دوره جامع و پروژه محور کاربرد شبکه های عمیق در بینایی ماشین


بینایی ماشین (machine Vision) تکنولوژی و روش‌هایی برای تحلیل و بررسی خودکار مبتنی بر تصویر است. این حوزه شامل تمام متدهایی می‌شود که اطلاعات به صورت خودکار از تصویر استخراج می‌شوند. این دوره پروژه محور بر تسک‌های مهم در بینایی ماشین و شبکه‌های معروف عمیق برای انجام این تسک ها تمرکز کرده است. تسک‌هایی چون کلاسبندی باینری و چندکلاسه تصاویر با شبکه های کانولوشنی و رگرسیون و Object detection و Semantic Segmentation. ابتدا مقدمه‌ای از تسک های مختلف بینایی ماشین بیان می شوند و سپس پروژه‌های مختلف برای دیتاست های custom, benchmark انجام می‌شوند.

توضیحات و سرفصل: بینایی ماشین جدیدترین و بزرگترین داستان موفقیت یادگیری عمیق است. هر روزه با مدل‌های بینایی عمیق روبرو هستیم از Google Photos، Google Image Search تا Youtube و ... . این مدل‌ها قلب پژوهشهایی مربوط به autonomous driving, Robotics, AI-assisted Medical diagnosis و ... هستند. در این دوره ابتدا تسک های مختلف در حوزه بینایی ماشین معرفی شده اند و مورد بررسی قرار گرفته اند. تسک هایی چون Binary Image Classification, Multi-class Image Classification, Regression و پروژه‌هایی با دیتاست‌های custom برای این تسک‌ها انجام شده‌اند. سپس نحوه تحلیل نمودار loss مدل‌های یادگیری عمیق کانولوشنی مورد بررسی قرار گرفته ‌اند. مقاله Traffic Sign Recognition با دیتاست GTSRB پیاده سازی شده است. سپس مفهوم Transfer Learning معرفی شده و پروژه عملی آن با دیتاست Dogs vs Cats پیاده سازی شده است. مفاهیم Object Detection, Semantic Segmentation معرفی شده اند. همچنین شبکه‌های  R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN معرفی شده و پروژه‌های عملی مربوط به آنها پیاده سازی شده‌اند.
سرفصل
  • مقدمه‌ای بر یادگیری عمیق
  • شروع کار با شبکه های عمیق (تسک‌های کلاسبندی و رگرسیون)
  • پروژه Binary Image Classification با دیتاست Custom با شبکه‌های کانولوشنی
  • پروژه Multi-Class Image Classification با دیتاست Custom با شبکه‌های کانولوشنی
  • پروژه Regression با دیتاست Boston
  • پروژه Multi Variable Regression با دیتاست Custom
  • نحوه تحلیل نمودارهای loss مدل های یادگیری عمیق
  • معرفی مفهوم Image Augmentation و کار با کتابخانه Imgaug در کراس
  • پیاده سازی مقاله تشخیص علائم رانندگی با دیتاست GTSRB
  • یادگیری انتقالی و کاربرد آن برای دیتاست های کوچک
    • پروژه یادگیری انتقالی برای دیتاست Dogs-vs-Cats
  • مقدمه‌ای بر یادگیری عمیق در بینایی ماشین
    • پروژه Semantic Segmentation برای دیتاست Dogs-vs-Cats
  • معرفی و بررسی جزئی شبکه Region-based Convolutional Neural Network
    • مقایسه مفهوم Object Detection و Image Classification
    • مفهوم Intersection-over-union (IOU)
    • مفهوم Mean Average Precision (mAP)
    • مفهوم Non maximum Suppression (NMS)
    • معرفی الگوریتم Selective Search
    • توضیح دقیق ساختار شبکه R-CNN
    • پروژه Object Detection برای دیتاست Airplane با شبکه R-CNN
  • توضیح و بررسی جزئی شبکه Fast RCNN
    • معرفی لایه ROI Pooling
  • توضیح و بررسی جزئی شبکه Faster RCNN
    • معرفی شبکه Region Proposal
    • پیاده سازی پروژه Face Mask Detection با شبکه Faster R-CNN
  • توضیح و بررسی جزئی شبکه Mask RCNN
    • معرفی ROIAlign layer
    • نحوه‌ی استفاده از شبکه Mask RCNN برای دیتاست‌های Custom و نحوه‌ی ایجاد Annotation برای دیتاست‌های Custom


  • مدرس: هما کاشفی امیری
  • مدت زمان دوره: بیش از 16 ساعت
  • محتوا: ویدیوهای آموزشی، جزوه، مقالات شبکه‌های پیاده سازی شده، کدهای پیاده سازی شده برای پروژه‌های عملی
.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.