Распознавание объектов на изображениях | Глубокое обучение на Python

Пишем программу на Keras для распознавания объектов на изображениях из набора данных CIFAR-10. Страница курса – http://www.asozykin.ru/courses/nnpython

Практическая работа для самостоятельного выполнения “Распознавание объектов на изображениях с помощью Keras” – http://www.asozykin.ru/courses/nnpython-lab2

Полные тексты программ из лекции – https://github.com/sozykin/dlpython_course

CIFAR-10 – это открытый набор данных для обучения с учителем. Он содержит 60 тыс. изображений объектов 10 классов, для каждого изображения указан правильный класс.

Набор данных CIFAR-10 описан в статье Alex Krizhevsky, Learning Multiple Layers of Features from Tiny Images, 2009. Скачать его можно по ссылке – https://www.cs.toronto.edu/~kriz/cifar.html

Для распознавания объектов из набора данных CIFAR-10 используется сверточная нейронная сеть. Сеть включает два каскада из слоев свертки и подвыборки (всего шесть слоев). Затем следует классификатор из двух полносвязных слоев.

Для предотвращения переобучения сверточной сети используется техника Dropout – отключение нейронов в процессе обучения с заданной вероятностью при каждом предъявлении объекта.

Обучение глубокой сверточной сети занимает гораздо больше времени, чем полносвязной сети для распознавания рукописных цифр из набора данных MNIST.

При реализации проекта используются средства поддержки, выделенные в качестве гранта на основании конкурса, проведенного Общероссийской общественно-государственной просветительской организации «Российское общество «Знание».

Мой канал с краткими и понятными объяснениями сложных тем в ИТ и компьютерных науках:
https://goo.gl/kW93MA

ПРИСОЕДИНЯЙТЕСЬ
Поделиться

Андрей Созыкин

Меня зовут Андрей Созыкин, я работаю в университете, веду курсы по компьютерным наукам. Здесь представлены видеолекции, подготовленные на основе этих курсов. Для видеолекций я отбираю самые важные материалы, необходимые для понимания предмета, и рассказываю их кратко, без лишних деталей, которые затруднят восприятие. Несмотря на краткость, изложение ведется системно; это не набор забавных видео, никак не связанных между собой.



Обсуждение закрыто.