00:05 – Постановка задачи
00:55 – Общее описание работы алгоритма
04:55 – Изъятие конкретной составляющей цвета из изображения
15:12 – Разбор программы распознования сигналов светофора
25:55 – Работа с путями и именами изображений

0:07 – Что называется детектированием?
1:14 – Принцип работы детектирования по цвету
3:26 – Функция бинаризации inRange
6:03 – Программа для подбора порогов бинаризации
11:13 – Бинаризация изображения из файла и с камеры: значения параметров
15:47 – Функция размытия изображения
18:29 – Избавление от ряби на чёрно-белом изображении: функции erode и dilate
22:19 – Написание функции детектирования знаков: получение бинаризованного изображения
25:14 – Написание функции детектирования знаков: функция поиска контуров
29:08 – Написание функции детектирования знаков: использование наибольшего контура
31:38 – Вырезание области изображения с детектируемым объектов

0:07 – Принцип распознавания сравнением с эталоном
2:37 – Бинаризация эталонного изображения и распознаваемого
9:09 – Распознавание дорожных знаков: сравнение сдетектированного изображения с эталоном
12:57 – Верификация распознаного изображения

В этом уроке мы поговорим о том, как работают HOG-SVM детектор, и воспользуемся предобученным детектором для обнаружения пешеходов.

В этом уроке мы научимся размечать изображения для обучения SVM детекторов, нейронных сетей и других моделей машинного обучения (ML). Получим информацию из файлов аннотаций к изображениям и используем её для обучения собственного SVM-детектора.

00:21 – Детектирование дорожной разметки камерой беспилотного автомобиля и движение по своей полосе дорожного полотна
02:18 – Общий разбор работы алгоритма
05:41 – Бинаризация изображения
13:29 – Перспективное преобразование
18:36 – Находим самые белые столбцы
24:06 – Располагаем окна для поиска пикселей разметки
30:12 – Находим пиксели дорожной разметки
37:11 – Перемещаем окна за линией
39:51 – Вычисляем центральную линию

Мы разберёмся что такое искуственные нейронные сети и какие задачи они призваны решать. В чём причина их популярности? В чём их принципиальное отличие от обычных программ и алгоритмов. Разберёмся с математическими принципами их обучения и использования: прямым и обратным распространением ошибки.

Разберём задачу линейной регрессии, принцип обратного распространения ошибки и поговорим про градиентный спуск.

Вы узнаете, каким образом нейронная сеть подбирает весовые коэффициенты в процессе обучения, и поймёте, как влияют
некоторые гиперпараметры на скорость обучения.

Соберём небольшую нейронную сеть с помощью Google Colab
и обучим её.

Вы научитесь пользоваться интернет-сервисомGoogle Colab, который
даёт доступ к GPU и позволяет обучать нейронные сети. Получите
первые практические навыки в обучении нейронных сетей на Python.

Обучим классифкатор, посмотрим какие параметры обученя влияют
на результат. И рассмотрим возможности, предоставляемые keras.

Мы добавим в нашу нейронную сеть свёрточные слои. Разберёмся что это такое и как они работают. Получим свёрточную нейронную сеть гораздо точнее решающую задачу.