Image Analysis Training Courses

Fiji is an open-source image processing package that bundles ImageJ (an image processing program for scientific multidimensional images) and a number of plugins for scientific image analysis.

In this instructor-led, live training, participants will learn how to use the Fiji distribution and its underlying ImageJ program to create an image analysis application.

By the end of this training, participants will be able to:

- Use Fiji's advanced programming features and software components to extend ImageJ
- Stitch large 3d images from overlapping tiles
- Automatically update a Fiji installation on startup using the integrated update system
- Select from a broad selection of scripting languages to build custom image analysis solutions
- Use Fiji's powerful libraries, such as ImgLib on large bioimage datasets
- Deploy their application and collaborate with other scientists on similar projects

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.

Marvin είναι ένα εκτεταμένο πλαίσιο πλατφόρμας επεξεργασίας εικόνας και βίντεο ανοιχτού κώδικα που αναπτύχθηκε στην Java . Οι προγραμματιστές μπορούν να χρησιμοποιήσουν το Marvin για να χειριστούν εικόνες, να εξάγουν λειτουργίες από εικόνες για εργασίες ταξινόμησης, να παράγουν αριθμούς αλγοριθμικά, να επεξεργάζονται σύνολα δεδομένων αρχείων βίντεο και να ρυθμίζουν αυτοματοποίηση δοκιμών μονάδων.

Ορισμένες από τις εφαρμογές βίντεο του Marvin περιλαμβάνουν το φιλτράρισμα, την επαυξημένη πραγματικότητα, την παρακολούθηση αντικειμένων και την ανίχνευση κίνησης.

Σε αυτόν τον οδηγό, οι συμμετέχοντες στο πρόγραμμα θα μάθουν τις αρχές της ανάλυσης εικόνας και βίντεο και θα χρησιμοποιήσουν το Marvin Framework και τους αλγόριθμους επεξεργασίας εικόνας για να κατασκευάσουν τη δική τους εφαρμογή.

Μορφή του μαθήματος

- Οι βασικές αρχές της ανάλυσης εικόνας, της ανάλυσης βίντεο και του πλαισίου Marvin εισάγονται για πρώτη φορά. Οι σπουδαστές λαμβάνουν καθήκοντα βάσει σχεδίου που τους επιτρέπουν να ασκούν τις έννοιες που έχουν μάθει. Μέχρι το τέλος της τάξης, οι συμμετέχοντες θα έχουν αναπτύξει τη δική τους εφαρμογή χρησιμοποιώντας το Marvin Framework και τις βιβλιοθήκες.

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

- Set up and configure PaddlePaddle
- Set up a Convolutional Neural Network (CNN) for image recognition and object detection
- Set up a Recurrent Neural Network (RNN) for sentiment analysis
- Set up deep learning on recommendation systems to help users find answers
- Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

- Developers
- Data scientists

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice

Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.

Μορφή του μαθήματος

- Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .

Scilab είναι μια καλά ανεπτυγμένη, ελεύθερη και ανοιχτής πηγής γλώσσα υψηλού επιπέδου για χειρισμό επιστημονικών δεδομένων. Χρησιμοποιείται για στατιστικές, γραφικά και κινούμενα σχέδια, προσομοίωση, επεξεργασία σήματος, φυσική, βελτιστοποίηση και πολλά άλλα. Η κεντρική δομή δεδομένων της είναι η μήτρα, απλουστεύοντας πολλούς τύπους προβλημάτων σε σύγκριση με εναλλακτικές λύσεις όπως τα παράγωγα FORTRAN και C. Είναι συμβατό με γλώσσες όπως C, Java και Python , καθιστώντας το κατάλληλο για χρήση ως συμπλήρωμα στα υπάρχοντα συστήματα.

Σε αυτή την εκπαιδευτική εκπαίδευση, οι συμμετέχοντες θα μάθουν τα πλεονεκτήματα του Scilab σε σύγκριση με εναλλακτικές λύσεις όπως το Matlab, τα βασικά της σύνταξης του Scilab καθώς και μερικές προηγμένες λειτουργίες και τη διασύνδεση με άλλες γλώσσες που χρησιμοποιούνται ευρέως ανάλογα με τη ζήτηση. Το μάθημα θα ολοκληρωθεί με ένα σύντομο έργο που εστιάζει στην επεξεργασία εικόνων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν μια κατανόηση των βασικών λειτουργιών και ορισμένων προηγμένων λειτουργιών της Scilab και θα έχουν τους πόρους για να συνεχίσουν να επεκτείνουν τις γνώσεις τους.

Κοινό

- Επιστήμονες δεδομένων και μηχανικοί, ειδικά με ενδιαφέρον για την επεξεργασία εικόνας και την αναγνώριση προσώπου

Μορφή του μαθήματος

- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και εντατική πρακτική πρακτική, με τελικό σχέδιο