Processamento de Dados Utilizando Redes Neurais Convolutionais e Recorrentes

O que são redes neurais convolucionais e como elas funcionam? As redes neurais convolucionais (CNNs) estão entre os tipos mais comuns de redes neurais usadas na visão computacional para reconhecer objetos e padrões em imagens. O curso introduz os métodos primários para identificar e localizar objetos dentro de uma imagem ou vídeo. Você já se perguntou como é possível dividir uma imagem em diferentes seções para formar objetos de apuração? Este curso irá explorar esses processos e ensiná-los os vários métodos de amostragem densa para detecção de objetos em uma imagem ou vídeo. Você descobrirá que a arquitetura You Only Look Once (YOLO) utiliza duas camadas totalmente conectadas. Em contraste, a rede de detector de tiro único utiliza camadas convolutionais de tamanhos variados para detecção de objetos. O curso revelará o significado de RetinaNet para preencher os desequilíbrios e inconsistências dos métodos YOLO e detector de tiro único enquanto lida com classes de fundo extremo primeiro plano.

Em seguida, o curso destaca como os métodos de amostragem densa dão menos importância à alta repetibilidade e proporcionam uma cobertura densa de objetos retratados. Saiba como a segmentação de imagem com a CNN envolve alimentação de segmentos de uma imagem como entrada para uma CNN, que rotula os pixels. Descubra como a arquitetura CNN e os classificadores softmax extraem traços de rosto característicos e classificam rostos na camada de CNN totalmente conectada. A tarefa de estimar poses humanas e de multidão contando com o uso de planejamento profundo e CNNs é descrita. Esse processo inclui avaliar a configuração do corpo posa a partir de uma única imagem monocular. Você vai explorar como a CNN emprega convolution, pooling, unidades lineares retificadas e camadas totalmente conectadas para extrair recursos para obter um mapa de densidade de multidão ’. O curso irá ajudá-lo a dominar a aplicação de CNNs para tarefas como estimativa de profundidade, super-resolução e detecção de anomalias.

Finalmente, o método de obtenção de uma representação de uma estrutura espacial ’ s, recuperando a forma tridimensional e a aparência de objetos em imagens utilizando CNNs, é explicado. Você será ensinado como usar CNNs para detectar eventos que se desviem do padrão ao não seguir o resto do padrão. Seguindo isso, é explicada a aplicação de redes neurais recorrentes (RNNs) na análise de problemas de visão computativa. Você vai explorar como o RNNs pode trabalhar com sequências como texto, som, vídeos e finanças de dados e como elas geram legendas para imagens. Você também explorará como a propagação de backpropagation através de um algoritmo de treinamento de tempo é usada para atualizar pesos em RNNs, como longas memórias de curto prazo. Por último, você estudará como as redes neurais convolucionais e recorrentes desempenham um papel vital na produção de um rótulo relevante para um vídeo, dado seus quadros. Trata-se de um curso esclarecedor que interessará àqueles que estudam a ciência da computação ou os interessados nesses tópicos. Por que esperar? Cadastree-se hoje e comece a aprender sobre as redes neurais convolucionais e recorrentes ’ funções no processamento de informações temporais e espaciais.