آموزش ویژگی های ساختمان از داده های تصویر

Building Features from Image Data

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره جنبه های مفهومی و عملی تصاویر قبل از پردازش را برای به حداکثر رساندن اثر الگوریتم های پردازش تصویر و همچنین پیاده سازی استخراج ویژگی ، کاهش ابعاد و شناسایی عامل پنهان را پوشش می دهد. این دوره بخشی از موارد زیر است: مسیر مهندسی ویژگی همه را بزرگ کنید بررسی اجمالی دوره 1m 54s نمایش تصاویر به عنوان ویژگی هایی برای یادگیری ماشین 47 متر 53s شناسایی ویژگی ها و متن در تصاویر 43 متر 37s ساده پردازش تصویر با استفاده از کاهش ابعاد 36m 49s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

نمایش تصاویر به عنوان ویژگی هایی برای یادگیری ماشین Representing Images as Features for Machine Learning

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • نمایندگی تصاویر برای یادگیری ماشین Representing Images for Machine Learning

  • پیش پردازش تصویر برای ساخت مدل های مقاوم Image Preprocessing to Build Robust Models

  • کار با تصاویر به عنوان آرایه ها Working with Images as Arrays

  • نمایندگی پیکسل در تصاویر Representing Pixels in Images

  • کار با فضای رنگی و رنگی Working with Color and Color Spaces

  • تغییر اندازه ، تغییر اندازه ، چرخش ، و واگرد تصاویر Resizing, Rescaling, Rotating, and Flipping Images

  • مسدود کردن نماها و جمع کردن Block Views and Pooling

  • Denoising تصاویر Denoising Images

  • نرمال سازی و سفید شدن ZCA Normalization and ZCA Whitening

  • افزودن تصویر با استفاده از تغییرات آب و هوا Image Augmentation Using Weather Transforms

  • خلاصه ماژول Module Summary

شناسایی ویژگی ها و متن در تصاویر Detecting Features and Text in Images

  • بررسی اجمالی ماژول Module Overview

  • تشخیص ویژگی و اهمیت آن Feature Detection and Its Importance

  • نکات و توصیفات کلیدی Key Points and Descriptors

  • استفاده از Keypoint حفظ تحولات Applying Keypoint Preserving Transformations

  • Scale Invariant Feature Transform (SIFT) ، DAISY و Histogram of Oriented Gradients (HOG) Scale Invariant Feature Transform (SIFT), DAISY, and Histogram of Oriented Gradients (HOG)

  • شناسایی و استخراج ویژگی ها با استفاده از SIFT Feature Detection and Extraction Using SIFT

  • تشخیص ویژگی با استفاده از توصیف کننده های DAISY Feature Detection Using DAISY Descriptors

  • تشخیص ویژگی با استفاده از هیستوگرام گرادیان های گرا Feature Detection Using Histogram of Oriented Gradients

  • شناسایی نوری شخصیت با استفاده از Tesseract Optical Character Recognition Using Tesseract

  • خلاصه ماژول Module Summary

ساده پردازش تصویر با استفاده از کاهش ابعاد Simplifying Image Processing Using Dimensionality Reduction

  • بررسی اجمالی ماژول Module Overview

  • آموزش فرهنگ لغت Dictionary Learning

  • نمایندگی پراکنده با استفاده از یادگیری فرهنگ لغت Sparse Representations Using Dictionary Learning

  • هسته های همگرایی Convolution Kernels

  • تشخیص ویژگی با استفاده از هسته های همگرایی Feature Detection Using Convolution Kernels

  • رمزگذاران خودکار Autoencoders

  • خواندن و پیش پردازش تصاویر Reading and Preprocessing Images

  • طراحی و آموزش Autoencoder Designing and Training an Autoencoder

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ویژگی های ساختمان از داده های تصویر
جزییات دوره
2h 10m
33
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.