Computer vision et Deep Learning

Ce que vous allez apprendre

À la fin de ce cours, vous saurez :

Expliquer les principales problématiques rencontrées dans la vision par ordinateur.
Décrire le fonctionnement d'un neurone artificiel et d'un réseau de neurones.
Lister et expliquer l'ensemble des hyperparamètres d'un réseau de neurones.
Mettre en œuvre un réseau de neurones convolutionnel.
Mettre en œuvre l’apprentissage par transfert.
Expliquer l'architecture d'un réseau auto-encodeur et les spécificités de chacune de ses parties.
Expliquer et mettre en œuvre des approches de Deep Learning pour la détection d’objets.

Description

Ce module a pour objectif de donner aux étudiants les bases de la vision par ordinateur (Computer Vision en anglais) en s’attachant plus particulièrement aux approches qui font appel à l’apprentissage profond (Deep Learning).

Chaque chapitre sera accompagné d’une série de mises en pratique durant lesquelles pourra mettre en œuvre les approches étudiées à l’aide de la librairie Keras en python.

Format

Le cours présente une durée approximative de 45H sur une durée de 9 semaines (soit environ 5H/semaine). Il peut être dispensé sur une durée de trois à quatre mois, ou sous la forme de séminaire plus intensif.

Prérequis

Ce cours s’adresse à des étudiants de M1 ou M2 et requiert un minimum de connaissances en programmation, niveau L3 MIAGE. Bien qu’il soit possible d’apprendre les spécificités du langage python au fur et à mesure, l’étudiant pourra s’appuyer sur de nombreuses ressources en ligne parmi lesquelles on peut citer :

• Un tutoriel en français pour apprendre le langage python, sans aucun pré-requis
APPRENDRE PYTHON [TUTO PROGRAMMATION COMPLET DÉBUTANT]
https://www.youtube.com/watch?v=oUJolR5bX6g

• Un tutoriel en français sur la librairie NUMPY de python, librairie qui est très utilisée dans ce cours et qui n’est pas forcément facile à maitriser :
[Cours complet numpy] - 1. Débuter avec numpy : https://www.youtube.com/watch?v=GdWuZkgOOQc

Evaluation et Certification

Les modalités de remise des travaux, les attendus et la notation pour valider ce cours sont laissées à la discrétion de l'enseignant ré-utilisateur.

Plan de cours

- 1.1. Contenu du chapitre
  1.2. Les problématiques
  1.3. Focus sur la classification d'images
  1.4. L'approche K-NN pour le problème MNIST
  1.5. Lab #1 : mise-en-oeuvre du k-NN
- 2.1. Contenu du chapitre
  2.2. Description du modèle
  2.3. Apprentissage supervisé
  2.4. Lab #2.1 : les concepts du deep learning par l'exemple
  2.5. Lab #2.2 : une spirale infernale
  2.6. Lab #2.3 : classification MNIST
- 3.1. Contenu du chapitre
  3.2. Description du modèle
  3.3. L'apprentissage supervisé
  3.4. Les architectures plus complexes
  3.5. Labs
- 4.1. Contenu du chapitre
  4.2. Les deux étapes du transfert
  4.3. Apprentissage par transfert avec VGG16
  4.4. Transfert d’apprentissage entre MNIST et eMNIST
- 5.1. Introduction
  5.2. Principes et utilisation des auto-encodeurs
  5.3. Mises en œuvre sur la base MNIST
  5.4. Analyse de l'espace latent
- 6.1. Contenu du chapitre
  6.2. La problématique et son contexte
  6.3. Approches neuronales pour la détection d'objet
  6.4. Labs

Équipe pédagogique

Michel WINTER

Catégories

Enseignant à l'Université Cote d’Azur