Diploma en Redes Neurales Convolucionales en Visión Informática

Las redes neuronales convolucionales (CNN) son uno de los avances más significativos en la visión de la computadora. El curso introduce las operaciones fundamentales y los parámetros de la convolución. Usted descubrirá la importancia de CNNs para superar los desafíos de la red de avance en la filtración de imágenes visuales. Después de esto, se explica la aplicación del algoritmo de retropropagación a través de las distintas capas de CNNs. Además de esto, se describen las diversas funciones de las arquitecturas de CNN para extender el soporte más allá de las redes neuronales residuales. Se discuten los múltiples enfoques para entender y visualizar CNNs. Usted investigará el procedimiento para visualizar activaciones de capas, recuperando imágenes que activen al máximo una neurona, y ocluyendo partes de la imagen. Este curso explica los métodos para interpretar y entender las aplicaciones de CNN en el análisis de imágenes, y las perspectivas de las diversas características para la localización discriminativa.

A continuación, el curso explica cómo mejorar las explicaciones visuales para redes convolucionales profundas utilizando mapas de activación de clases ponderadas por gradiente. Descubrirá cómo los métodos de elevación profunda y gradientes integrados superan los gradientes de saturación y la necesidad de utilizar el método XRAI para una mejor interpretación en términos de coherencia visual. Después de esto, se le enseñará cómo se realizó la detección de objetos en la era de aprendizaje pre-profundo y cómo los CNNs básicos se pueden adaptar a la detección de objetos. Además de esto, se explica la segmentación de imágenes usando arquitecturas de CNN. Este proceso incluirá el enlace de cada píxel en una imagen a una etiqueta de clase utilizando técnicas de segmentación de imágenes semánticas. Se describe el concepto de comprensión y procesamiento de tareas para el reconocimiento y verificación de la cara. Explorará algunos de los esfuerzos recientes que han utilizado CNNs para realizar tareas de reconocimiento de cara, como la identificación y la verificación.

Por último, determinará cómo las redes neuronales recurrentes (RNNs) pueden realizar la misma tarea a partir de la salida de datos anteriores, lo que incluirá el proceso de formación de RNNs utilizando el algoritmo de retropropagación. Se describe el proceso de resolver el problema de gradiente de desvanecimiento usando cambios en la arquitectura de un RNN. Descubrirás cómo el problema del gradiente de desaparición dio lugar al desarrollo de modelos populares como las unidades recurrentes cerradas y la larga memoria a corto plazo. Por último, se le enseñará sobre el método de procesamiento de videos usando redes neuronales convolucionales y recurrentes. Este es un curso esclarecedor que interesará a los que estudian ciencias de la computación o a los interesados en estos temas. ¿Por qué esperar? Inscríbase hoy y comience a aprender sobre una clase de redes neuronales artificiales que se han vuelto dominantes en varias tareas de visión por computadora.