Публикации по теме 'convolutional-network'
Функции обучения, наблюдая за движением объектов
ImageNet - отличный источник аннотированных изображений. Его большой аннотированный корпус ежедневно используется для обучения нейронных сетей. Тем не менее, крупномасштабное аннотирование данных невозможно для решения других задач, таких как сегментация изображения, обнаружение объектов или распознавание действий. Медицинские данные - еще один пример, для аннотации которых требуются медицинские техники, что может быть дорогостоящим. В этой статье предлагается неконтролируемый подход к..
Обзор: ковариационный тензор для сверточных нейронных сетей
Этот пост намерен продолжить тот же путь, что и мой предыдущий пост ( Image2StyleGAN ), и представить мои соответствующие работы. Год назад я работал в компании по искусственному интеллекту (ИИ) под названием DIGEVO в Чили. В основном я отвечал за разработку и развертывание моделей компьютерного зрения с глубоким обучением. Это был плодотворный опыт, потому что я лучше понимал производственную сторону ИИ.
Некоторые вещи, которые работают в концепции, не всегда работают на..
Интуитивное объяснение сверточных нейронных сетей
Простой пример реализации CNN можно найти в моем репозитории: https://github.com/mbaghou/machine_learning/blob/master/neural-network-examples/
Что такое сверточные нейронные сети и почему они важны?
Сверточные нейронные сети ( ConvNets или CNN ) — это категория нейронных сетей, которые доказали свою эффективность в таких областях, как распознавание и классификация изображений. ConvNets успешно распознают лица, объекты и дорожные знаки, а также улучшают зрение роботов и беспилотных..
Определение дорожных знаков с помощью сверточной нейронной сети
Я создал программу, которая использует сверточную нейронную сеть для определения дорожных знаков. Вот как беспилотные автомобили могут распознавать знаки, которые они видят на дороге.
Когда показано это изображение,
сеть возвращает этот вывод.
Это предсказание верное! Глядя на метки наборов данных, мы можем подтвердить, что это изображение действительно относится к классу 34, знаки «Левый поворот впереди».
Программа состоит из трех основных частей: предварительной..
Более быстрое обучение эффективных CNN
Недавно было показано, что глубинные свертки очень эффективны при проектировании эффективных сетей, таких как MobileNet и ShuffleNet . Однако обучение таким эффективным сетям занимает больше времени, обычно 300–400 эпох , чтобы достичь современной точности набора данных ImageNet.
В этой статье мы описываем эффективный планировщик скорости обучения , представленный в статье ESPNetv2 (CVPR'19), который позволяет обучать эффективные сети примерно за 100 эпох без каких-либо..
Классификация художественных стилей с помощью сверточных нейронных сетей
Сверточные нейронные сети
Классификация художественных стилей с помощью сверточных нейронных сетей
Загрузка изображений и перенос обучения с предварительно обученными моделями
Около года назад (2021) я начал серьезно относиться к цифровому искусству. С тех пор я нарисовал всего 73 готовых арта, среди скетчей и прочего.
Вот почему, когда одно из моих упражнений из учебника подтолкнуло меня к решению задачи распознавания изображений с небольшими объемами обучающих данных, идея..
Сверточные нейронные сети
Мы все хорошо знаем и ловко признаем чудеса искусственного интеллекта, и, пожалуй, самым интригующим из них является способность машины видеть (способность машины правильно определять свойства изображения). Это точно достигается с помощью нейронной сети, состоящей из сверточных слоев (слово «нейронный» происходит от нейронов, и они представляют собой небольшие структуры, состоящие из дендритов, используемых в нашем мозгу и нашей нервной системе).
Вы когда-нибудь задумывались, почему..