Fiji: Introduction to Scientific Image Processing Träningskurs

Marvin är en utöknings bar, plattforms oberoende, öppen källkod bild och video bearbetning ramverk som utvecklats i Java.   utvecklare kan använda Marvin för att manipulera bilder, extrahera funktioner från bilder för klassificerings uppgifter, generera siffror algoritmiskt, bearbeta video fils data uppsättningar och konfigurera enhets test automatisering.

några av Marvin & #39; s video applikationer inkluderar filtrering, förstärkt verklighet, objekt spårning och rörelse detektor.

i denna instruktörsledda, levande kurs deltagare kommer att lära sig principerna för bild-och video analys och utnyttja Marvin Framework och dess bildbehandlingsalgoritmer för att konstruera sin egen ansökan.

format för kursen

• de grundläggande principerna för bild analys, video analys och Marvin Framework introduceras först. Studenterna får projektbaserade uppgifter som gör det möjligt för dem att öva på de begrepp som lärs ut. Vid slutet av klassen, kommer deltagarna har utvecklat sin egen ansökan med hjälp av Marvin ram och bibliotek.

PaddlePaddle (PArallel Distributed Deep LEarning) är en skalbar djup lärplattform utvecklad av Baidu I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man använder PaddlePaddle för att möjliggöra djupt lärande i sina produkt- och tjänsteprogram Vid slutet av denna utbildning kommer deltagarna att kunna: Ställ in och konfigurera PaddlePaddle Ställ in ett konvolutionellt neuralt nätverk (CNN) för bildigenkänning och objektdetektering Ställ in ett återkommande neuralt nätverk (RNN) för sentimentanalys Ställ in djupt lärande på rekommendationssystem för att hjälpa användare att hitta svar Beräkna klickfrekvens (CTR), klassificera storskaliga bildsatser, utföra optisk teckenigenkänning (OCR), rangsökningar, upptäcka datavirus och implementera ett rekommendationssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Pattern Matching är en teknik som används för att lokalisera angivna mönster i en bild. Den kan användas för att fastställa förekomsten av angivna egenskaper i en tagen bild, till exempel den förväntade etiketten på en defekt produkt i en fabrikslinje eller de angivna måtten på en komponent. Det skiljer sig från "Pattern Recognition" (som känner igen allmänna mönster baserat på större samlingar av relaterade prover) genom att det specifikt dikterar vad vi letar efter och sedan berättar för oss om det förväntade mönstret finns eller inte.

 

Kursens upplägg

• Kursen introducerar de tillvägagångssätt, tekniker och algoritmer som används inom området mönstermatchning när det gäller Machine Vision.

Scilab är ett välutvecklat, gratis och open source-språk för vetenskaplig dataprofilering Används för statistik, grafik och animering, simulering, signalbehandling, fysik, optimering och mer, är dess centrala datastruktur matrisen, vilket förenklar många typer av problem jämfört med alternativ som FORTRAN och C-derivat Den är kompatibel med språk som C, Java och Python, vilket gör det lämpligt för användning som ett komplement till befintliga system I den här instruktionsutbildningen kommer deltagarna att lära sig fördelarna med Scilab jämfört med alternativ som Matlab, grunderna i Scilab-syntaxen samt vissa avancerade funktioner och gränssnitt med andra språk som används ofta, beroende på efterfrågan Kursen avslutas med ett kort projekt som fokuserar på bildbehandling I slutet av denna utbildning kommer deltagarna att få förståelse för de grundläggande funktionerna och några avancerade funktioner i Scilab, och ha resurser att fortsätta utöka sin kunskap Publik Datavetenskapare och ingenjörer, särskilt med intresse för bildbehandling och ansiktsigenkänning Kursens format Delföreläsning, diskussion, övningar och intensiv handson-övning, med ett slutprojekt .