Untersuchen Sie Erkennung, Transformer-Setvorhersage und Active Learning.
Behandeln Sie Objekterkennung von der Aufgabenstellung über DETR-Setvorhersage und Transformer-Design bis zu probabilistischem Active Learning für die Annotationsauswahl. Trennen Sie bildweise Erkennung von zeitlichem Tracking und achten Sie auf Metriken, Datensplits, Annotationsqualität und Rechenbudget. Originäre Lernnotizen ergänzen die englischsprachigen Videos.
Eine Erkennungsaufgabe spezifizieren und Lokalisierung, Klassifikation und Metriken gemeinsam deuten. Setbasierte Transformer-Erkennung und relevante Design- und Matching-Entscheidungen erklären. Dateneffiziente Erkennung mit geeigneten Splits, Annotationsbudgets und Baselines bewerten.
Kenntnisse zu CNNs, Bildklassifikation und überwachtem Lernen sind empfehlenswert. Bounding Boxes, Präzision/Recall und Datensplits sind hilfreich; ein bestimmtes Framework ist nicht erforderlich.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.