réseaux de neurones convolutifs (CNN) constituent l'une des avancées les plus importantes de la vision par ordinateur. Le cours présente les opérations et les paramètres fondamentaux de la convolution. Vous découvrirez l'importance des CNN pour surmonter les défis du réseau Feedforward en matière de filtrage des images visuelles. Ensuite, l'application de l'algorithme de rétropropagation aux différentes couches des CNN est expliquée. En outre, les différentes fonctions des architectures CNN pour étendre le support au-delà des réseaux neuronaux résiduels sont décrites. Les multiples approches permettant de comprendre et de visualiser les CNN sont discutées. Vous allez étudier la procédure à suivre pour visualiser les activations des couches, récupérer des images qui activent au maximum un neurone et masquer certaines parties de l'image. Ce cours explique les méthodes d'interprétation et de compréhension des applications CNN pour l'analyse d'images, et les perspectives des différentes fonctionnalités de localisation discriminante

Ensuite, le cours explique comment améliorer les explications visuelles des réseaux convolutifs profonds à l'aide de cartes d'activation de classe pondérées par gradient. Vous découvrirez comment les méthodes de soulèvement profond et de gradient intégré permettent de surmonter les gradients saturants et la nécessité d'utiliser la méthode XRAI pour une meilleure interprétabilité en termes de cohérence visuelle. Ensuite, vous apprendrez comment la détection d'objets était effectuée à l'ère du deep learning et comment les CNN de base peuvent être adaptés à la détection d'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 une étiquette de classe à l'aide de techniques de segmentation sémantique d'images. Le concept de compréhension et de traitement de tâches pour la reconnaissance faciale et la vérification est décrit. Vous explorerez certains des efforts récents qui ont utilisé CNN pour effectuer des tâches de reconnaissance faciale telles que l'identification et la vérification

Enfin, vous déterminerez comment les réseaux de neurones récurrents (RNN) peuvent effectuer la même tâche à partir de la sortie des données précédentes, ce qui inclura le processus d'entraînement des RNN à l'aide de l'algorithme de rétropropagation. Le processus de résolution du problème du gradient de disparition en utilisant des modifications de 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 les unités récurrentes fermées et la mémoire à long terme. Enfin, vous apprendrez la méthode de traitement des vidéos à l'aide de réseaux de neurones convolutifs et récurrents. Il s'agit d'un cours enrichissant 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 découvrir une classe de réseaux de neurones artificiels qui sont devenus dominants dans diverses tâches de vision par ordinateur.