Imagerie d'apprentissage profond

Aperçu

This hands-on course proves that deep learning isn't just about pressing "run" on a model. It's about turning satellite imagery into actual, useful insights.

You'll work with convolutional neural networks for land cover classification, fine-tune a pre-trained CNN using transfer learning, use data augmentation to improve performance, and apply Grad-CAM to see where the model is actually looking. Along the way, you'll practice translating raw satellite imagery into insights you can clearly communicate to others.

You are required to have basic Python programming, familiarity with machine learning concepts, and introductory knowledge of neural networks and image data. Designed for beginners in machine learning and remote sensing, Deep Learn Imagery builds your confidence in both working with deep learning and explaining what your models are doing.

Programme

• Ajustement fin des CNN pour la couverture terrestre
Dans ce module, vous appliquerez des techniques d'apprentissage par transfert pour ajuster finement un réseau neuronal convolutionnel (CNN) pré-entraîné pour la classification de la couverture terrestre à l'aide d'images satellites. Le module se concentre sur l'adaptation des modèles de vision existants aux données géospatiales dans des conditions réelles telles que les échantillons étiquetés limités, le déséquilibre des classes et les défis de généralisation spatiale.
• Amélioration des performances du modèle avec l'augmentation des données
Dans ce module, les apprenants conçoivent et appliquent des pipelines d'augmentation de données pour améliorer la généralisation des réseaux neuronaux convolutionnels entraînés sur des images satellites. Le module se concentre sur la sélection d'augmentations réalistes qui préservent la signification spatiale tout en répondant aux données limitées et déséquilibrées de couverture terrestre.
• Expliquer les prédictions du modèle avec Grad-CAM
Dans ce module, les apprenants utilisent les visualisations Grad-CAM pour interpréter les prédictions des réseaux neuronaux convolutionnels pour les images satellites. Le module met l'accent sur la compréhension de l'attention du modèle, l'identification des modes d'échec et la communication claire du comportement du modèle aux parties prenantes techniques et non techniques.

---

Enseigné par

Professionals from the Industry

---

Matières

Computer Science