Loading

Alison's New App is now available on iOS and Android! Download Now

Compréhension et visualisation des réseaux neuronaux convolutionnels (CNN)

Dans ce cours en ligne gratuit, découvrez le rôle des réseaux neuronaux convolutionnaires dans le traitement des images.

Publisher: NPTEL
Ce cours en ligne gratuit explique le lien entre la convolution et les réseaux neuronaux dans le traitement et la classification des images. Vous découvrirez comment un ordinateur peut effectuer une classification d'image en recherchant des éléments de bas niveau, tels que des arêtes et des courbes, puis en construira des concepts plus abstraitaux à travers une série de couches convolutionnaires. Le cours illustre également diverses approches de visualisation des CNN.
Compréhension et visualisation des réseaux neuronaux convolutionnels (CNN)
  • Durée

    5-6 Heures
  • Students

    25
  • Accreditation

    CPD

Description

Modules

Résultats

Certification

View course modules

Description

Les réseaux neuronaux de convolution (CNN) sont principalement utilisés pour la classification et la reconnaissance des images en raison de leur grande précision. Le cours introduit la nécessité d'utiliser des CNN dans le traitement des images. Vous explorerez le rôle des CNN dans la conquête des difficultés présentées par d'autres réseaux dans le criblage d'images. Par la suite, la fonction de l'algorithme de rétropropagation dans les CNN est discutée, où vous serez enseigné à propos des notations mathématiques d'un algorithme de rétropropagation. L'évolution des architectures CNN au cours des dernières décennies est également mise en évidence. Ceci inclura les différents types d'architectures et le processus de sélection de l'architecture appropriée en fonction de la tâche à accomplir. Ce cours explique comment les architectures CNN sont utilisées pour extraire des classes d'informations à partir d'une image tramée multibande pour créer des cartes thématiques.

Ensuite, le cours met en évidence les différentes façons d'améliorer les architectures CNN en fonction des travaux précédents. Cela intégrera les éléments des modèles de CNN contemporains qui ont été créés pour étendre l'aide au-delà des autres réseaux. Vous explorez les différentes implémentations architecturales qui ont conduit de l'architecture MobileNet à l'architecture de pointe EfficientNet, avec les nombreuses améliorations entre. Le cours explique l'importance de visualiser un modèle de CNN. Cela comprendra les diverses méthodes d'élaboration et de présentation des prédictions du modèle d'un CNN. En plus de cela, le cours décrira les applications de ces réseaux neuronaux dans le traitement des images. Vous découvrirez comment CNN, en utilisant la technique d'apprentissage profond, surpasse d'autres méthodes d'analyse d'images. Les processus d'interprétation et de compréhension des applications des CNN dans l'analyse des images sont également expliqués.

Enfin, on vous enseignera comment les explications visuelles sont extraites des réseaux profonds via une localisation basée sur le gradient. Cela comprendra le rôle des cartes d'activation de classe dans l'amélioration des clarifications sur les CNN en profondeur. Les méthodes actuelles d'explication des CNN sont mises en évidence. Vous explorez les modes interprétables et les arrière-plans des jeux utilisés pour les images, les textes et les données tabulaires pour des expériences du monde réel. Enfin, on vous enseignera les différentes approches pour aborder le problème des gradients de saturation. Cela comprendra la résolution d'un problème qui fait référence à une fonction pour laquelle une contribution plus importante ne mènera pas à une augmentation pertinente de la production. Il s'agit d'un cours passionnant qui intéressera ceux qui étudient l'informatique ou ceux qui s'intéressent à ces sujets. Pourquoi attendre? Inscrivez-vous dès aujourd'hui et commencez à apprendre sur l'application de réseaux neuronaux convolutionnaires à différentes tâches de vision d'ordinateur.

 

Démarrer le cours maintenant

Careers