Здесь вы найдете лучшие онлайн-курсы, книги и блоги, чтобы узнать, как применять Deep Learning в приложениях Computer Vision.
Джастин Джонсон проделывает феноменальную работу, описывая все аспекты глубокого обучения с точки зрения компьютерного зрения. Вы узнаете все, что вам нужно знать, от фундаментальных понятий, таких как обратное распространение и сверточные нейронные сети, до обнаружения объектов и сегментации изображений. Обязательно для начинающих
Инструкторы: Джастин Джонсон
Темы, которые привлекли наше внимание:
-
3D видение
-
Обучение с подкреплением
-
Генеративные модели
Этот курс, являющийся частью специализации Deep Learning от Coursera, предназначен для того, чтобы научить вас всему о сверточных нейронных сетях и о том, как они применяются в изображениях и видео. Вы начнете с «Основ сверточных нейронных сетей», затем увидите несколько тематических исследований и продолжите с «Обнаружение объектов». Наконец, вы погрузитесь в распознавание лиц и передачу нейронного стиля (NST).
NST — это метод оптимизации, используемый для получения двух изображений — изображения содержимого и эталонного изображения стиля (например, произведения искусства известного художника) — и смешивания их вместе, чтобы выходное изображение выглядело как изображение содержимого, но «нарисовано» в стиль эталонного изображения стиля.
Источник:xpertup
Инструкторы: Эндрю НгЮнес Бенсуда Мурри
Здесь мы включили два курса в один раздел, потому что один является продолжением другого. В частности, если вас интересует только компьютерное зрение, сосредоточьтесь на следующих подкурсах:
Как вы уже догадались, вы узнаете, как решать реальные приложения компьютерного зрения с помощью Tensorflow. Так что будьте готовы к тщательному разбору фреймворка и его тонкостей.
Инструкторы: Лоуренс МорониЭдди Шью
Раскрытие информации: Обратите внимание, что некоторые из ссылок в этом посте могут быть партнерскими ссылками, и мы без дополнительных затрат для вас получим комиссию, если вы решите совершить покупку после перехода по ссылке.
Этот курс в основном посвящен основам компьютерного зрения и не уделяет много времени глубоким нейронным сетям. Тем не менее, мы считаем, что всегда следует изучать основной принцип, прежде чем переходить к более продвинутым концепциям. Так что, если вы согласны с нами, вам обязательно стоит пройти этот курс.
Примеры тем:
-
Модели камер и вид
-
Осветительные приборы
-
Отслеживание
-
Движение изображения
Инструкторы: Аарон Бобик, Ирфан Эсса, Арпан Чакраборти
CS231 — один из самых известных курсов по компьютерному зрению и, вероятно, один из самых полных. Общедоступные видеолекции на Youtube относятся к 2017 году, поэтому иногда они могут показаться немного устаревшими, но это не значит, что они не очень хорошо написаны и продуманы. Большим плюсом являются невероятные заметки, которые можно найти на сайте курса.
Примеры лекций:
-
Архитектуры CNN
-
Обнаружение и сегментация
-
Глубокое обучение с подкреплением
-
Состязательные примеры и состязательная подготовка
Инструкторы: Фей-Фей Ли, Джастин Джонсон, Серена Юнг
Основная программа компьютерного зрения Udacity — это практический курс, сочетающий теоретические концепции с практическими руководствами и реальными проектами. Требуется средний уровень знаний в Python, статистике и машинном обучении. Это, по общему признанию, высокая стоимость, но она компенсируется технической поддержкой наставника, большим студенческим сообществом и персонализированными карьерными услугами.
Проекты:
-
Обнаружение ключевых точек лица
-
Автоматическое добавление подписей к изображениям
-
Обнаружение и отслеживание ориентиров
Инструкторы: Себастьян Трун, Джей Аламмар, Луис Серрано
Этот курс Udemy имеет двойную направленность: он исследует основные принципы компьютерного зрения, а также передовые методы глубокого обучения. Вы будете использовать NumPy, OpenCV, Tensorflow/Keras для решения множества практических задач.
Примеры уроков:
Инструкторы: Хосе Портилья
Еще один курс от Udemy, посвященный архитектуре глубокого обучения. Вы узнаете о сверточных нейронных сетях, одиночных коротких детекторах и генеративно-состязательных сетях.
Примеры уроков:
-
Распознавание лиц с помощью OpenCV
-
Обнаружение объектов с помощью SSD
-
Генерация изображения с Генеративно-состязательные сети (ГАН). GAN относятся к двум нейронным сетям, которые играют в минимальную игру на протяжении всего обучения (градиентное восхождение и спуск), а именно к генератору G и дискриминатору D. Вход G представляет собой случайный шум, который выбирается из распределения в небольшом диапазоне действительных чисел. Для генерации изображения выход G будет сгенерированным изображением. Основное отличие состоит в том, что теперь мы фокусируемся на создании репрезентативных примеров определенного распределения (т. е. собак, картин, уличных изображений, самолетов и т. д.). Дискриминатор — не что иное, как бинарный классификатор, фокусирующийся на изучении распределения класса.
Изображение автора
Инструкторы: Кирилл Еременко, Хаделин де ПонтевЛигентская команда
Книга на 480 страниц, которая охватывает все, что вам нужно знать о современных системах компьютерного зрения. Он разделен на 3 разные части: основа глубокого обучения, классификация и обнаружение изображений, генеративные модели и визуальные встраивания. Отличный выбор для программистов на Python среднего уровня и новичков в области глубокого обучения.
Главы, которые нас заинтересовали:
-
Расширенные архитектуры CNN: LeNet, AlexNet, VGGNet, Inception
-
Вы смотрите только один раз (YOLO). ЙОЛО семейство архитектур представляет собой серию моделей глубокого обучения, предназначенных для быстрого обнаружения объектов, разработанных Джозефом Редмоном и др.
-
Deepdream и Neural Style Transfer. DeepDream — это экспериментальная идея, направленная на визуализацию паттернов нейронных сетей. Эти шаблоны усваиваются нейронной сетью во время обучения. На практике DeepDream улучшает паттерны, которые он видит в изображении.
-
Визуальные вложения
Пример изображения из глубокого сна. Источник: учебники Tensorflow.
Автор: Мохамед Эльгенди
Блоги о компьютерном зрении
Другие курсы по компьютерному зрению
Следующий список основан на потрясающей странице Github @jbhuang0604:
* Раскрытие информации: обратите внимание, что некоторые из приведенных выше ссылок могут быть партнерскими ссылками, и мы без дополнительных затрат для вас получим комиссию, если вы решите совершить покупку после перехода по ссылке.