Loading

Smashing September Sale - Get 25% Off Certificates and Diplomas! Limited-time Offer - ends Friday, 17th September 2021

Claim My 25% OFF

Traitement des données à l'aide de réseaux neuronaux récurrents et récurrents

Dans ce cours en ligne gratuit, découvrez les méthodes de traitement des images et des données séquentielles en utilisant des CNN et des RNN.

Publisher: NPTEL
Ce cours en ligne gratuit explique le processus d'identification des composants d'une image à l'aide de réseaux neuronaux récurrents et récurrents. Découvrez comment ces réseaux neuronaux fonctionnent dans le traitement de l'information temporelle et spatiale, ainsi que les méthodes utilisées pour distinguer les éléments inattendus ou les événements des images qui diffèrent d'un modèle.
Traitement des données à l'aide de réseaux neuronaux récurrents et récurrents
  • Durée

    5-6 Heures
  • Students

    57
  • Accreditation

    CPD

Description

Modules

Résultats

Certification

View course modules

Description

Qu'est-ce que les réseaux neuronaux convolutionnaires et comment fonctionnent? Les réseaux neuronaux convolutionnaires (CNN) sont parmi les types de réseaux neuronaux les plus courants utilisés dans la vision par ordinateur pour reconnaître les objets et les motifs dans les images. Le cours présente les principales méthodes permettant d'identifier et de localiser les objets à l'intérieur d'une image ou d'une vidéo. Vous êtes-vous déjà demandé comment il est possible de diviser une image en différentes sections pour former des objets de vérification? Ce cours explorera ces processus et vous enseignera les différentes méthodes d'échantillonnage dense pour la détection d'objets dans une image ou une vidéo. Vous découvrirez que l'architecture You Only Look Once (YOLO) utilise deux couches complètement connectées. En revanche, le réseau de détecteurs à dose unique utilise des couches conévolutionnaires de tailles variables pour détecter les objets. Le cours révélera l'importance de RetinaNet pour combler les déséquilibres et les incohérences des méthodes de détection de YOLO et des détecteurs à un seul coup de feu tout en traitant avec des classes d'arrière-plan extrêmes.

Ensuite, le cours met en évidence la façon dont les méthodes d'échantillonnage dense accordent moins d'importance à la reproductibilité élevée et assurent une couverture dense des objets représentés. Découvrez comment la segmentation d'image avec CNN implique l'alimentation de segments d'une image en entrée sur un CNN, qui identifie les pixels. Découvrez comment les classificateurs d'architecture et de softmax de CNN extraient des traits distinctifs et classent les visages dans la couche de CNN entièrement connectée. La tâche d'estimer les poses humaines et le comptage des foules à l'aide d'une planification approfondie et de CNN est décrite. Ce processus comprend l'évaluation de la configuration du corps à partir d'une seule image monoculaire. Vous allez explorer comment CNN utilise la convolution, la mise en commun, les unités linéaires rectifiées et les couches complètement connectées pour extraire des fonctionnalités pour obtenir une carte de densité de foule. Le cours vous aidera à maîtriser l'application de CNN pour des tâches telles que l'estimation de la profondeur, la super résolution et la détection des anomalies.

Enfin, la méthode d'obtention d'une représentation d'une structure spatiale de la scène, la récupération de la forme tridimensionnelle et de l'apparence des objets dans l'imagerie utilisant des CNN, est expliquée. On vous enseignera comment utiliser les CNN pour détecter les événements qui s'écarteront de la norme en ne suivant pas le reste du modèle. Par la suite, on explique l'application de réseaux neuronaux récurrents (RNN) dans l'analyse des problèmes de vision par ordinateur. Vous apprendrez comment les RNN peuvent fonctionner avec des séquences telles que le texte, le son, les vidéos et les données financières et comment elles génèrent des légendes pour les images. Vous étudierez également comment la rétropropagation à travers un algorithme de formation temporelle est utilisée pour mettre à jour les pondérations dans les RNN, comme de longs souvenirs à court terme. Enfin, vous étudierez comment les réseaux neuronaux récurrents et récurrents jouent un rôle essentiel dans la production d'une étiquette pertinente à une vidéo, étant donné ses cadres. 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 sur les fonctions de réseaux neuronaux récurrents et récurrents dans le traitement des informations temporelles et spatiales.

Démarrer le cours maintenant

Careers