Diploma in Reti Neurali Convoluzionistiche in Computer Vision

Le reti neurali Convoluzionistiche (CNN) sono una delle più significative scoperte nella visione informatica. Il corso introduce le operazioni fondamentali e i parametri di convoluzione. Scoprirete il significato di CNNs nel superare le sfide della rete feedforward nel filtrare l'immaginario visivo. In seguito, viene spiegata l'applicazione dell'algoritmo di backpropagation attraverso i vari strati di CNNs. Oltre a ciò, vengono descritte le varie funzioni delle architetture della CNN per estendere il supporto oltre le reti neurali residue. Vengono discussi i molteplici approcci per la comprensione e la visualizzazione dei CNN. Si indagherà la procedura per visualizzare le attivazioni di layer, recuperando immagini che attivano massimamente un neurone, e le parti occluse dell'immagine. Questo corso spiega i metodi per interpretare e capire le applicazioni della CNN nell'analisi delle immagini, e le prospettive delle varie funzionalità per la localizzazione discriminatoria.

Avanti, il corso spiega come migliorare le spiegazioni visive per le reti convoluzionistiche profonde utilizzando mappe di attivazione di classe ponderate. Scoprirete come i metodi di sollevamento profondo e di gradiente integrato superano i gradienti saturi e la necessità di utilizzare il metodo XRAI per una migliore interpretazione in termini di coerenza visiva. In seguito, verrà insegnato come il rilevamento degli oggetti sia stato eseguito nell'era di apprendimento pre - profonda e come i CNN di base possono essere adattati al rilevamento degli oggetti. Oltre a questo, viene spiegata la segmentazione delle immagini che utilizzano architetture della CNN. Questo processo includerà il collegamento di ogni pixel in un'immagine a un'etichetta di classe utilizzando tecniche di segmentazione delle immagini semantiche. Vengono resi noti il concetto di comprensione e di elaborazione dei compiti per il riconoscimento e la verifica del viso. Esplorerai alcuni dei recenti sforzi che hanno utilizzato CNNs per eseguire attività di riconoscimento del volto come l'identificazione e la verifica.

Infine, si stabilirà come le reti neurali ricorrenti (RNNs) possono svolgere la stessa attività dall'output dei dati precedenti, che includerà il processo di formazione RNNs utilizzando l'algoritmo di backpropagation. Viene spiegato il processo di risoluzione del problema del gradiente di vanishing che utilizza le modifiche nell'architettura di un RNN. Scoprirete come il problema del gradiente di vaniglia abbia dato origine allo sviluppo di modelli popolari come le unità ricorrenti gated e la lunga memoria a breve termine. Infine, vi verrà insegnato il metodo di elaborazione dei video utilizzando reti neurali convoluttive e ricorrenti. Si tratta di un corso illuminante che interesserà coloro che studiano la scienza informatica o coloro che sono interessati a questi argomenti. Perché aspettare? Registrati oggi e inizia a imparare una classe di reti neurali artificiali che sono diventate dominanti in vari compiti di visione del computer.