在本实用课程中，您将针对图像分类任务设计、训练和测试您自己的卷积神经网络 (CNN)。
在课程结束时，您将能够构建自己的图像分类应用程序。
一开始，您将借助不同的过滤器、纯 Numpy 库和“for”循环对灰度图像实施卷积、池化和这两种操作的组合。
之后，您将组合图像，为分类任务组合自定义数据集并将创建的数据集保存到二进制文件中。
接下来，您将现有的交通标志数据集转换为分类任务所需的格式，并将其保存为二进制文件。
然后，您将在训练之前应用预处理技术，生成处理过的数据集并将其保存到单独的二进制文件中。
在下一步中，您将为分类任务构建 CNN 模型，选择所需的层数以进行准确分类并调整其他参数。
当模型设计好并且数据集准备好后，您将训练构建的 CNN，在全新的图像上测试训练好的模型，通过相机实时对图像进行分类，并可视化过滤器从随机初始化到最终训练的训练过程。
在最后一步，您将根据课程中学到的所有材料通过练习测试。
作为奖励部分，您将生成多达 100 万张额外图像，并通过图像旋转、图像投影和亮度变化通过新图像扩展准备好的数据集。
本课程的主要目标是发展和提高您的硬技能，以便将它们应用于基于卷积神经网络的图像分类的实际问题。
您将学到：
为分类任务组装自己的自定义数据集 为分类任务
修改现有数据
集 在训练前对数据集应用预处理技术
设计具有高精度结果的深度 CNN 架构
在 Keras 中训练深度 CNN
训练后对新图像进行
分类 实时演示分类通过相机
生成合成数据以扩充现有数据集
本课程适用于
希望使用 CNN 构建完整的图像分类应用程序的
学生 希望在下一次实习或梦想工作面试之前提高使用 CNN 进行图像分类的硬技能的
学生 希望将 CNN 与自己的数据结合使用的学生图像分类但不知道从哪里开始
研究不同图像分类算法并想用自定义数据训练 CNN 并与其他方法比较结果的年轻研究人员
了解图像分类基础但想知道如何用新数据训练 CNN 的学生
学习计算机视觉并想知道如何使用CNN进行图像分类的学生
从事安全驾驶项目并希望使用CNN对交通标志进行分类的
学生为驾驶员开发警报警告系统并需要对交通标志进行分类的学生
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz, 2 Ch
Genre: eLearning | Language: English + srt | Duration: 48 lectures (15h 41m) | Size: 13 GBDeep CNN network for accurate image recognition: design, train and test
