本系列课程集中研究深度学习发展历程中的关键时刻和里程碑式的工作。通过研读相关学术论文，学员将深入了解经典CNN模型、TRansformEr及其变种架构等关键技术点。课程内容包括但不限于计算机视觉中的分类任务、目标检测与图像分割等内容，以及神经网络优化、正则化技巧、评价指标等综合理论方向的综述性文章。此外，课程还将探讨视觉Transformer的SoTA与挑战等相关主题。通过本课程的学习，学员不仅能够提升论文写作技能和表达创新思路的能力，还能了解并应用最新的研究成果解决实际问题，为在国际期刊和会议上发表具有影响力的高质量学术研究打下基础。
课程列表：
1. 初学者如何高效阅读论文
2. AlExNet横空出世
3. VGG网络解析
4. 残差学习：ResNet深度探讨
5. Transformer自注意力机制的改进
6. EffIcientViT：边缘计算设备上的高效ViT应用
7. 视觉Transformer：当前最佳实践与挑战综述
8. 图像分割开创性工作解读：FCN
9. 生物医学图像分割：U-Net应用与解析
10. U-Net的升级版：U-NetV2与U-Net++
11. 目标检测开创性工作回顾：R-CNN
12. R-CNN的进阶版：Fast R-CNN
13. OPPO出品_显著目标检测：PSUNet详解
14. RetinaNet技术解析
15. 网络优化器类型及优缺点探讨
16. 深度学习VS传统计算机视觉：综述与对比
17. ViT真的超越CNN了吗？深度剖析
18. AnchorNet：减小图像空间冗余度，加速图像分类推理
19. ImageNet数据集的应用与影响
20. GC-CLIP：改进CLIP Zero-shot分类性能的方法
21. SAM(Segment AnytHing Model)详解
22. EfficientSAM：改进SAM的应用与实践
23. BLIP2：高效进行VLP的技术解析
24. 机器人中的GPT-4V(ision)应用探索
25. 能在iPhOne12上运行的SAM：RepViTSAM介绍
26. 医疗设备上的大语言模型：SM70应用案例
27. 大语言模型在电力系统中的应用与实践
28. Segment and Track Anything技术前沿
29. MAE：以自监督范式训练ViT的方法与实践
