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":

  1. Слои глубоких сверточных сетей
  2. Alex (net)
  3. VGG
  4. GoogleNet
  5. ResNet, InceptionResNet, DenseNet
  6. SqueezeNet
  7. Подготовка данных
  8. Архитектура сети
  9. Оптимизация параметров и гиперпараметров сети
  10. Генерация GPU кода
  11. Детектирование линий разметки. Часть 1 – алгоритм в MATLAB
  12. Детектирование линий разметки. Часть 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
  13. Сегментация изображения сетью - SegNet. 1 – алгоритм в MATLAB
  14. Сегментация изображения сетью - SegNet. 2 – генерация кода и запуск алгоритма на NVIDIA Jetson TX2
  15. Приложения глубокого обучения: 1. Передача обучения
  16. Приложения глубокого обучения: 2. Детектирование объекта RCNN
  17. Приложения глубокого обучения: 3. Сегментация изображений


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. 

${message}

${message}