Self-Supervised Computer Vision: Predicting Image Patch Positions

Bilgisayarlar, milyonlarca manuel olarak etiketlenmiş görüntü olmadan görsel dünyayı anlamayı nasıl öğrenebilir? Self-supervised learning, sinir ağlarının bir görüntünün parçalarının birbirine nasıl uyduğunu çözmek gibi zekice pretext task'ları çözerek kendi etiketlerini bulmasını sağlar. Bu kursta, klasik bir self-supervised learning görevini nasıl uygulayacağınızı öğreneceksiniz: görüntü yamalarının (image patches) göreceli konumunu tahmin etmek. Bir konvolüsyonel sinir ağını (CNN) uzamsal ilişkileri tanımak üzere eğiterek, modelin görsel yapıları derin ve temel bir düzeyde anlamasına yardımcı olacaksınız. Neler öğreneceksiniz: - Self-supervised learning ve pretext task'ların temel kavramlarını anlama - Modern PyTorch veri hatlarını kullanarak görüntü yamalarını çıkarma ve ön işlemeden geçirme - Yama çiftlerini işlemek için çift yollu bir Convolutional Neural Network (CNN) mimarisi tasarlama - Modelleri insan eliyle yapılan manuel etiketlemeler olmadan eğitmek için pseudo-label'lar oluşturma - Ağın uzamsal ilişkileri tahmin etme yeteneğini eğitme ve değerlendirme - Pretext eğitiminin alt akış (downstream) computer vision görevlerine nasıl yardımcı olduğunu analiz etme Veri hazırlama, sinir ağı tasarımı ve eğitim döngülerinde adım adım ilerlemeden önce self-supervised representation learning'in temel terminolojisi ile başlayacaksınız. Materyal, uzamsal tahmin modelinizi oluşturmak ve değerlendirmek için temiz, modern PyTorch kodlarını okuma ve yazma konusunda size rehberlik eder. Bu metin tabanlı kurs, temel Python bilgisine sahip olan ve self-supervised learning konusunu keşfetmek isteyen deep learning ve computer vision'a yeni başlayanlar için tasarlanmıştır. Gelişmiş computer vision mimarileriyle ilgili önceden deneyim sahibi olunması gerekmez. İlk self-supervised vision modelinizi sıfırdan inşa etmek için bugün okumaya başlayın.