Deep Learning per la visione artificiale

Presentazione

Mentre il Deep Learning può ottenere una precisione allo stato dell’arte per il riconoscimento e il rilevamento di oggetti, può essere difficile per l’apprendimento, valutare e confrontare differenti modelli. Le tecniche di Deep Learning richiedono anche una notevole quantità di dati e di risorse computazionali.

In questo webinar, vedremo come MATLAB risolve le sfide più comuni del Deep Learning al fine di conoscere la procedura per la realizzazione di modelli accurati di Deep Learning. Ci occuperemo delle nuove funzionalità per il Deep Learning per la visione artificiale, per il riconoscimento di oggetti e rilevamento di oggetti.

Punti principali

Useremo esempi reali per dimostrare come:

• Accedere e gestire grandi quantità di dati
• Utilizzare le visualizzazioni per comprendere le caratteristiche del processo di apprendimento
• Impiegare reti pre-addestrate per effettuare nuovi compiti di riconoscimento utilizzando la tecnica di “transfer learning”
• Accelerare il processo di training mediante GPU con il Parallel Computing Toolbox

La durata prevista del webinar è max. di 1 ora, al termine del quale ci sarà una sessione di domande e risposte.

Informazioni sul relatore

Giuseppe Ridinò, Senior Application Engineer MathWorks, si occupa principalmente delle tematiche di processamento del segnale, sistemi di comunicazione, processamento di immagini, visione artificiale, robotica e generazione codice HDL. Prima di entrare in MathWorks nel 2014, ha accumulato esperienze sull'applicazione di MATLAB^® e Simulink^® in vari settori industriali per la modellazione e simulazione di sistemi complessi. Esperto di calcolo numerico, sviluppo software, e modellazione fisico-matematica, possiede una laurea in Ingegneria Elettronica del Politecnico di Torino

Per gli utenti Flash: per visualizzare la tavola dei contenuti, passare il puntatore del mouse sul video.