W poprzednim nagraniu pokazałem świetne rezultaty, jakie można osiągnąć, stosując sieci neuronowe w zadaniu detekcji budynków na zdjęciach lotniczych.
Teraz zagłębimy się w szczegóły techniczne naszego rozwiązania. W poniższym nagraniu przełamuję schematyczne myślenie o problemie detekcji, opowiadam o tym, skąd pozyskaliśmy dane treningowe, jakie rezultaty osiągnęliśmy w różnych podejściach i co najważniejsze, pokazuję realne wyniki na nigdy wcześniej niewidzianych (przez sieć) zdjęciach. Zdradzę informacje m.in. o naszych eksperymentach związanych z architekturą Faster R-CNN z konwolucyjną siecią Inception Resnet v2 i segmentacją semantyczną.
Jeśli chciałbyś zacząć samodzielną przygodę z sieciami neuronowymi, warto skorzystać z konsultingu i warsztatów specjalistycznych w zakresie przetwarzania obrazu za pomocą uczenia głębokiego, a w szczególności:
- demonstracji możliwości i potencjalnych zastosowań,
- modyfikacji dostępnych architektur sieci do własnych potrzeb,
- prawidłowego zdefiniowania problemu i wyboru najlepszego algorytmu,
- sposobów pozyskania i przygotowania danych,
- teorii sieci neuronowych (konwolucyjnych),
- treningu i walidacji sieci neuronowych na własnych danych,
- poprawnego testowania wytworzonego rozwiązania,
- wdrożenia produkcyjnego.
Zobacz też:
Sztuczna inteligencja w archiwistyce – automatyczne tagowanie i rozpoznawanie twarzy na zdjęciach
Czy sieć neuronowa musi być black boxem, czyli zaglądamy do wnętrza sieci neuronowych
