در این ویدیو با پروژه سوپر رزولوشن تصاویر با Python و TensorFlow آشنا می‌شوید. این پروژه با استفاده از معماری Residual Dense Network (RDN) برای افزایش وضوح و بازسازی تصاویر طراحی شده و نمونه‌ای کاربردی از استفاده از یادگیری عمیق در حوزه پردازش تصویر محسوب می‌شود.

سورس پروژه شامل فایل‌های model.py، train.py، test.py، data_extraction.py و utils.py به همراه README و فایل‌های موردنیاز پروژه است. همچنین امکان اجرای پروژه در Google Colab، پردازش تصاویر، تولید خروجی ۲ برابر، استفاده از Downsampling با روش Bicubic و اتصال به Google Drive در نسخه تکمیل‌شده پروژه فراهم شده است.

این پروژه می‌تواند برای انجام پروژه‌های دانشگاهی و تحقیقاتی در زمینه یادگیری عمیق، پردازش تصویر، Computer Vision، TensorFlow، Python و Image Super-Resolution مورد استفاده قرار گیرد.

صفحات مرتبط:
یادگیری عمیق:
https://aryaprozhe.ir/%d8%a7%d9%86%d8%ac%d8%a7%d9%85-%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%87%d8%a7%db%8c-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/
پردازش تصویر:
https://aryaprozhe.ir/%d8%a7%d9%86%d8%ac%d8%a7%d9%85-%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d9%88%db%8c%d8%b1/
TensorFlow:
https://aryaprozhe.ir/tensorflow-projects/
Python:
https://aryaprozhe.ir/%d8%a7%d9%86%d8%ac%d8%a7%d9%85-%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%87%d8%a7%db%8c-%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86-python/
مشاهده و دریافت پروژه آماده:
https://aryaprozhe.ir/product/44364-image-super-resolution-tensorflow/

برای مشاهده توضیحات کامل، مشخصات فایل‌ها و جزئیات پروژه، صفحه پروژه آماده را مشاهده کنید.