reti neurali convoluzionali (CNN) sono una delle scoperte più significative nella visione artificiale. Il corso introduce le operazioni e i parametri fondamentali della convoluzione. Scoprirai l'importanza delle CNN nel superare le sfide della rete feedforward nel filtraggio delle immagini visive. Successivamente, viene spiegata l'applicazione dell'algoritmo di backpropagation attraverso i vari livelli delle CNN. Inoltre, vengono descritte le varie funzioni delle architetture CNN per estendere il supporto oltre le reti neurali residue. Vengono discussi i molteplici approcci per la comprensione e la visualizzazione delle CNN. Studierai la procedura per visualizzare le attivazioni dei livelli, recuperare le immagini che attivano al massimo un neurone e occludere parti dell'immagine. Questo corso spiega i metodi per interpretare e comprendere le applicazioni della CNN nell'analisi delle immagini e le prospettive delle varie funzionalità di localizzazione discriminante

Successivamente, il corso spiega come migliorare le spiegazioni visive per le reti convoluzionali profonde utilizzando mappe di attivazione delle classi ponderate per gradiente. Scoprirai come i metodi deep lift e integrated gradients superano i gradienti saturanti e la necessità di utilizzare il metodo XRAI per una migliore interpretabilità in termini di coerenza visiva. Successivamente, ti verrà insegnato come veniva eseguito il rilevamento degli oggetti nell'era del pre-deep learning e come le CNN di base possono essere adattate al rilevamento di oggetti. Inoltre, viene spiegata la segmentazione delle immagini mediante architetture CNN. Questo processo includerà il collegamento di ogni pixel di un'immagine a un'etichetta di classe utilizzando tecniche di segmentazione semantica delle immagini. Viene divulgato il concetto di comprensione ed elaborazione delle attività per il riconoscimento e la verifica facciale. Esplorerai alcuni dei recenti sforzi che hanno utilizzato le CNN per eseguire attività di riconoscimento facciale come l'identificazione e

Infine, determinerai in che modo le reti neurali ricorrenti (RNN) possono eseguire la stessa operazione dall'output dei dati precedenti, che includerà il processo di addestramento degli RNN utilizzando l'algoritmo di backpropagation. Viene spiegato il processo di risoluzione del problema del vanishing gradient utilizzando modifiche all'architettura di un RNN. Scoprirai come il problema del vanishing gradient abbia dato origine allo sviluppo di modelli popolari come le unità ricorrenti chiuse e la memoria a lungo termine. Infine, ti verrà insegnato il metodo di elaborazione dei video utilizzando reti neurali convoluzionali e ricorrenti. Questo è un corso illuminante che interesserà chi studia informatica o chi è interessato a questi argomenti. Perché aspettare? Iscriviti oggi e inizia a conoscere una classe di reti neurali artificiali che sono diventate dominanti in varie attività di visione artificiale