|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/segmentacao-imagens-python-a-z/
课程评论：没有评论
**课程名称：** 使用 Python 从 A 到 Z 进行图像分割 **课程概述：** 本课程是计算机视觉领域的一个子领域，专注于从图像或视频中提取有用的信息，以便进行后续分析。图像分割在各个商业和实际应用中都有广泛的应用，例如：自动驾驶汽车识别和检测道路上的行人和交通信号灯；医生快速检测恶性肿瘤和癌细胞；工业生产中识别有缺陷的电子元件；科学家识别森林砍伐区域等。 计算机视觉专业人士的薪资与其他机器学习领域相当，初级职位的月薪约为 5,000 雷亚尔，高级职位可达 15,000 雷亚尔。 本课程将为您提供图像分割领域实用且现代的技术。课程内容从基础概念讲到先进技术，旨在让您掌握构建图像分割解决方案的全部必要工具，并将其应用于实际问题。课程分为四个部分，涵盖不同的图像分割技术。第一部分介绍基于数字图像处理技术的经典算法；第二、三、四部分将重点介绍深度学习的现代架构，它们提供了最先进的结果。 **课程内容将涵盖的项目/主题：** * **经典数字图像处理算法：** 简单阈值法、自适应阈值法、Otsu 法、基于边缘和轮廓的分割、Sobel 算子、Canny 边缘检测、基于区域和聚类的分割、分水岭分割、使用 RGB 和 HSV 的颜色分割。 * **特定场景图像分割：** 日常场景、显微医学图像等。 * **基于深度学习的分割：** Mask R-CNN、U-Net、DeepLab 和 RETR 等现代深度学习架构。 * **提升算法精度：** 使用 PointRend 改进算法精度。 * **定制对象检测和分割：** 训练卷积神经网络以检测和分割自定义对象。 * **数据增强：** 使用数据增强技术扩展小型数据库。 * **分割类型详解：** 深入理解实例分割、语义分割和全景分割的理论和实际差异。 本课程还将帮助您了解不同类型的问题需要不同的技术来解决，因此掌握大部分图像分割算法将使您能够为各种场景选择最合适的技术。课程将使用 **Python** 编程语言和 **Google Colab** 进行教学。 **课程时长：** 超过 150 节课，超过 20 小时的视频。
A Segmentação de Imagens é uma sub-área da Visão Computacional que se refere ao processo de separar e/ou extrair informações úteis de imagens ou vídeos para facilitar sua posterior análise. Existem várias aplicações práticas e comerciais que são desenvolvidas utilizando essas técnicas, como por exemplo: carros autônomos detectam e identificam os objetos na rua (pedestres, semáforos, veículos) para gerar a próxima instrução, médicos detectam tumores graves e células cancerígenas rapidamente, indústrias conseguem identificar peças defeituosas antes de montar um eletrônico, cientistas podem identificam áreas de desmatamento, dentre várias outras aplicações. Os profissionais de visão computacional podem ter salários similares aos das outras áreas de Machine Learning, iniciando em R$ 5.000 mensais numa posição inicial e chegando até R$ 15.000 numa posição sênior.Para levar você até essa área, neste curso você terá uma visão principalmente prática sobre as principais e mais modernas técnicas de segmentação de imagens! Este curso é de A à Z por apresentar desde conceitos mais básicos até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções de segmentação de imagens que podem ser aplicadas em problemas reais! O curso está dividido em quatro partes que abordam tecnologias diferentes de segmentação de imagens. Na parte 1 você aprenderá os algoritmos mais básicos que utilizam recursos da área de processamento digital de imagens, enquanto que nas partes 2, 3 e 4 você será introduzido à arquiteturas modernas de Deep Learning que apresentam os melhores resultados!Veja abaixo alguns dos projetos/tópicos que serão implementados passo a passo:Algoritmos básicos de processamento digital de imagens, como por exemplo: limiarização simples, limiarização adaptativa, método de Otsu, segmentação baseada em bordas e contornos, operador de Sobel, Canny Edge, segmentação baseada em região e clusters, segmentação com watershed e segmentação por cores utilizando RGB e HSVSegmentação de imagens e vídeos contendo cenas do cotidiano, além de imagens microscópicas e médicasSegmentação utilizando as modernas arquitetura Mask R-CNN, U-Net, DeepLab e RETR da área de Deep Learning (Aprendizagem Profunda)Melhoria da precisão dos algoritmos utilizando PointRendTreinamento de uma rede neural convolucional para detecção e segmentação de objetos personalizadosUso de data augmentation para aumentar a quantidade de imagens em bases de dados pequenasEntenda as diferenças na teoria e na prática dos tipos de segmentação: instância, semântica e panópticaCada tipo de problema requer técnicas diferentes para sua solução, portanto, conhecendo a maior parte dos algoritmos de segmentação você saberá quais técnicas utilizar nos mais variados tipos de cenários! Durante o curso, vamos utilizar a linguagem de programação Python e o Google Colab para que você aproveite o curso da melhor maneira possível! São mais de 150 aulas e mais de 20 horas de vídeos!
