14.835 Kurse von 1.048 Anbietern. Suchwort eingeben, aus Dropdownliste auswählen. Mehrere Suchwörter mit Komma trennen.
Erweiterte Suche

« Zurück

Bilderkennung mit Convolutional Neural Networks (CNN)

Dieses Angebot ist abgelaufen.

Inhalt

Bilder klassifizieren, Objekte erkennen und im Bild lokalisieren sowie Strukturen segmentieren: solche und weitere Bildverarbeitungsaufgaben sind seit einigen Jahren dank neuer Deep Learning Techniken endlich mit hoher Genauigkeit möglich, nachdem die Ergebnisse älterer Computer Vision Ansätze hierzu oft sehr bescheiden waren. Sie wollen verstehen wie State-of-The-Art Deep Learning Modelle dies schaffen und wie sie funktionieren, aber auch gleichzeitig erlernen, wie Sie diese Verfahren praktisch umsetzen können? Dann ist dieser Kurs genau richtig für Sie.

Der Deep Learning Boom, der seit etwa 2012 ungebremst anhält, hat seinen Ursprung in gewaltigen Fortschritten auf dem Gebiet der Bildverarbeitung, die mittels sogenannter Convolutional Neural Networks (CNN) erzielt wurden. Während das CNN an sich nur für Klassifikationsaufgaben geeignet ist, wurden in den nachfolgenden Jahren aber relativ rasch immer wieder neue Deep Learning Modelle (Neuronale Netze) vorgeschlagen, die auf Basis des CNNs auch komplexere Aufgaben wie die Objektdetektion und die Segmentierung lösen können.

Deep Learning basierte Modelle für die Bildverarbeitung dominieren inzwischen in allen Anwendungsbereichen der Bildverarbeitung. Egal, ob es darum geht, in einer Fotosammlung automatisch Bilder zu klassifizieren und zu taggen, oder bei Fahrerassistenzsysteme Personen, Autos und andere Verkehrsteilnehmer im Kamerabild zu erkennen und zu lokalisieren oder in der industriellen Sichtprüfung gute von schlecht produzierten Teilen zu unterscheiden und Fehler pixelgenau durch Segmentierung zu lokalisieren: Deep Learning Modelle haben hier die Nase vorne.

Dieses Seminar startet mit einem Überblick über Deep Learning. Wie ist dieses Gebiet im größeren Gebiet des maschinellen Lernes einzuordnen und was unterscheidet Deep Learning von älteren Ansätzen? Das erste Hauptkursziel ist es dann, ein tiefes Verständnis für Convolutional Neural Networks aufzubauen. Hierzu wird seine Funktionsweise nicht nur im Detail erläutert, sondern auch über eine erste Fallstudie die Praxisseite vermittelt: Wie kann ich ein CNN auf einem eigenen Bilddatensatz trainieren, um Bilder zu klassifieren? An welchen CNN-Parametern kann ich hier drehen, um die Klassifikationsleistung zu verbessern?

Aufbauend auf einem guten Verständnis für CNNs widmet sich dieser Kurs dann komplexeren neueren Modellen, die CNNs als Kern bzw. Rückgrat („Backbone“) verwenden, aber noch weitere wichtige Architekturmerkmale besitzen. Zuerst werden Modelle zur Objektdetektion behandelt (Bounding-Box-Detektionen) und abschließend Modelle zur Segmentierung (pixelgenaue Detektion). Ein tieferes Verständnis wird auch hier durch praktische Beispiele zur Objektdetektion und Segmentierung anhand zweier weiterer Fallstudien vermittelt.

Alle Praxisbeispiele werden mittels sogenannter Jupyter-Notebooks in Python Schritt für Schritt vorgeführt und können direkt von den Teilnehmern auf den eigenen Computern mitgemacht werden. Dabei kommt die Keras-Bibliothek zum Einsatz, die Teil der TensorFlow-Bibliothek ist.

Termine

Für dieses Angebot sind momentan 2 Zeiten bzw. Orte bekannt:

ZeitenPreisOrtBemerkungen
24.03.22 - 25.03.22
Do. und Fr.
10:00 - 17:00 Uhr
1655
Der Preis beinhaltet die Schulung inkl. der Unterlagen zur Vorlesung sowie Getränke und Mittagessen.
online

max. 8 Teilnehmer

Kurslink: /https:/­/­iomids.­com/­kurs-bilderkennung-co.­.­

30.06.22 - 01.07.22
Do. und Fr.
10:00 - 17:00 Uhr
1655
Der Preis beinhaltet die Schulung inkl. der Unterlagen zur Vorlesung sowie Getränke und Mittagessen.
Mainz

max. 8 Teilnehmer

Kurslink: /https:/­/­iomids.­com/­kurs-bilderkennung-co.­.­