U-NET para segmentación semántica, explicación del paper.

Implementación en código de U-NET

- Modelo U-NET en PyTorch:
   • Segmentación Semántica - U-NET desde ...  
- Dataset y Dataloader:
   • PyTorch DATASET & DATALOADER con U-NE...  
- Métricas de Evaluación y Resultados
   • Entrenamiento y métricas IoU y Coefic...  

En este video explico a detalle el paper de U-NET, una arquitectura revolucionaria de gran impacto en problemas de segmentación semántica. Permitiendo, clasificar pixeles en una imagen usando un modelo end-to-end totalmente convolucional mucho más eficiente que modelos previos utilizando ventanas deslizantes.
En el siguiente video, implementaré esta arquitectura en PyTorch desde cero!

Referencia al paper original:
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation (arXiv:1505.04597). arXiv. https://doi.org/10.48550/arXiv.1505.0...

Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch:
En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs).

About the video series:
In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.