Diplôme en réseaux de neurones dans la vision de l'ordinateur

Les réseaux neuronaux convolutionnaires (CNN) constituent l'une des percées les plus significatives de la vision informatique. Le cours introduit les opérations et paramètres fondamentaux de la convolution. Vous découvrirez l'importance des CNN pour surmonter les défis du réseau de la matière première dans le filtrage de l'imagerie visuelle. Par la suite, l'application de l'algorithme de rétropropagation à travers les différentes couches de CNN est expliquée. En outre, les différentes fonctions des architectures CNN pour étendre le support au-delà des réseaux neuronaux résiduels sont décrites. Les approches multiples de compréhension et de visualisation des CNN sont discutées. Vous étudierez la procédure de visualisation des activations de couche, l'extraction d'images qui activeront au maximum un neuron, et l'occlusion de parties de l'image. Ce cours explique les méthodes d'interprétation et de compréhension des applications de CNN dans l'analyse d'images, ainsi que les perspectives des différentes fonctionnalités de localisation discriminative.

Ensuite, le cours explique comment améliorer les explications visuelles des réseaux de révolution profonde en utilisant des cartes d'activation de classe pondérées par gradient. Vous découvrirez comment les méthodes de soulèvement et de gradients intégrés surmontent les gradients de saturation et la nécessité d'utiliser la méthode XRAI pour une meilleure interprétation en termes de cohérence visuelle. Par la suite, on vous enseignera comment la détection des objets a été réalisée à l'ère pré-profonde de l'apprentissage et comment les CNN de base peuvent être adaptées à la détection des objets. En outre, la segmentation des images à l'aide des architectures CNN est expliquée. Ce processus inclura la liaison de chaque pixel d'une image à un label de classe en utilisant des techniques de segmentation par image sémantique. La notion de compréhension et de traitement des tâches pour la reconnaissance et la vérification des face est divulguée. Vous explorez certains des efforts récents qui ont utilisé les CNN pour effectuer des tâches de reconnaissance faciaux telles que l'identification et la vérification.

Enfin, vous déterminerez comment les réseaux neuronaux récurrents (RNN) peuvent effectuer la même tâche à partir de la sortie des données précédentes, ce qui inclut le processus de formation des RNN à l'aide de l'algorithme de rétropropagation. Le processus de résolution du problème du gradient de fuite à l'aide de changements dans l'architecture d'un RNN est expliqué. Vous découvrirez comment le problème du gradient de disparition a donné lieu au développement de modèles populaires tels que des unités récurrentes fermées et une longue mémoire à court terme. Enfin, on vous enseignera la méthode de traitement des vidéos à l'aide de réseaux neuronaux récurrents et récurrents. Il s'agit d'un cours d'information 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 une classe de réseaux neuronaux artificiels qui sont devenus dominants dans diverses tâches de vision informatique.