Loading

The New Alison App has just launched Download Now

Procesamiento de datos utilizando redes neuronales convolucionales y recurrentes

En este curso gratuito en línea, conozca los métodos de procesamiento de imágenes y datos secuenciales utilizando CNNs y RNNs.

IT
Gratis
Este curso gratuito en línea explica el proceso de identificación de componentes de una imagen utilizando redes neuronales convolucionales y recurrentes. Explore cómo funcionan estas redes neuronales en el proceso de información temporal y espacial, y los métodos utilizados en la distinción de elementos o sucesos inesperados en imágenes que difieren de un patrón.
  • Duración

    5-6 Horas
  • Certificación

  • Responsive

  • Editor

    NPTEL
  • Accreditation

    CPD

Descripción

Modules

Resultados

Certificación

Ver los módulos del curso

Description

¿Qué son las redes neuronales convolucionales y cómo funcionan? Las redes neuronales convolucionales (CNN) se encuentran entre los tipos más comunes de redes neuronales utilizadas en la visión de la computadora para reconocer objetos y patrones en las imágenes. El curso presenta los métodos principales para identificar y localizar objetos dentro de una imagen o vídeo. ¿Alguna vez te has preguntado cómo es posible dividir una imagen en diferentes secciones para formar objetos de verificación? Este curso explorará estos procesos y le enseñará los diversos métodos de muestreo denso para detectar objetos en una imagen o vídeo. Usted descubrirá que la arquitectura You Only Look Once (YOLO) utiliza dos capas totalmente conectadas. En contraste, la red de detector de disparo único utiliza capas convolucionales de tamaños variables para detectar objetos. El curso revelará la importancia de RetinaNet para llenar los desequilibrios e inconsistencias de YOLO y los métodos de detector de disparo único mientras se trata de clases de fondo de primer plano.

A continuación, el curso resalta cómo los métodos de muestreo denso dan menos importancia a la alta repetibilidad y proporcionan una cobertura densa de los objetos representados. Descubra cómo la segmentación de imágenes con CNN implica la alimentación de segmentos de una imagen como entrada a una CNN, que etiqueta los píxeles. Descubra cómo la arquitectura de CNN y los clasificadores de softmax extraen características de cara distintivas y clasifican caras en la capa de CNN totalmente conectada. Se describe la tarea de estimar las poses humanas y el conteo de multitudes usando planificación profunda y CNNs. Este proceso incluye la evaluación de la configuración del cuerpo de una sola imagen monocular. Usted explorará cómo CNN emplea la convolución, la puesta en común, las unidades lineales rectificadas y las capas totalmente conectadas para extraer características para obtener un mapa de densidad de la multitud. El curso le ayudará a dominar la aplicación de CNNs para tareas como la estimación de profundidad, la superresolución y la detección de anomalías.

Por último, se explica el método para obtener una representación de una estructura espacial de la escena, recuperando la forma tridimensional y la apariencia de los objetos en imágenes utilizando CNNs. Se le enseñará cómo utilizar CNNs para detectar sucesos que se desvían del estándar al no seguir el resto del patrón. Tras esto, se explica la aplicación de redes neuronales recurrentes (RNNs) en el análisis de problemas de visión por computadora. Usted explorará cómo los RNNs pueden trabajar con secuencias como texto, sonido, videos y datos de finanzas y cómo generan subtítulos para las imágenes. También explorará cómo se utiliza la retropropagación a través de un algoritmo de entrenamiento de tiempo para actualizar los pesos en RNNs, como memorias largas a corto plazo. Por último, usted estudiará cómo las redes neuronales convolucionales y recurrentes juegan un papel vital en la producción de una etiqueta relevante a un video, dados sus marcos. 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 mismo y empiece a aprender sobre las funciones de redes neuronales convolucionales y recurrentes en el proceso de información temporal y espacial.

Inicio Curso Ahora

Careers