在本课程中,您将: a) 探索图像分类、图像分割、对象定位和对象检测。b) 应用区域-CNN 和 ResNet-50 等物体检测模型,定制现有模型,并建立自己的模型来检测、定位和标记自己的橡皮鸭图像。 c) 使用全卷积网络 (FCN) 的各种变体(包括 U-Net 和 d) Mask-RCNN 来实施图像分割,以识别和检测数字、宠物、僵尸等。

利用 TensorFlow 实现高级计算机视觉
本课程是 TensorFlow:高级技术 专项课程 的一部分


位教师:Laurence Moroney
访问权限由 New York State Department of Labor 提供
46,925 人已注册
了解顶级公司的员工如何掌握热门技能

积累特定领域的专业知识
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书

该课程共有4个模块
了解图像分类、对象定位、对象检测和图像分割的概念概述。 还能描述多标签分类,并区分语义分割和实例分割。 在本课程的其余部分,您将应用 TensorFlow 建立对象检测和图像分割模型。
涵盖的内容
10个视频4篇阅读材料1个作业1个编程作业3个非评分实验室
本周,您将了解一些流行的物体检测模型,如区域-CNN 和 ResNet-50。 您将使用从 TensorFlow Hub 获取的物体检测模型,下载自己的模型并配置它们进行训练,还将建立自己的物体检测模型。 通过迁移学习,您只需使用五个训练示例就能训练一个模型来检测和定位橡皮鸭。您还将手动标注自己的橡皮鸭图像!
涵盖的内容
12个视频8篇阅读材料1个作业1个编程作业2个非评分实验室
本周的主题是使用完全卷积神经网络的变体进行图像分割。 有了这些网络,你可以为每个像素分配类标签,并对物体进行比边界框更详细的识别。 本周你将构建全卷积神经网络、U-Net 和 Mask R-CNN,以识别和检测数字、宠物甚至僵尸!
涵盖的内容
11个视频4篇阅读材料1个作业1个编程作业3个非评分实验室
本周,您将了解到模型可解释性的重要性,即了解您的模型是如何做出决策的。您还将实现类激活图、显著性图和梯度加权类激活图,以识别图像的哪些部分被模型用于做出预测。 您还将看到一个例子,说明可视化模型的中间层激活如何有助于改进著名网络 AlexNet 的设计。
涵盖的内容
6个视频6篇阅读材料1个作业1个编程作业4个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
人们为什么选择 Coursera 来帮助自己实现职业发展

Felipe M.

Jennifer J.

Larry W.

Chaitanya A.
学生评论
- 5 stars
81.42%
- 4 stars
13.13%
- 3 stars
4.12%
- 2 stars
0.18%
- 1 star
1.12%
显示 3/533 个
已于 Oct 26, 2022审阅
course content was very informative.Learned the concepts with practical experience.Great Learning!!!!
已于 Apr 2, 2021审阅
This is a bit of a step function in terms of increased difficulty and decreased clarity in the advanced computer vision specialization. I gained a lot of useful skills.
已于 Jul 14, 2021审阅
This class was probably the most challenging so far, but I learned some valuable deep learning techniques.
从 数据科学 浏览更多内容

DeepLearning.AI

DeepLearning.AI

DeepLearning.AI

