• ایمیل دانشگاه مجازی
  • تلگرام دانشگاه مجازی

آموزش نصب شناسایی کننده Faster R-CNN | تشخیص اشیا در لحظه به صورت Real-Time (بخش هشتم دوره ی شبکه های عصبی)

تعداد پسند ها : هنوز زوده
تاکنون 272 نفر این پست را مشاهده کرده اند

آموزش نصب Faster R-CNN | تشخیص اشیا در لحظه به صورت Real-Time


آموزش نصب شناسایی کننده Faster R-CNN | تشخیص اشیا در لحظه به صورت  Real-Time (بخش هشتم دوره ی شبکه های عصبی)
دانشگاه مجازی

آموزش نصب شناسایی کننده Faster R-CNN | تشخیص اشیا در لحظه به صورت Real-Time (بخش هشتم دوره ی شبکه های عصبی)

در این ویدیو آموزش نصب شناسایی کننده Faster R-CNN | تشخیص اشیا در لحظه به صورت  Real-Time را به شما معرفی خواهیم کرد.

مدرس این دوره مخترع سید علیرضا میرحبیبی می باشد و در این ویدیو که ۲ ساعت و 18 دقیقه می باشد به نصب این شبکه عصبی مربوط به آبجکت دتکشن بسیار بسیار پرکاربرد پرداخته شده است.

این کتابخانه در زمان نصب روی یک ماشین با پردازنده ۲ هسته ای و ۸ گیگابایت رم ddr2 و یک پردازنده گرافیکی ۲ گیگابایت با برند جی فورس جی تی ۷۱۰ نصب و کانفیگ گردیده است که یک هارد دیسک ۸۰ گیگابایتی هم به عنوان دیسک اصلی برای نصب سیستم عامل لینوکس Ubuntu 14.04.6 LTS (Trusty Tahr) استفاده شده است.

اطلاعات کلی در رابطه با شناسایی کننده فستر آر سی ان ان را می توانید در متن انگلیسی زیر مطالعه فرمایید:


Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

State-of-the-art object detection networks depend on region proposal algorithms to hypothesize object locations. Advances like SPPnet and Fast R-CNN have reduced the running time of these detection networks, exposing region proposal computation as a bottleneck. In this work, we introduce a Region Proposal Network (RPN) that shares full-image convolutional features with the detection network, thus enabling nearly cost-free region proposals. An RPN is a fully convolutional network that simultaneously predicts object bounds and objectness scores at each position. The RPN is trained end-to-end to generate high-quality region proposals, which are used by Fast R-CNN for detection. We further merge RPN and Fast R-CNN into a single network by sharing their convolutional features---using the recently popular terminology of neural networks with attention mechanisms, the RPN component tells the unified network where to look. For the very deep VGG-16 model, our detection system has a frame rate of 5fps (including all steps) on a GPU, while achieving state-of-the-art object detection accuracy on PASCAL VOC 2007, 2012, and MS COCO datasets with only 300 proposals per image. In ILSVRC and COCO 2015 competitions, Faster R-CNN and RPN are the foundations of the 1st-place winning entries in several tracks. Code has been made publicly available.




آموزش های پیشنهادی

سایر آموزش های اتفاقی دانشگاه

بیشترین جستجوها در دانشگاه اینترنتی