正版资源深度之眼
《深度之眼》深度之眼 - 人工智能Paper论文精读班（CV方向）【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而
支付成功后自动发货，可在「我的订单」查看网盘链接；链接失效可联系客服免费补链。
这份资料的主题是计算机视觉方向的论文精读，不是那种把模型调包跑通就收工的实战课。它的组织方式更接近研究生组会的读 paper 流程：把一篇 CV 论文拆成问题定义、方法动机、网络结构、损失设计、实验对照几个层次，逐段推进。对已经能写 PyTorch 训练脚本、但读英文论文时容易卡在公式和结构图上的开发者，这类精读材料的价值在于把"看懂"变成"能复述、能对照实现"。
课程的内容组织方式
精读班通常按 CV 的几条主线铺开，比如分类骨干网络、目标检测、语义与实例分割、注意力机制、Transformer 迁移到视觉任务等。每篇论文的讲解一般不会只停在"这篇提出了什么模块"，而会往回追它要解决的前作缺陷，再往前推它对后续工作的影响。这种前后串联的讲法，对建立领域脉络比零散看单篇解读有用得多。
资料包里配套的笔记，作用主要是复盘锚点。看视频时信息密度高，很多推导和超参细节一闪而过，笔记能把关键公式、结构图、实验结论固化下来。建议不要等全部看完再整理，而是每读完一个主题就自己重画一遍结构图，写清输入输出张量形状和损失函数的每一项。能不能画出这张图，基本就反映了有没有真读懂。
技术栈与前置要求
CV 方向的论文精读，隐含的技术栈是 Python + PyTorch，数学上会反复用到卷积、池化、归一化、注意力这几类运算的张量维度推演。读检测和分割的论文时，还会涉及 anchor、IoU、NMS、proposal 等工程概念。如果这些概念只是听说过、没自己实现过，读论文时容易在方法章节掉队。
所以比较合理的用法是：一边看精读，一边在本地把论文里的核心模块用几十行代码实现一遍。比如读完一篇讲注意力或特征融合的论文，就单独写一个 module 类，喂随机张量验证输出维度是否符合论文描述。这种"读一篇、实现一个模块"的节奏，比看完整个系列再动手要扎实。
可复用的模块与工程参考
论文精读真正能沉淀下来的，是可复用的结构件和设计经验，而不是某一篇的具体结论。同一条主线读下来，你会发现很多方法的差异集中在几个点上：特征如何融合、多尺度如何对齐、正负样本如何分配、损失如何加权。把这些差异整理成对照表，就是一份自己的设计选型参考。
- 骨干网络与特征提取：不同 stage 的输出通道、下采样倍率、感受野变化，是后续所有任务的共同基础。
- 检测头与标签分配：从 anchor-based 到 anchor-free，正负样本匹配策略的演进值得单独梳理。
- 分割与上采样：解码器如何逐步恢复分辨率、如何融合浅层细节，是复现时最容易出偏差的地方。
- 注意力与全局建模：通道注意力、空间注意力、自注意力的计算代价与适用场景各不相同。
这些模块在真实项目里往往是直接拿来做 baseline 的，读论文时顺手把接口和维度约束记清楚，实际落地时改起来会快很多。
建议的自学路径
如果基础还不牢，先补卷积网络的基本原理和 PyTorch 的 tensor 操作，再进入精读，否则会一直处在一知半解的状态。进入精读后，按主题而非按视频顺序推进，一个主题读透再换下一个。每个主题结束时做两件事：用一句话说清这篇论文的贡献和局限；用代码复现它最核心的那个模块并跑通前向。
最后选一篇结构完整、复现资料较多的论文，从数据加载到训练评估走一遍全流程，把它写进个人项目记录。这份资料适合拿来对照实践和梳理脉络，不适合当成连续播放的背景音。真正决定效果的，还是你读完一篇之后有没有动手把它变成能跑的东西。
深度之眼 - 人工智能Paper论文精读班（CV方向）
课程推荐
《深度之眼》深度之眼 - 人工智能Paper论文精读班（CV方向）【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（30 节）
* │ 1.第一篇论文《Deep learning》— 第一课时.mp4
* │ 10.第三篇论文VGG——第二课时.mp4.mp4
* │ 11.第三篇论文VGG——第三课时.mp4.mp4
* │ 12.第四篇论文RCNN——第一课时.mp4.mp4
* │ 13.第四篇论文RCNN——第二课时.mp4
* │ 14.第四篇论文RCNN——第三课时.mp4.mp4
* │ 15.第四篇论文RCNN——第四课时.mp4
* │ 16.第四篇论文RCNN——第五课时.mp4.mp4
* │ 17.第五篇论文SSD——第一课时.mp4
* │ 18.第五篇论文SSD——第二课时2.1.mp4.mp4
* │ 19.第五篇论文SSD——第二课时2.2.mp4.mp4
* │ 2.第一篇论文《Deep learning》— 第二课时.mp4.mp4
* │ 20.第五篇论文SSD——第三课时3.1.mp4.mp4
* │ 21.第五篇论文SSD——第三课时3.2.mp4.mp4
* │ 22.第六篇论文词MTCNN——第一课时.mp4.mp4
* │ 23.第六篇论文词MTCNN——第二课时.mp4.mp4
* │ 24.第六篇论文MTCNN——第三课时.mp4.mp4
* │ 25.第六篇论文MTCNN——第四课时.mp4
* │ 26.第六篇论文词MTCNN——第五课时.mp4.mp4
* │ 27.第七篇论文Facenet——第一课时.mp4
* │ 28.第七篇论文Facenet——第二课时.mp4.mp4
* │ 29.第七篇论文Facenet——第三课时3.1.mp4.mp4
* │ 3.第一篇论文《Deep learning》— 第三课时.mp4.mp4
* │ 30.第七篇论文Facenet——第三课时3.2.mp4.mp4
* │ 4.第二篇论文AlexNet —— 第一课时.mp4
* │ 5.第二篇论文AlexNet——第二课时2.1.mp4.mp4
* │ 6.第二篇论文AlexNet——第二课时2.2.mp4.mp4
* │ 7.第二篇论文AlexNet——第三课时3.1.mp4
* │ 8.第二篇论文AlexNet——第三课时3.2.mp4
* │ 9.第三篇论文VGG——第一课时.mp4.mp4
配套笔记（8 份 PDF）
* │ NatureDeepReview.pdf
* │ Facenet论文原文.pdf
* │ VggNet.pdf
* │ AlexNet.pdf
* │ ssd论文原文.pdf
* │ ssd论文翻译版.pdf
* │ │ MTCNN.pdf
* R-CNN.pdf
