PFEBOUIDI
0+
Downloads
Alle
info
Om denne app
Billedgenkendelse, i sammenhæng med Computer Vision, er softwarens evne til at identificere objekter, steder, personer, skrifter og handlinger i billeder. Computere kan bruge maskinsynsteknologier i kombination med et kamera og kunstig intelligens-software til at opnå billedgenkendelse.
Billedklassificering refererer til en proces i computersyn, der kan klassificere et billede baseret på dets visuelle indhold. For eksempel kan en billedklassificeringsalgoritme designes til at angive, hvorvidt et billede indeholder en menneskelig figur. Selvom objektdetektering er trivielt for mennesker, er robust billedklassificering fortsat en udfordring for computersynsapplikationer.
Formålet med denne undersøgelse er at bestemme, hvad der gør et dybt neuralt netværk, der behandler komplekse data, såsom billed-/videodata, hurtigere og mere præcist. Vi vil undersøge de seneste succesfulde neurale netværksarkitekturer for at bestemme, hvad der er den mest effektive (og hurtigste) arkitektur(er) i billedklassificering, og vi vil også undersøge, hvilke optimeringsteknikker der fungerer bedst i denne type data.
Vi forsøger at forstå, hvordan forskere for nylig tog et stort skridt fremad inden for visuel genkendelse ved at klassificere billeder, og se, hvordan de opnåede en utrolig nøjagtighedsscore på ImageNet-udfordringen. Under hensyntagen til, hvordan kan vi behandle komplekse data som billeddata hurtigere, hvordan kan vi håndtere problemet med overfitting på disse data, og hvordan kan vi minimere træningstiden for vores arkitektur.
Billedklassificering refererer til en proces i computersyn, der kan klassificere et billede baseret på dets visuelle indhold. For eksempel kan en billedklassificeringsalgoritme designes til at angive, hvorvidt et billede indeholder en menneskelig figur. Selvom objektdetektering er trivielt for mennesker, er robust billedklassificering fortsat en udfordring for computersynsapplikationer.
Formålet med denne undersøgelse er at bestemme, hvad der gør et dybt neuralt netværk, der behandler komplekse data, såsom billed-/videodata, hurtigere og mere præcist. Vi vil undersøge de seneste succesfulde neurale netværksarkitekturer for at bestemme, hvad der er den mest effektive (og hurtigste) arkitektur(er) i billedklassificering, og vi vil også undersøge, hvilke optimeringsteknikker der fungerer bedst i denne type data.
Vi forsøger at forstå, hvordan forskere for nylig tog et stort skridt fremad inden for visuel genkendelse ved at klassificere billeder, og se, hvordan de opnåede en utrolig nøjagtighedsscore på ImageNet-udfordringen. Under hensyntagen til, hvordan kan vi behandle komplekse data som billeddata hurtigere, hvordan kan vi håndtere problemet med overfitting på disse data, og hvordan kan vi minimere træningstiden for vores arkitektur.
Opdateret
For at du kan beskytte dine data, er det vigtigt at sætte sig ind i, hvordan udviklere indsamler og deler disse data. Databeskyttelses- og sikkerhedsprocedurer kan variere afhængigt af din brug, din region og din alder. Udvikleren har leveret disse oplysninger og kan løbende opdatere dem.
Der deles ikke data med tredjeparter
Få flere oplysninger om, hvordan udviklere angiver, at de deler data
Der blev ikke indsamlet data
Få flere oplysninger om, hvordan udviklere angiver, at de indsamler data
Support til app
phone
Telefonnummer
+212661526985
Om udvikleren
Abderrahman Bouidi
bouididivers@gmail.com
Morocco
undefined
