Свёрточные нейронные сети: как CNN изменили компьютерное зрение и почему они до сих пор актуальны // «Компьютерное зрение»

• Базовая структура свёрточных сетей: фильтры, каналы, свёртки, pooling, fully-connected слои
• Эволюция архитектур: от LeNet и VGG до ResNet, Inception и MobileNet
• Примеры применения: задачи классификации, детекции, сегментации, медицины, автономных систем и др.
•Обсуждение сильных и слабых сторон CNN и их актуальности в современных пайплайнах
Свёрточные нейронные сети (CNN) — архитектура, которая стала фундаментом современного компьютерного зрения. На этой лекции разберём, как устроены CNN, почему они так эффективны для анализа изображений и как их эволюция повлияла на развитие всей области.
🟢Вебинар будет особенно интересен:
• Студентам технических направлений, изучающим машинное обучение и ИИ
• Начинающим ML-инженерам и data scientists, осваивающим CV-инструментарий
• Тем, кто хочет разобраться, как именно работают свёрточные сети — на уровне интуиции и архитектурных блоков
🟢На открытом уроке вы:
• Поймёте, как работает сверточная архитектура и зачем нужны Conv, Pooling и Encoder-блоки
• Разберётесь в ключевых архитектурах CNN и их роли в развитии CV
• Научитесь понимать и выбирать CNN-модели под задачи анализа изображений, включая задачи на ваших проектах
Преподаватель: Дмитрий Колесников - Lead Computer Vision Engineer https://vkvideo.ru/video-145052891_456248850