Elaborazione dati Utilizzo di reti neurali Convoluttive e Recurrent

Quali sono le reti neurali convoluttive e come funzionano? Le reti neurali convoluttive (CNNs) sono tra i tipi più comuni di reti neurali utilizzate nella visione informatica per riconoscere oggetti e pattern nelle immagini. Il corso introduce i metodi primari per identificare e localizzare gli oggetti all'interno di un'immagine o di un video. Vi siete mai chiesti come sia possibile dividere un'immagine in sezioni diverse per formare oggetti accerchiati? Questo corso esplorerà questi processi e vi insegnerà i vari metodi di campionamento densi per la rilevazione di oggetti in un'immagine o in un video. Scoprirete che l'architettura You Only Look Once (YOLO) utilizza due strati completamente connessi. Al contrario, la rete di rivelatori a colpo singolo utilizza strati convoluttivi di dimensioni variabili per rilevare oggetti. Il corso rivelerà il significato di RetinaNet per colmare gli squilibri e le incongruenze dei metodi di YOLO e di rivelatore singolo, mentre si tratta di classi di background di primo piano.

Prossimo, il corso evidenzia come i metodi di campionamento densi diano meno importanza all'elevata ripetibilità e forniscono una copertura densa di oggetti raffigurati. Scopri come la segmentazione delle immagini con la CNN coinvolge i segmenti di alimentazione di un'immagine come input per una CNN, che etichetta i pixel. Scopri come l'architettura della CNN e i classificatori softmax estraggono caratteristiche facciali distintive e classificano i volti nello strato CNN completamente connesso. Viene descritto il compito di stimare le pose umane e il conteggio della folla utilizzando una pianificazione profonda e CNNs. Questo processo include la valutazione della configurazione del corpo pone da un'unica immagine monoculare. Esplorerai come la CNN impiega la convoluzione, il pooling, le unità lineari rettificate e gli strati completamente connessi per estrarre funzioni per ottenere una mappa di densità di folla. Il corso ti aiuterà a padroneggiare l'applicazione di CNNs per compiti quali la stima della profondità, la super risoluzione e il rilevamento delle anomalie.

Infine, viene spiegato il metodo di ottenimento di una rappresentazione di una struttura spaziale di scena, recuperando la forma tridimensionale e l'aspetto di oggetti nell'immaginario utilizzando CNNs. Ti verrà insegnato come utilizzare CNNs per rilevare gli eventi che si discostano dalla norma non seguendo il resto dello schema. In seguito, si spiega l'applicazione di reti neurali ricorrenti (RNNs) nell'analisi dei problemi di visione informatica. Esplorerai come RNNs può lavorare con sequenze come testo, suoni, video e dati di finanza e come generano didascalie per immagini. Esplorerai anche come la retropropagazione attraverso un algoritmo di allenamento del tempo viene utilizzato per aggiornare i pesi in RNNs, come i lunghi ricordi a breve termine. Infine, si studierà come le reti neurali convoluttive e ricorrenti svolgono un ruolo vitale nel produrre un'etichetta rilevante in un video, date le sue montature. 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 le funzioni di reti neurali convolutoriali e ricorrenti nell'elaborazione delle informazioni temporali e spaziali.