Demystifying Deep Learning Semantic Segmentation and Deployment

Presentazione

Le tecniche di Deep Learning possono raggiungere livelli di accuratezza molto elevati per molti problemi, considerati allo stato dell’arte algoritmicamente non risolvibili, utilizzando metodi più tradizionali di Machine Learning, come il riconoscimento di oggetti in una scena oppure il riconoscimento di un percorso in un dato ambiente.

In questo webinar descriveremo alcuni aspetti del Deep Learning e dimostreremo nuove capacità di MATLAB che semplificano questi lavori ed eliminano dettagli implementatavi di programmazione a basso livello. Dalla prototipazione alla produzione, realizzeremo una rete neurale che verrà automaticamente convertita in codice CUDA per essere eseguita nativamente su una GPU.

Punti principali

• Effettuare segmentazione semantica al livello del singolo pixel su una immagine
• Importare e riusare modelli preaddestrati direttamente da TensorFlow e Caffe
• Accelerare l’addestramento della rete neurale con il calcolo parallelo su un cluster
• Usare metodi di data augmentation per aumentare l’accuratezza di un modello di Deep Learning
• Convertire automaticamente un modello in codice CUDA per essere eseguito su una GPU

Informazioni sul relatore

Giuseppe Ridinò, Senior Application Engineer MathWorks, si occupa principalmente delle tematiche di processamento del segnale, sistemi di comunicazione, processamento di immagini, visione artificiale, robotica e generazione codice HDL.

Prima di entrare in MathWorks nel 2014, ha accumulato esperienze sull'applicazione di MATLAB^® e Simulink^® in vari settori industriali per la modellazione e simulazione di sistemi complessi. Esperto di calcolo numerico, sviluppo software, e modellazione fisico-matematica, possiede una laurea in Ingegneria Elettronica del Politecnico di Torino