Diploma em Redes Neurais Convolutionais em Visão de Computadores

As redes neurais convolutionais (CNNs) é um dos avanços mais significativos na visão computacional. O curso apresenta as operações fundamentais e os parâmetros de convolução. Você descobrirá o significado de CNNs na superação dos desafios da rede feedforward na filtragem do imaginário visual. Seguindo isso, é explicada a aplicação do algoritmo de backpropagation através das várias camadas de CNNs. Além disso, são descritas as diversas funções das arquiteturas da CNN para a ampliação do suporte além das redes neurais residuais. Discutem-se as múltiplas abordagens para compreensão e visualização de CNNs. Você investigará o procedimento para visualização de ativações da camada, recuperando imagens que ativam maximalmente um neurônio, e ocas partes da imagem. Este curso explica os métodos para interpretar e entender os aplicativos da CNN na análise de imagens, e as perspectivas das diversas funcionalidades para localização discriminativa.

Em seguida, o curso explica como melhorar as explicações visuais para redes convolucionais profundas utilizando mapas de ativação de classe ponderados por gradiente. Você descobrirá como o levantamento profundo e os métodos de gradientes integrados superam os gradientes saturantes e a necessidade de utilização do método XRAI para uma melhor interpretabilidade em termos de coerência visual. Seguindo isso, você será ensinado como a detecção de objetos foi realizada na era de aprendizagem pré-profunda e como os CNNs básicos podem ser adaptados à detecção de objetos. Além disso, é explicada a segmentação de imagens que utilizam arquiteturas da CNN. Este processo incluirá a vinculação de cada pixel em uma imagem a uma etiqueta de classe utilizando técnicas de segmentação de imagem semântica. O conceito de compreensão e de processamento de tarefas para reconhecimento facial e verificação são divulgados. Você irá explorar alguns dos esforços recentes que usaram CNNs para realizar tarefas de reconhecimento de face, como identificação e verificação.

Por fim, você determinará como as redes neurais recorrentes (RNNs) podem executar a mesma tarefa a partir da saída de dados anteriores, que incluirá o processo de treinamento RNNs utilizando o algoritmo de backpropagação. Explicam-se o processo de resolução do problema de gradiente de vanishing utilizando alterações na arquitetura de um RNN. Você descobrirá como o problema de gradiente de vanishing deu origem ao desenvolvimento de modelos populares, como unidades gadas recorrentes e longa memória de curto prazo. Por fim, você será ensinado sobre o método de processamento de vídeos utilizando redes neurais convolucionais e recorrentes. Trata-se de um curso esclarecedor que interessará àqueles que estudam a ciência da computação ou os interessados nesses tópicos. Por que esperar? Inscrevem-se hoje e inicie o aprendizado sobre uma classe de redes neurais artificiais que se tornaram dominantes em várias tarefas de visão do computador.