Глубокое обучение и машинное обучение для компьютерного зрения
17 окт. 2024 г. Распознавание объектов делает возможными такие инновационные системы, как самоуправляемые автомобили, поиск по изображениям и автономная робототехника. Машинное обучение и глубокая обучаемость, на которые опираются эти системы, могут быть сложными в обучении, оценке и сравнении. На этом вебинаре мы рассмотрим, как MATLAB решает наиболее распространенные проблемы, возникающие при разработке систем распознавания объектов. На этом вебинаре будут рассмотрены новые возможности для глубокого обучения, машинного обучения и компьютерного зрения. Мы будем использовать реальные примеры для демонстрации: Модели обучения с использованием больших наборов данных изображений Обучение глубоких нейронных сетей с нуля Использование трансферного обучения для повторного использования обученных глубоких сетей для решения новых задач Изучение компромиссов между машинным и глубоким обучением Связанные ресурсы: Что такое компьютерное зрение? https://bit.ly/3NDmjbc Ознакомьтесь с примером кода, используемого в этом видео: https://bit.ly/3VnTTZP Главы: 0:00 Что такое распознавание объектов и когда я хочу его использовать? 0:31 Демонстрация №1: Классификация сцен 0:43 Рабочий процесс машинного обучения для распознавания объектов 6:46 Приложение Classification Learner для экспериментов с различными алгоритмами машинного обучения 9:00 Экспорт модели распознавания объектов из приложения Classification Learner 10:27 Демонстрация # 1 с выводами 11:22 Рабочий процесс глубокого обучения для распознавания объектов 12:45 Демонстрация №2: Точная настройка предварительно подготовленной модели глубокого обучения (transfer learning) 18:00 Визуализация и удаление неправильно идентифицированных изображений из обучающих данных 19:06 Transfer Learning 19:53 Распознавание объектов в реальном мире с помощью модели transfer learned и развертываемого видеоплеера 20:30 Демонстрация #2 с выводами 21:36 Демонстрация #3: Комбинированный подход к распознаванию объектов с использованием глубокого и машинного обучения 25:03 Завершение демонстрации №3 25:13 Машинное обучение и распознавание объектов с помощью глубокого обучения Общее сравнение
17 окт. 2024 г. Распознавание объектов делает возможными такие инновационные системы, как самоуправляемые автомобили, поиск по изображениям и автономная робототехника. Машинное обучение и глубокая обучаемость, на которые опираются эти системы, могут быть сложными в обучении, оценке и сравнении. На этом вебинаре мы рассмотрим, как MATLAB решает наиболее распространенные проблемы, возникающие при разработке систем распознавания объектов. На этом вебинаре будут рассмотрены новые возможности для глубокого обучения, машинного обучения и компьютерного зрения. Мы будем использовать реальные примеры для демонстрации: Модели обучения с использованием больших наборов данных изображений Обучение глубоких нейронных сетей с нуля Использование трансферного обучения для повторного использования обученных глубоких сетей для решения новых задач Изучение компромиссов между машинным и глубоким обучением Связанные ресурсы: Что такое компьютерное зрение? https://bit.ly/3NDmjbc Ознакомьтесь с примером кода, используемого в этом видео: https://bit.ly/3VnTTZP Главы: 0:00 Что такое распознавание объектов и когда я хочу его использовать? 0:31 Демонстрация №1: Классификация сцен 0:43 Рабочий процесс машинного обучения для распознавания объектов 6:46 Приложение Classification Learner для экспериментов с различными алгоритмами машинного обучения 9:00 Экспорт модели распознавания объектов из приложения Classification Learner 10:27 Демонстрация # 1 с выводами 11:22 Рабочий процесс глубокого обучения для распознавания объектов 12:45 Демонстрация №2: Точная настройка предварительно подготовленной модели глубокого обучения (transfer learning) 18:00 Визуализация и удаление неправильно идентифицированных изображений из обучающих данных 19:06 Transfer Learning 19:53 Распознавание объектов в реальном мире с помощью модели transfer learned и развертываемого видеоплеера 20:30 Демонстрация #2 с выводами 21:36 Демонстрация #3: Комбинированный подход к распознаванию объектов с использованием глубокого и машинного обучения 25:03 Завершение демонстрации №3 25:13 Машинное обучение и распознавание объектов с помощью глубокого обучения Общее сравнение