Глубокое обучение
23 ноября 2019
С помощью всего лишь нескольких строк кода MATLAB или на основе интерактивного инструмента вы можете создавать модели глубокого обучения.
Список видео, входящих в плейлист "Глубокое обучение":
- Слои глубоких сверточных сетей
- Alex (net)
- VGG
- GoogleNet
- ResNet, InceptionResNet, DenseNet
- SqueezeNet
- Подготовка данных
- Архитектура сети
- Оптимизация параметров и гиперпараметров сети
- Генерация GPU кода
- Детектирование линий разметки. Часть 1 – алгоритм в MATLAB
- Детектирование линий разметки. Часть 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
- Сегментация изображения сетью - SegNet. 1 – алгоритм в MATLAB
- Сегментация изображения сетью - SegNet. 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
- Приложения глубокого обучения: 1. Передача обучения
- Приложения глубокого обучения: 2. Детектирование объекта RCNN
- Приложения глубокого обучения: 3. Сегментация изображений
- Обнаружение аномалий в данных
1. Слои глубоких сверточных сетей
В этом видео вы узнаете функционал и особенности устройства слоев современных глубоких сверточных сетей. Понимание принципов работы необходимо как для создание новых архитектур, так и для использования уже обученных нейронных сетей, например, в технике передачи обучения.
2. Alex (net)
Сеть Alexnet — это сеть с которой началось бурное развитие методов глубоких сверточных сетей. В этом ролике вы узнаете как утроена эта сеть, ее основные характеристики и особенности.
3. VGG
Сеть VGG является одной из наиболее популярной в связи с ее простотой. В этом видео мы расскажем о строении архитектуры сети, ее основных характеристиках и особенностях.
4. GoogleNet
Сеть googlenet — первая известная сеть с ациклической архитектурой. В этом видео мы расскажем об особенностях архитектуры сети, которые, во-первых стали базисом для уверенной классификации, а во-вторых, стали отправной точной для развития архитектур нового типа.
5. ResNet, InceptionResNet, DenseNet
Сеть ResNet — первая сеть, которая превзошла возможности человека в области распознавания изображений. В этом видео мы расскажем об особенностях архитектуры и основных характеристиках сети resnet а также последовавших на ее основе сетях InceptionResNet и DenseNet.
6. SqueezeNet
В этом видео мы расскажем об особенностях архитектуры и основных характеристиках сети squeezenet.
7. Подготовка данных
В этом ролике вы узнаете как подготовить данные для обучения глубокой сетью.
8. Архитектура сети
Речь идет о синтаксисе языка для задания архитектуры глубокой сети.
9. Оптимизация параметров и гиперпараметров сети
В этом видео вы узнаете как настраивать опции для оптимизации параметров сети. Также будет рассмотрен вопрос об оптимизации гиперпараметров с на основе Байесовского метода
10. Генерация GPU кода
В видео продемонстрированы необходимые зависимости и шаги для генерации cuda кода из кода матлаб.
11. Детектирование линий разметки. Часть 1 – алгоритм в MATLAB
В этом видео показано, как разработать алгоритм детектирования линий разметки используя нейронную сеть в MATLAB. В качестве примера рассматривается алгоритм детектирования линий разметки.
12. Детектирование линий разметки. Часть 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
В этом видео показано, как сгенирировать код из MATLAB алгоритма детектирования линий и запустить его на NVIDIA Jetson. В качестве примера рассматривается алгоритм детектирования линий.
13. Сегментация изображения сетью - SegNet. 1 – алгоритм в MATLAB
В этом видео показано, как разработать алгоритм сегментации используя нейронную сеть в MATLAB. В качестве примера рассматривается алгоритм сегментации видео с автомобиля (Camvid dataset) сетью SegNet.
14. Сегментация изображения сетью - SegNet. 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
В этом видео показано, как сгенирировать код из алгоритма сегментации и запустить его на NVIDIA Jetson. В качестве примера рассматривается алгоритм сегментации видео с автомобиля (Camvid dataset) сетью SegNet.
15. Приложения глубокого обучения: 1. Передача обучения
В видео показан общий рабочий процесс при использовании техники передачи обучения. На примере четырех классах объектах было переобучены сети AlexNet, VGG16, InceptionResNet-v2 и SqueeseNet.
16. Приложения глубокого обучения: 2. Детектирование объекта RCNN
В видео описана принципиальная схема работы алгоритма faster RCNN а также, разобран пример использования этого алгоритма для детектирования объектов на изображении.
17. Приложения глубокого обучения: 3. Сегментация изображений
В видео рассказывается о принципах работы техники сегментации изображений. На простом примере показано как использовать эту технику для обучения детектора.
18. Обнаружение аномалий в данных
В этом ролике рассказывается о задаче обнаружения аномалий в данных, в частности, для задачи предсказательного обслуживания (Predictive Maintenance).
