Logo de la rubrique ATELIER : Apprentissage automatique et Machine Learning pour le traitement d’image avec OpenCV

ATELIER : Apprentissage automatique et Machine Learning pour le traitement d’image avec OpenCV

Du 6 au 7 novembre Nantes (44)

Durant cette formation, nous verrons comment associer les fonctions de traitement d’images fournies par la librairie OpenCV avec des techniques d’apprentissage automatique ("machine learning") dans le but de réaliser des algorithmes de détection / classification fonctionnant pour des objets complexes.

Objectifs : Pouvoir utiliser les techniques d’apprentissage automatiques fournies avec OpenCV

Inscription en ligne

Programme

Première partie (4H) : Apprentissage automatique - Concepts fondamentaux

Nous allons commencer par voir quelques types de problèmes qui peuvent être traités avec les techniques d’apprentissage automatique supervisé, comment on peut formuler ces problèmes, et ce qu’on attend d’un système d’apprentissage.

  • Notions de classification, régression. Exemples : régression linéaire, régression logistique.
  • Évaluation d’un classifieur : Comment quantifier les performance d’un classifieur ? Notions de sensibilité (recall), spécificité, précision, matrice de confusion. Méthodologie de mesure (jeux d’apprentissage, validation, test).
  • Exemple de classifieur trivial : K plus proche voisins.
  • Problèmes de sous / sur-apprentissage : Pouvoir de représentation d’un modèle, capacité de généralisation.
  • Pré-traitements : Exemple de calcul de traits avec l’Analyse en Composantes Principales (ACP). API OpenCV.
  • Travaux pratiques (1)  : Classification sur une petite base de données (iris).
  • Un classifieur plus complexe : SVM / machines à vecteurs de supports (avec noyaux RBF).
  • Travaux pratiques (2) : Décodage de chiffres manuscrits (base de donnée MNIST, 60000 exemples).

Deuxième partie (3H) : Apprentissage profond - Généralités

Dans cette partie, nous allons faire un tour d’horizon de la technique appelée apprentissage profond (deep learning).

  • Réseaux de neurones : structures classiquesCouche complétement connectée (affine), non linéarité (ReLU), normalisation, couches de sorties (logistique, softmax), fonctions de coûts (régression / MSE, distribution / Entropie croisée).
  • Techniques d’apprentissage : Descente de gradient, propagation arrière, descente aléatoire (SGD).
  • Travaux pratiques  : Apprentissage sur l’exemple MNIST (avec traits ACP en entrée). Visualisation de l’évolution des coefficients / de l’erreur. Réglages des paramètres. Le but est d’en retirer une bonne intuition sur les différents concepts et paramètres.

Troisième partie (7H) : OpenCV & apprentissage profond pour le traitement d’images

Dans cette partie, nous appliquerons l’apprentissage profond au traitement d’image, en utilisant OpenCV.

  • Réseaux convolutifs : Rappel sur le produit de convolution, spécificités dans le cadre des réseaux de neurones.
  • Réseaux classiques pour la classification : Historique et évolution des réseaux : LeNet, AlexNet, VGG16, GoogleNet, ResNet, etc.
  • Mise en œuvre avec OpenCV : API, exemples. Chargement de réseaux pré-entrainés.
  • Travaux pratiques (1) : Classification avec un réseau pré-entrainé sur ImageNet.
  • Détection (multi-classes)  : Présentation des principaux algorithmes RCNN, SSD, YoLO. Exemple avec OpenCV.
  • Détection avec pose : Algorithme OpenPose, exemples avec OpenCV (détection de personnes, mains).
  • Apprentissage par transfert : Adaptation d’un réseau pré-entraine sur une nouvelle tâche.
  • Quelques autres applications : Segmentation d’image (pixel par pixel), détection de contours, colorisation automatique, transfert de style, etc.
  • Travaux pratiques (2) : Classification / apprentissage par transfert sur une petite base de données a partir d’un réseau pré-entrainé VGG19.

INFORMATIONS PRATIQUES

Public concerne : Ingénieurs en traitement du signal, informatique
Prérequis : Notions de base en traitement d’image, notions de C++

Matériel nécessaire pour suivre la formation : PC portable (Linux ou
Windows), avec un compilateur C++ (compatible C++14) et OpenCV installé (version minimum : 4.0.1). Un tutoriel d’installation Windows / Linux sera fourni aux participants préalablement a la formation.

Lieu :
Nantes

PARTICIPATION AUX FRAIS

  • Pour les PME adhérentes CAP’TRONIC : prise en charge totale du coût de l’inscription dans la limite de 10 hommes/jour de formation dans l’année d’adhésion et de 2 participants par PME par session, pour les ateliers traitant de logiciel embarqué.
    L’inscription sera validée à réception d’un chèque de caution de 100 €TTC par personne, qui sera renvoyé au participant après l’atelier. En cas d’absence non remplacée à l’atelier, la caution sera encaissée et une facture sera établie.
    Chèque de caution à retourner par courrier à :
    JESSICA France – 60 bd du Maréchal Juin – 44100 NANTES
  • Si vous êtes une PME non adhérente :
    Vous pouvez adhérer à l’association JESSICA France. Pour cela contactez Bérénice RABIA.
    Modalités d’adhésion
  • Pour les entreprises non éligibles [1] et les PME qui ne souhaitent pas adhérer : 1100 € HT soit 1320 € TTC pour les 2 journées et par personne.

Cette formation est éligible au financement par votre Opérateur de Compétences (OPCO) hors CPF.

Les déjeuners seront pris en commun et sont à la charge du participant.

Contact :
Bérénice RABIA - 02 40 73 17 24

Inscription en ligne

ATELIER : Apprentissage automatique et Machine Learning pour OpenCV - 6 au 7 NOVEMBRE 2019 - Nantes



Les informations recueillies sur ce formulaire sont enregistrées dans un fichier informatisé par JESSICA France à des fins de communication via emailing. Elles sont conservées jusqu’à votre demande de désinscription et sont destinées aux équipes de JESSICA France localisées en France.
Conformément à la loi « informatique et libertés », vous pouvez exercer votre droit d’accès aux données vous concernant et les faire rectifier en contactant

Notes

[1(*) Critères d’éligibilité : Toute PME de droit français, de taille inférieure à 2000 personnes n’étant pas détenue à plus de 50% par un groupe de plus de 2000 personnes