Machine Learning pour le traitement d’image
Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici
Cette formation propose un tour d’horizon des principales techniques de Machine Learning / Deep Learning pour des applications en traitement d’image (classification d’images, détection d’objets, etc.)
Pour ce faire, la formation alternera présentations théoriques et travaux pratiques (C++, OpenCV) où les participants pourront mettre en pratique immédiatement les algorithmes abordés sur des exemples concrets. Une machine virtuelle sera fournie en début de formation avec l’environnement complet de développement.
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
LIEU
13700 MARIGNANE
PROGRAMME
Tour de table
JOUR 1
Tour de table
A) Apprentissage supervisé
Apprentissage supervisé : problèmes de classification, de régression
Notions de probabilités : lois usuelles, probabilités conditionnelles, . . .
Évaluation : performance d’un classifieur, d’un régresseur. Matrice de confusion, métriques classiques, partitionnement en différents jeux.
Quelques algorithmes classiques : k plus proche voisins, classification Bayésienne
(normale), régression logistique.
Travaux pratiques : mise en œuvre et comparaison des différents algorithmes.
JOUR 2
B) Réseaux de Neurones Artificiels (RNA)
Réseaux de neurones : structure en couches, optimisation par Descente de Gradient Stochastique (SGD), propagation arrière du gradient.
Fonctions de coûts classiques : problèmes de régression (EQM, EAM), problèmesde classifications (Entropie Croisée Catégorielle).
Couches classiques : couches complétement connectées, non linéarités, . . .
Couches de sortie : softmax, logistique
Travaux pratiques (1) : résolution d’un problème de classification simple
Techniques avancées : descente adaptative (Adam), taux d’apprentissage variable, critères d’arrêt, régularisation (L2, par lot).
Travaux pratiques (2) : classification d’images médicales.
JOUR 3
C) Réseaux Convolutifs
Architecture des réseaux convolutifs : convolutions 2d, réductions spatiales.
Réseaux classiques pour la classification : historique et évolution des réseaux : LeNet, AlexNet, VGG16, GoogleNet, ResNet, etc.
Travaux pratiques (1) : reconnaissance de chiffres manuscrits (base MNIST).
Mise en oeuvre avec OpenCV : API, exemples. Chargement de réseaux préentrainés.
Travaux pratiques (2) : classification d’image avec un réseau pré-entrainé sur ImageNet (Inception).
Apprentissage par transfert : adaptation d’un réseau pré-entrainé sur une nouvelle tâche (classes spécifiques à un nouveau problème).
Travaux pratiques (3) : classification d’images par transfert sur une petite banque d’images (à partir d’un réseau pré-entrainé Inception). Les participants pourront adapter ce TP avec leurs propres images / classes d’objets.
D) Réseaux Spécialisés
Détection et localisation d’objets : famille d’algorithmes RCNN (RCNN, fast RCNN, faster RCNN, Mask RCNN), détection avec pose..
Apprentissage de descripteurs : réseaux siamois, triplets, pour l’apprentissage avec peu d’exemples
Travaux pratiques (1) : entrainement de descripteurs avec la base MNIST.
Segmentation sémantique : réseaux FCN, FPN
Travaux pratiques (2) : segmentation d’images sur un exemple simple.
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
Dorothée WALLART, wallart@captronic.fr - 06 30 92 27 32
Pour toute question y compris les conditions d’accès pour les publics en situation de handicap.
Les inscriptions sont closes. Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici
Informations mises à jour le 12/10/2023