Lección 15 del módulo “Redes Convolucionales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo usar VGG-16 y la transferencia de aprendizaje en la clasificación de imágenes y entendimos el impresionante potencial que estas Redes Convolucionales profundas tienen en el campo de la visión por computador.
En esta lección hablaremos GoogLeNet y ResNet, otras dos arquitecturas aún más impresionantes que han logrado superar al ser humano en estas tareas de clasificación y que en la actualidad son un referente en este campo de la visión artificial.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Bien, acabamos de ver cómo con GooLeNet y ResNet tenemos todos los elementos fundamentales y las arquitecturas básicas para abordar diferentes tareas de procesamiento de imágenes y visión artificial usando Redes Convolucionales.
GoogLeNet fue desarrollada por Google en 2014, logrando una exactitud top-5 del 7% con el set ImageNet, superando a AlexNet y VGGNet. Esta arquitectura usa bloques de procesamiento repetitivos y presenta el bloque inception, que combina kernels de diferentes tamaños para procesar imágenes y extraer características a distintas resoluciones.
Por su parte, ResNet fue creada por Microsoft en 2015 alcanzando un desempeño top-5 del 3.6% con ImageNet, superando incluso el rendimiento humano en la misma tarea. Esta red aborda el problema de los gradientes que explotan o se desvanecen utilizando bloques residuales, que proporcionan una ruta alternativa para el cálculo de gradientes durante el entrenamiento, minimizando estos inconvenientes durante el entrenamiento.
Así que lo que nos queda es poner en práctica estos conceptos. Entonces, en la próxima lección desarrollaremos la tercera práctica de este módulo del curso, en donde resolveremos un problema de segmentación de imágenes usando Redes Convolucionales.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.