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 Coursera Learning Team 提供
46,947 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 Jul 14, 2021审阅
This class was probably the most challenging so far, but I learned some valuable deep learning techniques.
已于 Apr 17, 2021审阅
One of the finest in depth course on computer vision. So much helpful if anyone wishes to dive into application oriented tasks of computer vision. Very much helpful for research also.
从 数据科学 浏览更多内容

DeepLearning.AI

DeepLearning.AI

DeepLearning.AI

