物体识别技术

近年来，人工智能、大数据、云计算等技术发展迅速，生物识别技术也因此受益。作为生物识别领域最重要的技术之一的人脸识别技术已经被应用到了日常生活的很多场景当中。...

课时1：1 - 恩智浦面部识别解决方案 课时2：2 - 基于 i.MX RT106F人脸识别智能锁方案 (江苏邦融微电子) 课时3：3 - i.MX RT106F 脸型辨识门禁解决方案及相关产品 (茂旭资讯)

课程包含以下内容：introduction、transmission fundamentals、wireless network basics、802.11 and MAC protocols、IEEE 802.15.3 and IEEE 802.15.4、Bluetooth、 mobile ad...

课时1：Introduction 课时2：Transmission fundamentals1 课时3：Lab1 JENNIC開發環境介紹(安裝流程、操作介面) 课时4：Transmission fundamentals2 课时5：Lab3 Integrated Peripherals API 课时6：Wireless network basics1 课时7：Lab4 Application Queue API 课时8：Wireless network basics2 课时9：Lab5 UART 课时10：802.11 and MAC protocols1 课时11：Lab6 Wireless Transmission & UART 课时12：802.11 and MAC protocols2 课时13：Lab7 Multi-hop Network 课时14：802.11 and MAC protocols3 课时15：IEEE 802.15.3 and IEEE 802.15.4 (1) 课时16：Projects of the course 课时17：IEEE 802.15.3 and IEEE 802.15.4(2) 课时18：Lab8 Temperature & Light Sensor 课时19：學生報告1 课时20：Lab9 GPS 课时21：學生報告2 课时22：Lab12 GSensor 课时23：wireless sensor network1 课时24：Lab13 RFID 课时25：Wireless sensor network2 Wimax and LTE 课时26：Wireless Internet

带有全新传感器和智能模拟IC的手势识别技术演示...

课时1：带有全新传感器和智能模拟IC的手势识别技术演示

在第二集的系列视频中，费颖会通过训练计算机如何看到并识别不同的物体的例子，来教我们一些基本的计算机视觉概念。...

课时1：机器学习简介 课时2：机器学习中的基本计算机视觉概念 课时3：卷积神经网络简介 课时4：构件一个图像分类器

课程深入介绍了Machine Learning中的神经网络的方法，人工神经网络在语音识别和物体识别、图像分割、建模语言和人类运动等过程中的应用，及其在机器学习中发挥的作用。...

课时1：Why do we need machine learning 课时2：What are neural networks 课时3：Some simple models of neurons 课时4： A simple example of learning 课时5：Three types of learning 课时6：An overview of the main types of network architecture 课时7：Perceptrons 课时8：A geometrical view of perceptrons 课时9：Why the learning works 课时10：What perceptrons can not do 课时11：Learning the weights of a linear neuron 课时12：The error surface for a linear neuron 课时13：Learning the weights of a logistic output neuron 课时14：The backpropagation algorithm 课时15：How to use the derivatives computed by the backpropagation algorithm 课时16：Learning to predict the next word 课时17：A brief diversion into cognitive science 课时18：Another diversion_The softmax output function 课时19：Neuro-probabilistic language models 课时20：ways to deal with large number of possible outputs 课时21：Why object recognition is difficult 课时22：Ways to achieve viewpoint invariance 课时23：Convolutional neural networks for hand-written digit recognition 课时24：Convolutional neural networks for object recognition 课时25：Overview of mini-batch gradient descent 课时26：A bag of tricks for mini-batch descent 课时27：The momentum method 课时28：A separate, adaptive learning rate for each connection 课时29：rmsprop_divide the gradient 课时30：Modeling sequences_brief overview 课时31：Training RNNs with backpropagation 课时32：A toy example of training an RNN 课时33：Why it is difficul to train an RNN 课时34：Long term short term memory 课时35：Modeling character strings with multiplicative connections 课时36：Learning to predict the next character using HF 课时37：Echo state networks 课时38：Overview of ways to improve generalization 课时39：Limiting size of the weights 课时40：Using noise as a regularizer 课时41：Introduction to the bayesian approach 课时42：The bayesian interpretation of weight decay 课时43：MacKays quick and dirty method of fixing weight costs 课时44：Why it helps to combine models 课时45：Mixtures of experts 课时46：The idea of full bayesian learning 课时47：Making full bayesian learning practical 课时48：Dropout an efficient way to combine neural nets 课时49：Hopfield Nets 课时50：Dealing with spurious minima in hopfield nets 课时51：Hopfields Nets with hidden units 课时52：Using stochastic units to improve search 课时53：How a boltzmann machine models data 课时54：The boltzmann machine learning algorithm 课时55：More efficient ways to get the statistics 课时56：Restricted boltzmann machines 课时57：An example of contrastive divergence learning 课时58：RBMs for collaborative filtering 课时59：The ups and downs of backpropagation 课时60：Belief nets 课时61：The wake-sleep algorithm 课时62：Learning layers of features by stacking RBMs 课时63：Discriminative fine-tuning for DBNs 课时64：What happens during discriminative fine-tuning 课时65：Modeling real-valued data with an RBM 课时66：RBMs are infinite sigmoid belief nets 课时67：From principal components analysis to autoencoders 课时68：Deep Autoencoders 课时69：Deep autoencoders for document retrieval and visualization 课时70：Semantic hashing 课时71：Learning binary codes for image retrieval 课时72：Shallow autoencoders for pre-training 课时73：Learning a joint model of images and captions 课时74：Hierarchical coordinate frames 课时75：Bayesian optimization of neural network hyperparameters

本 课程从基础的图像处理技术如卷积和边缘提取开始，逐步深入到更高级的主题，如 Harris角点检测、尺度不变特征变换（SIFT）、图像分割、对象识别、目标检测、三维重建和运动恢复结构。...

课时1：引言 课时2：卷积与边缘提取（上） 课时3：边缘提取（下）与拟合（上） 课时4：拟合（下） 课时5：回顾 课时6：Harris角点 课时7：回顾 课时8：尺度不变区域与SIFT特征（上） 课时9：SIFT特征（下）&纹理表示 课时10：分割 课时11：识别&词袋模型 课时12：目标检测 课时13：三维重建-摄像机模型 课时14：摄像机标定&三维重建基础&极几何 课时15：回顾（极几何及三维重建基础） 课时16：运动恢复结构 课时17：运动恢复结构(下) 课时18：课程总结

近年，为了实现物联网IoT社会，需要在所有的物体中设置电源。...

课时1：直播回放：开拓IoT社会 尼吉康的新蓄电装置

目前市场上针对这两个领域的解决方案都离不开AI控制和图像处理，然而AI控制需要云端支持，对设备网络环境要求较高，普通的CPU在高清图像的处理和识别方面也显得捉襟见肘。...

课时1：Renesas 瑞萨电子 RZ/G, RZ/A 和 RZ/V - SoC系列 课时2：Avnet 安富利 RZ/A2M 条码扫描器 Demo 演示

人工智能是当今最火热的技术，各大厂家都想做出自己的人工智能产品，但人工智能的入门门槛很高，要想快速的做人工智能产品并不容易，这门课给大家介绍一款开源的机器人语言识别框架，可以让大家快速的实现自己的人工智能产品...

课时1：AI聊天机器人导学 课时2：聊天机器人介绍 课时3：机器人环境搭建 课时4：安装配置机器人 课时5：录制唤醒词 课时6：聊天机器人架构分析 课时7：语音识别详解 课时8：百度语音识别示范 课时9：语音合成详解 课时10：NLP介绍1 课时11：NLP介绍2 课时12：NLP介绍3 课时13：NLP介绍4 课时14：机器人插件介绍 课时15：实现一个自己的插件

随着搜索应用程序，图像识别、App应用、成像、医学、无人机和无人驾驶汽车，计算机视觉在我们的社会中已经变得无处不在。许多这样的应用程序，比如：图片分类、定位和检测的核心功能任务都是视觉识别技术完成的。...

课时1：课程介绍 - 计算机视觉概述 课时2：课程介绍 - 计算机视觉历史背景 课时3：课程介绍 - 课程后勤 课时4：图像分类 - 数据驱动方法 课时5：图像分类 - K最近邻算法 课时6：图像分类 - 线性分类I 课时7：损失函数和优化 - 损失函数 课时8：损失函数和优化 - 优化 课时9：介绍神经网络 - 反向传播 课时10：介绍神经网络 - 神经网络 课时11：卷积神经网络 - 历史 课时12：卷积神经网络 - 卷积和池化 课时13：卷积神经网络 - 视觉之外的卷积神经网络 课时14：激活函数 课时15：批量归一化 课时16：更好的优化 课时17：正则化 课时18：迁移学习 课时19：Caffe，Torch，Theano，TensorFlow，Keras，PyTorch等 课时20：AlexNet，VGG，GoogLeNet，ResNet等 课时21：RNN, LSTM, GRU 课时22：语言模型 课时23：图像标注、视觉问答、 Soft attention模型 课时24：分割 课时25：定位 课时26：识别 课时27：特征可视化、倒置、对抗样本 课时28：DeepDream和风格迁移 课时29：Pixel RNN CNN 课时30：变分自编码器 课时31：生成式对抗网络 课时32：策略梯度，硬注意 课时33：Q-Learning, Actor-Critic算法 课时34：深度学习的方法及硬件 课时35：对抗样本和对抗训练 课时36：special篇：特邀对话Ian Goodfellow 课时37：special篇：特邀对话Song Han

特色：人工智能课程在学校的讲授时间为32个学时，面对计算机科学与技术硕士研究生，是一门专业必修课。...

课时2：人工智能概念 课时3：什么是理性智能体 课时5：问题求解智能体 课时6：问题形式化 课时7：树搜索算法 课时8：树搜索算法的实现 课时9：搜索策略 课时10：宽度优先搜索 课时11：一致代价搜索 课时12：深度优先搜索 课时13：有限深度搜索 课时14：迭代深入搜索 课时15：迭代深入深度搜索性能分析 课时16：无信息搜索策略小结 课时18：贪婪搜索算法 课时19：星搜索算法 课时20：星搜索算法的最优性 课时21：可采纳的启发式函数 课时22：爬山搜索算法 课时23：模拟退火搜索算法 课时24：遗传算法 课时26：什么是约束满足问题 课时27：约束满足问题的标准搜索形式化 课时28：回溯搜索算法 课时29：回溯搜索的变量赋值顺序策略 课时30：回溯搜索的前向检查及约束传播 课时31：AC-3弧相容算法 课时32：约束满足问题的局部搜索方法 课时34：博弈及极小极大值概念 课时35：极小极大值决策算法 课时36：剪枝的概念 课时37：alpha-beta算法 课时38：alpha-beta剪枝示例 课时39：不完美的实时决策 课时41：不确定性量化 课时42：使用完全联合分布进行推理 课时43：贝叶斯规则及其应用 课时44：贝叶斯网络推理 课时45：隐马尔可夫模型 课时46：卡尔曼滤波器

本课程面向各类编程学习者，讲解当下流行的机器学习相关的技术和方法，帮助学习者利用Python语言掌握机器学习算法解决一般问题的基本能力，一窥前沿机器学习算法的奥秘。...

课时2：机器学习课程内容导学 课时3：Sklearn库的安装 课时4：Sklearn库标准数据集及基本功能 课时5：无监督学习课程导学 课时6：聚类之K-Means+31省市居民家庭消费调查 课时7：聚类之Dbscan+学生月上网时间分布聚类实例 课时8：降维之NMF 课时9：降维之PCA 课时10：实例：基于聚类的整图分割 课时12：本周课程导学 课时13：“人体运动状态信息评级”实例分析 课时14：KNN+Nbayes+决策树 课时15：“人体运动状态信息评级”实例编写与对比 课时16：上证指数涨跌预测实例 课时17：线性回归+房价与房屋尺寸关系的线性拟合 课时18：多项式回归+房价与房屋尺寸的非线性拟合 课时19：岭回归 课时20：“手写识别”实例介绍 课时21：神经网络实现“手写识别”实例编写 课时22：KNN实现“手写识别”实例编写 课时24：强化学习基础 课时25：实例：自主学习Flappy Bird游戏 课时26：Flappy Bird自主学习程序基本框架 课时27：相关库的介绍及安装 课时28：项目实战 课时29：训练结果展示 课时30：课程总结

语音识别的发展可谓飞速。当下，诸如科大讯飞、百度等多家企业声称，其研发的云端语音识别技术已经达到了97%的准确率。...

课时1：TI 甘为 AI 大脑的顺风耳.P1 课时2：TI 甘为 AI 大脑的顺风耳.P2 课时3：TI 甘为 AI 大脑的顺风耳.P3

公司演示Canny边缘检测IP、ADI DDS HLS IP、基于Zynq的高级辅助驾驶系统（ADAS)、SPS Driver 大会上赛灵思方案展示、基于Zynq SoC的3阶TNPC、高速图像处理与物体安全识别...

课时1：基于Zynq的视觉工业物联网 课时2：跑在Zynq上的500fps视频应用 课时3：基于Zynq MPSoC的调试器与追踪器 课时4： DAVE嵌入式系统矩阵乘法HLS IP 课时5：Xylon脸部检测演示 课时6：iVeia公司演示Canny边缘检测IP 课时7：ADI DDS HLS IP 课时8：基于Zynq的高级辅助驾驶系统（ADAS) 课时9：基于Zynq SoC的3阶TNPC 课时10：高速图像处理与物体安全识别 课时11：基于FPGA的CPS演示 课时12：即插即用的计算机视觉方案 课时13：基于Zynq的低风险软定义应用开发 课时14：空客智能工具展示 课时15：基于Zynq的云端体验 课时16：基于Zynq的个人身份识别系统 课时17：高级智能图像识别方案演示（识别生日日期） 课时18：Silicon Software方案演示：快速开发视频系统 课时19：QDesys公司基于Zynq SoC 的 EtherCAT快速驱动系统 课时20：KWSoftware公司基于Zynq-7000的可编程逻辑控制器演示 课时21：由Mathworks带来的马达控制设计方法演示 课时22：Sensor to Image公司向您演示高带宽机器视觉设计 课时23：基于Zynq-7000 SoC的可靠的安全系统

本课程之目的是让学员能充份了解物联网各种相关技术与应用，在课程中介绍物联网相关的各种主题，包括自动识别、感测监控与定位追踪、智慧装置与普适运算 (Pervasive Computing)、相关之网路技术如机器与机器...

课时2：Outline and Overview 课时3：A Conceptual View of IoT- Infrastructure 课时4：What is IoT and History 课时5：Enabling Technologies- part1 课时6：Enabling Technologies- part2 课时7：Enabling Technologies- part3 课时8：Enabling Technologies- par4, IoT Reference Architecture 课时9：Market, Major IoT Players and Course Experiments 课时11：Automatic Identification 课时12：RFID Briefs 课时13：RFID Principles II 课时14：RFID Principles III 课时15：RFID Applications I 课时16：RFID Applications II 课时17：Other Identification Technologies 课时18：Data Capture 课时20：Sensing and Monitoring – Data Collection, and Devices 课时21：Sensing and Monitoring – Data Connection 课时22：Sensing and Monitoring -Data Mining and Analysis, Sensing and Monitoring 课时23：Sensing and Monitoring – E-Health 课时24：Sensing and Monitoring – mHealth, and Medical sensors 课时25：Sensing and Monitoring – Power Application, Location Tracking, and Position Identificatio 课时26：Location Tracking – Position Identification, Location Tracking, Sensing and Actuation 课时28：Intelligent Devices 课时29：Ambient Intelligence 课时30：Pervasive Computing 课时31：Potential Application & Contexts Awareness 课时32：Contexts Awareness 课时33：Application Scenarios 课时35：M2M System Architecture & Standards Development 课时36：ETSI M2M 课时37：M2M Platform 课时38：M2M Protocols 课时39：M2M Protocols & The Next Generation IP-based Protocols 课时40：The Next Generation IP-based Protocols 课时41：M2M & 3GPP 课时42：Wireless Sensors Networks part1 课时43：Wireless Sensors Networks part2 课时45：IoT Architectural Model - Current 课时46：IoT Architectural Model - Prospective & ITU-T M2M Reference Model 课时47：M2M Platform, Scenario of Sharing Data, and M2M Communications 课时48：IoT Protocols, and IoT Protocols – Wireless Communication 课时49：IoT Protocols – Wireless Communication 课时50：IoT Protocols – Networking, and IoT Protocols -Application 课时52：How IoT relates to big data 课时53：How IoT relates to big data, and Big Data Technology part I 课时54：Big Data Technology part II 课时55：Big Data Technology part III 课时56：Big Data Infrastructure 课时57：Big Data Applications 课时58：BIG Data Management 课时60：Network Security Brief 课时61：IoT Security Concerns 课时62：IoT Security Works part1 课时63：M2M Security Framework 课时64：IoT Privacy 课时65：IoT Security Standards and Challenges 课时67：Smart Environment 课时68：Smart Environment, and Smart Cities 课时69：Smart Agriculture part1 课时70：Smart Agriculture part2 课时71：Surveillance part1 课时72：Surveillance part2

并详细的介绍了射频识别技术的产生与发展、传感器网络技术的应用研究和物联网的相关技术。...

课时1：射频识别技术（RFID）（一） 课时2：射频识别技术（RFID）（二） 课时3：射频识别技术（RFID）（三） 课时4：射频识别技术（RFID）（四） 课时5：射频识别技术（RFID）（五） 课时6：射频识别技术（RFID）（六） 课时7：射频识别技术（RFID）（七） 课时8：射频识别技术（RFID）（八） 课时9：射频识别技术（RFID）（九） 课时10：射频识别技术（RFID）（十） 课时11：射频识别技术（RFID）（十一） 课时12：数据校验和防碰撞算法（一） 课时13：数据校验和防碰撞算法（二） 课时14：数据校验和防碰撞算法（三） 课时15：RFID的ISO IEC标准（上） 课时16：RFID的ISO IEC标准（下） 课时17：13.56 MHz RFID技术 课时18：无线传感器网络（一） 课时19：无线传感器网络（二） 课时20：无线传感器网络（三） 课时21：无线传感器网络（四） 课时22：无线传感器网络（五） 课时23：无线传感器网络（六） 课时24：无线传感器网络（七） 课时25：无线传感器网络（八） 课时26：路由协议（一） 课时27：路由协议（二） 课时28：路由协议（三） 课时29：路由协议（四） 课时30：无线传感器网络路由协议研究进展（一） 课时31：无线传感器网络路由协议研究进展（二） 课时32：无线传感器网络路由协议研究进展（三） 课时33：无线传感器网络路由协议研究进展（四） 课时34：无线传感器网络路由协议研究进展（五） 课时35：无线传感器网络路由协议研究进展（六） 课时36：定位技术（一） 课时37：定位技术（二） 课时38：定位技术（三） 课时39：定位技术（四） 课时40：定位技术（五） 课时41：定位技术（六） 课时42：定位技术（七） 课时43：时间同步（一） 课时44：时间同步（二） 课时45：时间同步（三） 课时46：时间同步（四） 课时47：数据融合（一） 课时48：数据融合（二） 课时49：数据融合（三） 课时50：应用开发基础（一） 课时51：应用开发基础（二） 课时52：应用开发基础（三） 课时53：应用开发基础（四） 课时54：应用开发基础（五） 课时55：应用开发基础（六）

动手学深度学习...

课时1：预告 课时2：课程安排 课时3：深度学习介绍 课时4：安装 课时5：数据操作 + 数据预处理 课时6：线性代数 课时7：矩阵计算 课时8：自动求导 课时9：线性回归 + 基础优化算法 课时10：Softmax 回归 + 损失函数 + 图片分类数据集 课时11：多层感知机 + 代码实现 课时12：模型选择 + 过拟合和欠拟合 课时13：权重衰退 课时14：丢弃法 课时15：数值稳定性 + 模型初始化和激活函数 课时16：实战：Kaggle房价预测 + 课程竞赛：加州2020年房价预测 课时17：PyTorch 神经网络基础 课时18：使用和购买 GPU 课时19：预测房价竞赛总结 课时20：卷积层 课时21：卷积层里的填充和步幅 课时22：AutoGluon背后的技术 课时23：卷积层里的多输入多输出通道 课时24：池化层 课时25：经典卷积神经网络 LeNet 课时26：深度卷积神经网络 AlexNet 课时27：使用块的网络 VGG 课时28：网络中的网络 NiN 课时29：含并行连结的网络 GoogLeNet - Inception V3 课时30：批量归一化 课时31：残差网络 ResNet 课时32：ResNet为什么能训练出1000层的模型 课时33：第二部分完结竞赛：图片分类 课时34：深度学习硬件：CPU 和 GPU 课时35：深度学习硬件：TPU和其他 课时36：单机多卡并行 课时37：多GPU训练实现 课时38：分布式训练 课时39：数据增广 课时40：微调 课时41：第二次竞赛 树叶分类结果 课时42：实战 Kaggle 比赛：图像分类（CIFAR-10） 课时43：实战 Kaggle 比赛：狗的品种识别（ImageNet Dogs） 课时44：物体检测和数据集 课时45：锚框 课时46：树叶分类竞赛技术总结 课时47：物体检测算法：R-CNN，SSD，YOLO 课时48：SSD实现 课时49：语义分割和数据集 课时50：转置卷积 课时51：转置卷积是一种卷积 课时52：全连接卷积神经网络FCN 课时53：样式迁移 课时54：课程竞赛：牛仔行头检测 课时55：序列模型 课时56：文本预处理 课时57：语言模型 课时58：循环神经网络RNN 课时59：循环神经网络RNN的实现 课时60：门控循环单元（GRU） 课时61：长短期记忆网络（LTSM） 课时62：深层循环神经网络 课时63：双向循环神经网路 课时64：机器翻译数据集 课时65：编码器-解码器架构 课时66：序列到序列学习（seq2seq） 课时67：束搜索 课时68：注意力机制 课时69：注意力分数 课时70：使用注意力机制的seq2seq 课时71：自注意力 课时72：Transformer 课时73：BERT预训练 课时74：BERT微调 课时75：目标检测竞赛总结 课时76：优化算法 课时77：课程总结和进阶学习

赛普拉斯半导体公司的TrueTouch® Gen4系列触摸屏控制器现已具有多种高级功能，例如能在有物体接近触摸屏时关闭屏幕以避免误触摸的接近探测功能。...

课时1：电容式触摸屏手机轻松手写中文——Cypress 触摸屏控制器

现阶段共有81个C6748例程，含人脸识别、数字识别、FFT、FIR、IIR、NDK、WebServer等实用例程。同时含详细的双核开发历程。...

课时1：课程介绍 课时2：双核开发理论（上） 课时3：双核开发理论（中） 课时4：双核开发理论（下）

她能感知主人的动作，不仅可以识别主人的面部，还能根据主人的喜好生成不同的形象。通过连接互联网和其他电器，还可以实现天气播报，烧水，放洗澡水的功能。...

课时1：全息智能二次元萌妹纸让你不再孤单