${message}

${message}

Глубокое обучение - это мегатренд в современном инженерном мире, который позволяет решать задачи, ранее относившиеся к классам нерешаемых. На текущий момент существует огромное количество фреймворков и вспомогательных глубокому обучению инструментов.

На семинаре, мы хотели бы показать, как с помощью MATLAB и Deep Learning Toolbox вы можете решать задачи глубокого обучения в два раза быстрее, чем в других программных пакетах.

Мы рассмотрим преимущества MATLAB с разных сторон.

1. Низкий порог входа. Если вы инженер, то скорее всего уже пользовались MATLAB. А если пользовались MATLAB, то освоение глубоких сетей будет несложным и хорошо документированным. 

2. В MATLAB есть различные инструменты для автоматизации рутинных задач:

  • Deep Network Designer для быстрого прототипирования собственных архитектур и выявления ошибок в структуре сетей.
  • Labeling Apps для автоматизированной разметки большого количества данных.
  • Быстрое подключение многих GPU для ускорения обучения. 
  • Наличие большого количества предобученных сетей.
  • Импорт и экспорт архитектур через ONNX.

3. Применений технологий глубокого обучения к любым данным. MATLAB является стандартом не только в области обработки изображений или статистического/финансового анализа, но также и в области цифровой обработки сигналов, анализа текстовых данных, системах автоматического управления и других дисциплинах. Это значит, что Deep Learning Toolbox будет работать с любыми данными, которыми вы оперирует в MATLAB, что позволит широкому кругу специалистов начать быстро обучать сети для своих прикладных областей.

4. Перенос обученной сети из MATLAB на любую платформу происходит быстро и безболезненно. Будь то сервер, встраиваемый GPU от NVIDIA или ПЛИС. 

5. Рабочий процесс основанный на глубоких сетях легко интегрируется в общую рабочую схему, например, систему автоматического управления.

Мы поделимся опытом своего участия в конкурсе ICE Vision и расскажем, как мы достигли хороших результатов, используя эффективные инструменты быстрой отработки различных вариантов решения задачи. На очном этапе соревнований многие участники были удивлены, что MATLAB может так эффективно и быстро решать такие задачи.

Приходите на семинар, мы хотим поделиться нашим опытом для ускорения ваших проектов не только для задач компьютерного зрения, но и в областях, где с успехом применяются технологии глубокого обучения, такие как текстовая аналитика, временные ряды, системы управления, обработка сигнала и многое другое.

Подробная программа:

9:30 – 10:00 Регистрация. Приветственный кофе


10:00 – 11:00 

Введение в глубокое обучение

  • Обзор возможностей инструмента
  • Сверточные сети: Hello World
  • Анализ и визуализация сверточных сетей
  • Методы повышения эффективности
  • Цифровая обработка сигнала


11:00 – 12:00

Компьютерное зрение

  • Подготовка данных
  • Алгоритмы детекции изображений: сравнение yolo/yolo2/yolo3 с Faster-RCNN.
  • Сегментация изображений: подходы segNet, uNet и DeepLabv3


12:00 - 12:10 

Перерыв


12:10 - 13:40 

Пользовательские архитектуры

  • Автоградиент
  • Создание пользовательской архитектуры на основе объекта dlarray
  • Примеры: GAN, сиамские сети
  • Сети с множеством входом и/или множеством выходов
  • Generic Temporal Convolutional Network


13:40 - 14:00

Кофе-брейк


14:00 – 14:20

Развертывание алгоритмов на NVIDIA Jetson

  • GPU-coder и NVIDIA Jetson
  • Подготовка алгоритма к генерации кода
  • Запуск примеров


14:20 – 14:40

Аппаратная реализация нейронной сети на FPGA

  • Архитектура нейронной сети
  • Модель нейронной сети в Simulink
  • HDL Coder и генерация HDL-кода
  • Запуск алгоритма на Altera SoCKit


14:40 – 15:00

Вопросы и ответы

Поделиться
08 октября
Вторник
Санкт-Петербург

10:00

Прошло

Адрес

Полная карта

СПбПУ, ул. Политехническая, 29АФ, Большой конференц-зал НИК

Спикеры

Александр Воробьев Александр Воробьев

Специализируется на системах цифровой обработки сигналов, обработки изображений и системах компьютерного зрения. В 2012 году окончил магистратуру Петрозаводского Государственного Университета по специальности "Приборостроение". 

Артем Багров Артем Багров

Артем Багров

Инженер ЦИТМ Экспонента, к.т.н. В 2004 году окончил МГУ им. Ломоносова, в 2008 защитил кандидатскую диссертацию. Работает в компании с 2010 года. Специализируется на технических вычислениях и мат. моделировании.

Задать вопрос

*
Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных . Мы, ООО ЦИТМ "Экспонента" и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных». * - обязательные поля