Konvoluční neuronové sítě a zpracování obrazu II

Konvoluční neuronové sítě a zpracování obrazu II

Lektor

Jiří Materna

Prerekvizity

  • Základní znalost programování v Pythonu
  • Středoškolská matematika
  • Znalosti strojového učení na úrovni kurzu Úvod do strojového učení
  • Znalosti na úrovni kurzu Konvoluční neuronové sítě a zpracování obrazu

Co si účastník odnese

Jedná se o pokračování kurzu Konvoluční sítě a zpracování obrazu ve kterém se detailněji zaměříme na předzpracování dat a pokročilé techniky hlubokého učení pro zpracování obrazu. Kromě klasifikací dobře známých z předchozího kurzu se zaměříme na segmentace, detekci objektů a zejména na pokročilé aplikace generativních soupeřících sítí (GAN) jako je zvýšení rozlišení, odstranění šumu a generování tzv. Deep fake.

Osnova

  • Předzpracování obrazových dat (počet kanálů, rozlišení, scaling, normalizace)
  • Augmentace obrazových data setů (scaling, rotation, shifting, mirroring)
  • Praktický příklad na předzpracování a augmentaci
  • Architektury neuronových sítí pro zpracování obrazu (konvoluce, dekonvoluce, pooling, residual connection)
  • Pokročilá klasifikace obrazu (ImageNet dataset, VGG, ResNet, Inception, MobileNet, Efficient net)
  • Praktické příklady transfer learningu s různými základními modely
  • Segmentace obrazu (U-net, detekce objektů)
  • Praktické příklady na segmentace a detekce objektů
  • Generativní soupeřící sítě (generativní sítě, sampling, GAN)
  • Praktický příklad na generování obrázků
  • Odstranění šumu z obrazu pomocí GAN
  • Superresolution (Upsampling, praktický příklad na zvýšení rozlišení obrázku pomocí GAN)
  • Rozšiřování data setů pomocí generativních sítí 
  • Deep fake (Conditional GAN, příklady deep fake technik)
  • Adversarial attacks (modifikace obrázků, adversarial patch, black box attacks, Cybersecurity)

Termíny

V případě zájmu o vypsání nového termínu kurzu nás kontaktujte na info@mlcollege.com.