前的图像领域相比,图形领域更加不规则。在图像中,像素的顺序和位置非常重要,而在图形中,点的顺序和位置并不相关。因此,为了在图形领域进行深度学习,需要使用新的工具。图形是由节点和边组成的,节点表示概念,边表示概念之间的连接。在图形领域中,我们需要解决可变大小输入和节点排列的问题。图形神经网络通过构建图形并进行信息传播来…

    2024年3月22日
    00602
  • 慕尼黑工大计算机视觉深度学习进阶课|L3自编码器.VAE和视觉风格迁移

    自动编码器简介:介绍了无监督学习中的自动编码器。自动编码器由编码器和解码器组成,通过将输入图像压缩到低维空间,然后从压缩表示中重建图像。这种方法不需要标签,只需使用重建损失来训练模型。自动编码器可用于无监督学习任务,如聚类和降维。 无监督训练和预训练:介绍了无监督训练和预训练的重要性。通过自我重建和编码器的训练,我们可以得到数据集中的模式和集群。在医疗应用中…

    2024年3月22日
    00667
  • 慕尼黑工大计算机视觉深度学习进阶课|L2孪生网络与相似度学习

    神经网络可视化:介绍了如何使用可视化工具来理解和解释深度神经网络的工作原理。通过可视化激活值和梯度,我们可以观察神经网络在图像分类任务中的决策过程,并了解神经网络对不同特征的敏感程度。通过可视化卷积层的滤波器响应,我们可以观察神经网络对图像中不同几何形状的检测能力。这种可视化方法可以帮助我们理解神经网络在图像分类和目标跟踪等任务中的表现,并提供对神经网络决策…

    2024年3月22日
    00441
关注微信
Sora改变AI认知方式,开启走向「世界模拟器」的史诗级的漫漫征途。