Andere Kunden interessierten sich auch für
![Segmentación de tumores cerebrales mediante tecnología de impresión 3D]( "Segmentación de tumores cerebrales mediante tecnología de impresión 3D")
Segmentación de tumores cerebrales mediante tecnología de impresión 3D26,99 €![Un nuevo índice de calidad de imagen y su aplicación en imágenes de RMN]( "Un nuevo índice de calidad de imagen y su aplicación en imágenes de RMN")
Un nuevo índice de calidad de imagen y su aplicación en imágenes de RMN27,99 €![Clasificar las imágenes de patología torácica usando técnicas de aprendizaje profundo]( "Clasificar las imágenes de patología torácica usando técnicas de aprendizaje profundo")
Clasificar las imágenes de patología torácica usando técnicas de aprendizaje profundo18,99 €![Diseño e implementación del análisis de imágenes para el cáncer de piel del melanoma]( "Diseño e implementación del análisis de imágenes para el cáncer de piel del melanoma")
Diseño e implementación del análisis de imágenes para el cáncer de piel del melanoma27,99 €![Procesamiento de imágenes basado en el aprendizaje profundo]( "Procesamiento de imágenes basado en el aprendizaje profundo")
Procesamiento de imágenes basado en el aprendizaje profundo26,99 €![Extracción de matrículas de automóviles mediante técnicas de procesamiento de imágenes]( "Extracción de matrículas de automóviles mediante técnicas de procesamiento de imágenes")
Extracción de matrículas de automóviles mediante técnicas de procesamiento de imágenes26,99 €![Procesamiento de imágenes en la vigilancia de plantas y la lucha contra las plagas en la agricultura]( "Procesamiento de imágenes en la vigilancia de plantas y la lucha contra las plagas en la agricultura")
Procesamiento de imágenes en la vigilancia de plantas y la lucha contra las plagas en la agricultura18,99 €
Este libro se centra en las técnicas de aprendizaje profundo en la aplicación de la segmentación semántica de imágenes. Su objetivo es entender claramente el rendimiento de las Redes Neuronales en diferentes fondos, entrenándolas a aprender de diferentes imágenes, utilizando un enfoque basado en el aprendizaje profundo.El proyecto propuesto se construye en torno a una arquitectura de red neuronal convolucional VGG-16, con el fin de detectar las diferentes partes y elementos en una imagen mediante la aplicación de diferentes capas, utilizadas para reconocer el objeto en la imagen final. En este trabajo se realiza una evaluación comparativa de la primera red preentrenada frente a la entrenada, a través de varias repeticiones e intentos y diferentes cambios en su estructura.Los resultados experimentales indican cómo varía el número de veces que se ha visto una imagen durante el entrenamiento entre los diferentes modelos.Estos resultados experimentales también demuestran que los métodos de segmentación pueden ser muy útiles una vez entrenados los modelos.