Redes Neuronales Convolucionales (CNN) | Filtros y Pooling Layers | Usos Prácticos
Presentación de que son las Redes Neuronales Convolucionales, como funcionan y para que sirven. Estas redes convolucionales se utilizan ampliamente en el campo de Computer Vision. Gracias a estas ConvNets son posibles los vehículos autónomos, detección de enfermades a partir de imágenes y reconocimiento facial, etc. Tareas que hacen posibles estas redes son: pose estimation, detección de objetos, segmentación de imagenes, clasificación de imagenes, fake faces, etc.
Corrección: En el minuto 13:10, el valor tendría que ser 0 en vez de -4 para la posición (0, 0) de la matriz "Resultado".
Contenidos:
1:02 - Aplicaciones
3:02 - Como se representan las Imagenes
4:48 - Filtros/Kernels/Feature Detector
10:39 - Activation Function
11:06 - Linealidad vs No Linealidad
12:42 - Como se aplica la No Linealidad
16:59 - Como se combinan los resultados de los filtros
19:28 - Pooling Layers
23:35 - Estructura de una CNN típica
27:31 - Historia/El porque cobran popularidad las CNN
29:43 - Tareas en las que se usan estas redes
31:36 - Demo de Detección de Objetos
32:07 - Demo de Segmentación de Imagenes
Link para el detector de objetos:
• Pueden correrlo con cualquier video de YT o subir uno propio: https://tinyurl.com/colab-yolo-demo (necesitan cuenta de google)
Información Extra:
• Si te gusto dale like y compartirlo (frase cliché que no podía faltar)
• Para las Detección de Patentes(en la intro) se utilizo YOLO v4 tiny SPP (+130 FPS en mi 1070 Geforce)
• Para la detección de objetos de la demostracción se uso YOLO v4 entrenado en MS COCO, link: https://github.com/AlexeyAB/darknet
• Los videos de la demostración fueron filmados por / @jutah
• El objetivo del video es dar un poco la intuición de cómo funcionan los filtros que buscan patrones. Si resulta de interes de como se obtienen los filtros óptimos, puedo hacer un video de BackPropagation.
• Algunas palabras raras solo para que rankee mejor el video: Aprendizaje Reforzado, Deep Learning, Redes Convolucionales, Redes Generativas Adversarias, tensorflow, keras ...