دوره تشخیص اشیاء با یادگیری عمیق در متلب با محوریت تشخیص عابر پیاده
این دوره به شما آموزش میدهد که چگونه از الگوریتمهای پیشرفته یادگیری عمیق برای تشخیص عابر پیاده با استفاده از متلب استفاده کنید. شما با چهار معماری RCNN، Fast RCNN، Faster RCNN و YOLO که از پیشرفته ترین و بهترین معماری های تشخیص اشیاء (Object Detection) که مبتنی بر یادگیری عمیق (Deep Learning) هستند، آشنا میشوید و نحوه پیادهسازی این مدلها برای تشخیص عابر پیاده (Pedestrian Detection) را یاد خواهید گرفت.
سرفصلهای دوره:
فصل اول: بررسی پیدایش RCNN و تکامل آن
- معرفی RCNN (Region-based Convolutional Neural Networks) و نحوه عملکرد آن در تشخیص اشیاء.
- بررسی الگوریتمهای Fast RCNN و Faster RCNN و پیشرفتهای آنها در افزایش دقت و سرعت تشخیص.
- تحلیل مقالات و مطالعات موردی مرتبط با این الگوریتمها.
- مقایسه عملکرد RCNN، Fast RCNN و Faster RCNN در دیتاستهای عابر پیاده.
فصل دوم: پردازش یادگیری عمیق در متلب
- راهاندازی محیط سختافزاری و نرمافزاری متلب برای یادگیری عمیق.
- استفاده از پردازش GPU (Graphics Processing Unit) برای تسریع در آموزش مدلها.
- تنظیمات محیط متلب برای پردازش دادههای تصویری به منظور بهینهسازی عملکرد مدلها.
فصل سوم: Groundtruth و لیبلگذاری در تشخیص عابر پیاده
- توضیح مفهوم Groundtruth و روشهای لیبلگذاری دادهها برای تشخیص عابر پیاده.
- اهمیت دقت در تهیه دادههای Groundtruth و اثر آن بر عملکرد مدل.
- ابزارهای لازم برای تولید و مدیریت دادههای Groundtruth برای تشخیص عابر پیاده.
فصل چهارم: کدنویسی با استفاده از معماریهای مختلف در متلب
فصل چهارم-1: استفاده از RCNN برای تشخیص عابر پیاده
- آموزش نحوه پیادهسازی RCNN برای تشخیص عابر پیاده در دیتاستهای مختلف.
- تنظیمات و روشهای آموزش مدلهای RCNN برای تشخیص عابر پیاده.
- بهینهسازی عملکرد مدل برای دیتاستهای خاص عابر پیاده.
فصل چهارم-2: استفاده از Fast و Faster RCNN برای تشخیص عابر پیاده
- پیادهسازی Fast RCNN و Faster RCNN برای شناسایی عابر پیاده در تصاویر.
- تنظیمات شبکههای عصبی و استفاده از معماریهای از پیشآموزشدیده برای بهبود دقت تشخیص عابر پیاده.
- بررسی تفاوتها و مزایای این دو مدل نسبت به RCNN.
نتیجهگیری:
این دوره به شما ابزارهای ضروری و تکنیکهای پیشرفته برای تشخیص عابر پیاده با استفاده از یادگیری عمیق و متلب را ارائه میدهد. شما قادر خواهید بود تا مدلهای مختلف RCNN، Fast RCNN، Faster RCNN را در پروژههای واقعی پیادهسازی کرده و دقت و سرعت آنها را بهینهسازی کنید.
مدرس: حسن سعادتمند
- بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
- بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
- چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
- مدرس فرادرس
- کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا
نقد و بررسیها
هنوز بررسیای ثبت نشده است.