Machine Learning pour le traitement d’image

Pré-inscription en ligne

OBJECTIF

 Pouvoir utiliser les techniques d’apprentissage automatiques les plus utiles pour le traitement d’image.

PUBLIC VISE

Ingénieurs en traitement du signal, informatique.

PREREQUIS

Notions de base en traitement d’image, notions de C++, bon niveau en mathématiques (universitaire).
PC portable avec droits administrateur pour installer une machine virtuelle.

INTERVENANT

Ingénieur ENSEEIHT, Expert en traitement du Signal, traitement d’image, formateur expérimenté.
Le programme CAP’TRONIC aide, chaque année, 400 entreprises à monter en compétences sur les technologies liées aux systèmes électroniques et logiciel embarqué.

PRIX

Non-adhérent : 2 100€ HT
Adhérent CAP’TRONIC : 1 500€ HT

Remarque : Jessica France est titulaire d’un numéro d’agrément de formation continue et est référencé DATADOCK depuis le 1er juillet 2017. Cette formation est éligible au financement par votre Opérateur de Compétences (OPCO) hors CPF.

LIEU

CEA-TECH - 51 rue de l’Innovation 31670 LABEGE

PROGRAMME

Tour de table

A) Apprentissage automatique supervisé – Généralités
 Apprentissage supervisé : Principes, définition des problèmes de classification, de régression
 Notions de probabilités : Notions essentielles pour bien comprendre les algorithmes d’apprentissage : lois de probabilités usuelles, probabilités conditionnelles, formule de Bayes, entropie, . . .
 Représentation des causalités : Mélange de gaussiennes (MdG), catégoriel multidimensionnel, etc.
 Evaluer un algorithme d’AA : Comment quantifier les performances d’un classifieur ? - Matrice de confusion, métriques classiques (précision, sensibilité, spécificité, justesse, . . .). Méthodologie de mesure (jeux d’apprentissage, validation, test).
 Problèmes de sous / sur-apprentissage : Pouvoir de représentation d’un modèle, capacité de généralisation.
 Algorithmes classiques : K plus proche voisins, classification Bayésienne (normale), régression logistique, machine à vecteurs de supports (SVM), machines avec noyaux (RBF), arbres de décision, forêts aléatoires.
 Travaux pratiques : Mise en œuvre des différents algorithmes sur des problèmes de classifications.

B) Pré-traitements et apprentissage non supervisé
 Pré-traitements : Normalisation des composantes, décorrélation (Analyse en Composantes Principales / ACP), Analyse Discriminante Linéaire.
 Apprentissage non supervisé : Algorithmes K-moyennes, et EM (Espérance Maximisation)
 Travaux pratiques : Amélioration des performances des exemples vus en première partie.
 Exemple de prétraitement pour les images : Calculs des descripteurs de texture LBP (Local Binary Patterns)

C) Réseaux de Neurones Artificiels (RNA) – Généralités (étude non spécifique au traitement d’image).
 Réseaux de neurones : Structure en couches, optimisation par Descente de Gradient Stochastique (SGD),
 Fonctions de coûts classiques : Problèmes de régression (EQM, EAM), problèmes de classifications (Entropie Croisée Catégorielle).
 Couches classiques : couches complètement connectées, non linéarités, distance cosinus, etc.
 Couches de sortie : SoftMax, Logistique
 Travaux pratiques (1) : Construction d’un RNA pour la résolution d’un problème de classification simple
 Techniques avancées : Descente adaptative (Adam), taux d’apprentissage variable, critères d’arrêt.
 Techniques de régularisation : Régularisations L2, normalisation par lot (batch normalization), dropout)
 Travaux pratiques (2) : RNA pour la classification d’images médicales, à partir de descripteurs LBP.

D) Réseaux Convolutifs, des réseaux de neurones créés spécifiquement pour le traitement d’image.
 Architecture des réseaux convolutifs : Convolutions 2d, réductions spatiales.
 Réseaux classiques pour la classification : LeNet, AlexNet, VGG16, GoogleNet, ResNet, etc.
 Travaux pratiques (1) : Apprentissage d’un réseau pour la reconnaissance de chiffres manuscrits (base MNIST).
 Mise en œuvre avec OpenCV : API, exemples. Chargement de réseaux pré-entraînés.
 Travaux pratiques (2) : Classification d’images avec un réseau pré-entraîné sur ImageNet (Inception).
 Apprentissage par transfert : Adaptation d’un réseau pré-entraîné sur une nouvelle
 Travaux pratiques (3) : Classification d’images par transfert sur une petite banque d’images
 Détection et localisation d’objets : Famille d’algorithmes RCNN (RCNN, fast RCNN, faster RCNN, Mask RCNN).
 Travaux pratiques (4) : Détection et localisation d’objets avec apprentissage par transfert.
 Segmentation sémantique : Algorithmes pour la segmentation pixel à pixel (Enet, etc.)
 Détection avec pose : Algorithme OpenPose, exemples avec OpenCV (détection de personnes, de mains).
 Quelques autres applications : Détection de contours, colorisation automatique, transfert de style, amélioration de la résolution, etc.

Tour de table

ORGANISATION

Moyens pédagogiques : Support de cours sous format papier ou clé USB - Illustration des sections théoriques par des exemples pratiques tout au long de la formation - Assistance pédagogique sur le cours assurée par le formateur pendant 1 mois à l’issue de la formation.
Moyens permettant d’apprécier les résultats de l’action : Evaluation de l’action de formation par l’envoi d’un questionnaire de satisfaction à chaud à l’issue de la formation, puis d’un questionnaire à froid quelques semaines après la formation.
Moyen permettant de suivre l’exécution de l’action : Evaluation des connaissances via un questionnaire avant et après la formation. Feuilles de présence signées par chaque stagiaire et le formateur par demi-journée de formation.
Sanction de la formation : Attestation d’assiduité.

RENSEIGNEMENTS ET INSCRIPTION

Sophie BASSE-CATHALINAT, cathalinat@captronic.fr - 06 79 49 15 99
Pour toute question y compris les conditions d’accès pour les publics en situation de handicap.

Pré inscription en ligne

Pré inscription en ligne

Les inscriptions sont closes. Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici

Informations mises à jour le 07/06/2023