Публикации по теме 'image-classification'


Революция в области искусственного интеллекта: сила сверточных нейронных сетей
Введение ИИ значительно продвинулся вперед, произведя революцию в ряде областей, таких как идентификация изображений, компьютерное зрение и обработка естественного языка. В основе этих разработок лежат сверточные нейронные сети (CNN), мощный метод глубокого обучения. В этой статье мы рассмотрим поразительные возможности CNN и их значительное влияние на приложения ИИ. 1. Понимание сверточных нейронных сетей Нейронные сети — это вычислительные модели, которые черпают вдохновение..
Классификаторы изображений TensorFlow на Android, Android Things и iOS
Репозиторий TensorFlow содержит набор примеров , в том числе образцы мобильных приложений для Android и iOS. В этой статье сравнивается классификатор изображений TensorFlow на Android, Android Things и iOS. 1 - Android Как и следовало ожидать от проекта с открытым исходным кодом, разработанного Google, TensorFlow в настоящее время предлагает больше примеров приложений для Android, чем для iOS. README объясняет их все, но сегодня мы просто рассмотрим классификатор изображений..
Изучение DenseNet: краткий обзор
В постоянно развивающемся мире глубокого обучения и нейронных сетей DenseNet выделяется как мощная архитектура, получившая значительную популярность в последние годы. В этой статье представлен краткий обзор DenseNet, ее ключевых концепций и преимуществ, а также примеры кода, которые помогут вам лучше понять ее. Итак, давайте погрузимся прямо в дело! Что такое Денсенет? DenseNet, сокращение от «Densely Connected Convolutional Networks», представляет собой архитектуру нейронной сети,..
Базовая модель классификации изображений на 2020 год
Как использовать fastai для построения надежной базовой модели для классификации изображений? TL; DR - фрагмент кода для использования У вас есть базовая идея и фрагмент кода для построения вашей базовой модели? Использовать этот: from fastai.vision import * # Defining the data and the model path = untar_data(URLs.CIFAR) tfms = get_transforms(do_flip=False) data = ImageDataBunch.from_folder(path, valid='test', ds_tfms=tfms, size=128) learn = cnn_learner(data, models.resnet50,..
Классификация гистологических изображений с использованием Deep Learning Studio
Классификация гистологических изображений с использованием Deep Learning Studio Цель: прогнозирование инвазивной карциномы протоков по гистопатологическим изображениям. Метод: сверточные нейронные сети. Инструмент: Студия глубокого обучения Шаги: 1. Преобразуйте изображения в файлы csv, создав два столбца. а. Имена изображений б. Относительный путь Назовите этот CSV-файл train.csv 2. Заархивируйте папку и введите ее в студию, используя опцию загрузки набора данных...
Классификация изображений с помощью Tensorflow 2.0
В отличие от предыдущих версий, TensorFlow 2.0 выходит с некоторыми существенными изменениями. Он будет более питоническим, и нет необходимости явно включать активное выполнение. Благодаря тесной интеграции Keras теперь основное внимание уделяется простоте и удобству использования. Keras - это высокоуровневый API, который позволяет легко создавать, обучать, оценивать и запускать всевозможные нейронные сети. Keras был разработан Франсуа Шолле, и его исходный код был открыт в марте..
[Неделя 4–5 Обнаружение объектов и классификация комнат с глубоким обучением]
Члены команды: Ахмет Тарик КАЯ , Айча Мерич ЧЕЛИК , Каан МЕРСИН С самого начала нашего проекта мы работали над классификацией комнат, просматривая в них предметы. Наш проект состоит из двух этапов. Первый шаг включает анализ сцены с помощью глубокого обучения, а второй шаг включает классификацию комнат с использованием основных методов машинного обучения. Последние две недели мы в основном работали над вторым этапом нашего проекта. Использование набора данных _.txt:..