Deep Learning Course via MATLAB
Artificial Intelligence :: Smart Advanced Programming
Explore the Concepts of Deep learning.
Deep Learning ::Loading and using pretrained Deep neural Network ::VGG16, ResNet-18 || Semantic Segmentation
Convolutional Neural Network.
Pretrained networks :: VGG16, ResNet-18.

Deep learning is part of a broader family of machine learning methods based on artificial neural networks with representation learning. Learning can be supervised, semi-supervised or unsupervised.

Deep-learning architectures such as deep neural networks, deep belief networks, graph neural networks, recurrent neural networks and convolutional neural networks have been applied to fields including computer vision, speech recognition, natural language processing, machine translation, bioinformatics, drug design, medical image analysis, material inspection and board game programs, where they have produced results
comparable to and in some cases surpassing human expert performance.

Semantic segmentation refers to the process of linking each pixel in an image to a class label. These labels could include a person, car, flower, piece of furniture, etc., just to mention a few. We can think of semantic segmentation as image classification at a pixel level.

In order to perform semantic segmentation, a higher level understanding of the image is required. The algorithm should figure out the objects present and also the pixels which correspond to the object. Semantic segmentation is one of the essential tasks for complete scene understanding.

VGG16 is a deep convolutional neural network that's a variant of the Inception Network, a Deep Convolutional Neural Network developed by researchers at Google.

ResNet-18 is a convolutional neural network (CNN) architecture. ResNet-18 competed in the ImageNet Large Scale Visual Recognition Challenge.


البداية الصحيحة للدخول إلى عالم الذكاء الصنعي
دورة متقدمة لشرح التعلم العميق- إعادة ونقل التعليم في الشبكات العميقة الشهيرة - الجزء الرابع - الدرس الخامس عشر
شرح آلية عمل الذكاء الصنعي و كيفية استخدام أدواته

التعلم العميق هو جزء من مجموعة أوسع من أساليب التعلم الآلي القائمة على الشبكات العصبية الاصطناعية مع التعلم التمثيلي. يمكن أن يكون التعلم تحت إشراف أو شبه خاضع للإشراف أو بدون إشراف.

تم تطبيق بنيات التعلم العميق مثل الشبكات العصبية العميقة وشبكات المعتقدات العميقة والشبكات العصبية للرسم البياني والشبكات العصبية المتكررة والشبكات العصبية التلافيفية في مجالات تشمل رؤية الكمبيوتر والتعرف على الكلام ومعالجة اللغة الطبيعية والترجمة الآلية والمعلوماتية الحيوية وتصميم الأدوية والطبية برامج تحليل الصور وفحص المواد وألعاب الطاولة ، حيث أسفرت عن نتائج مماثلة وفي بعض الحالات تفوق أداء الخبراء البشريين.

يشير التقسيم الدلالي/ التجزئة المنطقية إلى عملية ربط كل بكسل في صورة ما بتسمية فئة. يمكن أن تشمل هذه الملصقات شخصًا ، أو سيارة ، أو زهرة ، أو قطعة أثاث ، وما إلى ذلك ، على سبيل المثال لا الحصر. يمكننا التفكير في التجزئة الدلالية كتصنيف للصور على مستوى البكسل.

من أجل إجراء التجزئة الدلالية ، يلزم فهم مستوى أعلى للصورة. يجب أن تحدد الخوارزمية الكائنات الموجودة وكذلك وحدات البكسل التي تتوافق مع الكائن. يعد التقسيم الدلالي أحد المهام الأساسية لفهم المشهد بالكامل.

سنستخدم VGG16
VGG16
هو اسم بنية الشبكة العصبية التلافيفية (CNN).
تنافست VGG16 في تحدي التعرف البصري على نطاق واسع على .