Głębokie uczenie się dla obrazów o superrozdzielczości z PyTorch i fastai

Wysokiej jakości obrazy są niezbędne w nowoczesnych aplikacjach, ale często musimy pracować z niską rozdzielczością lub zdegradowanymi danymi wizualnymi. Ten kurs wprowadza Cię w podstawy super-rozdzielczości obrazu, pokazując, jak zrekonstruować ostre szczegóły o wysokiej rozdzielczyości z niskiej jakości danych wejściowych za pomocą głębokiego uczenia się.Zaczniesz od zrozumienia podstawowych zasad widzenia komputerowego, manipulacji pikselami i sposobu, w jaki sieci neuronowe uczą się wypełniać brakujące informacje wizualne. Dzięki jasnym wyjaśnieniom i uporządkowanym przewodnikom po kodzie dowiesz się, jak wdrażać i trenować modele superrozdzielczości. Nauczysz się wykorzystywać PyTorch i bibliotekę fastai do budowania wydajnych potoków, przygotowywania zestawów danych i stosowania nowoczesnych funkcji strat, które koncentrują się na jakości percepcji, a nie tylko na dokładności piksela po pikselu. Czego się nauczysz: - Zrozum podstawowe pojęcia degradacji obrazu i podstaw super-rozdzielczości - Skonfiguruj potoki głębokiego uczenia się za pomocą PyTorch i fastai do zadań obraz-obraz - Wdrażaj generatywne sieci przeciwstawne i funkcje strat percepcyjnych dla realistycznych tekstur - Zastosuj nowoczesne techniki optymalizacji i przenieś naukę, aby skutecznie trenować modele - Oceń wydajność modelu za pomocą podobieństwa strukturalnego i szczytowych wskaźników stosunku sygnału do szumu - Ćwicz czyszczenie i wstępne przetwarzanie zestawów danych obrazu do szkolenia sieci neuronowych Kurs zaczyna się od podstawowej terminologii i pojęć matematycznych stojących za skalowaniem obrazu, a następnie krok po kroku prowadzi Cię przez budowanie, szkolenie i testowanie własnych modeli o super rozdzielczości. Ten program tekstowy jest przeznaczony dla programistów i entuzjastów danych, którzy chcą wejść w dziedzinę widzenia komputerowego bez potrzeby posiadania zaawansowanej matematyki.