Machine Learning pour le traitement d’image
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
Remarque : Notre certification QUALIOPI vous garantit un process certifié sur nos actions de formation et permet un financement des formations CAP’TRONIC par votre Opérateur de Compétences (OPCO) hors CPF.
LIEU
CEA-TECH - 51 rue de l’Innovation 31670 LABEGE
PROGRAMME
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), problèmes de 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 œuvre avec OpenCV : API, exemples. Chargement de réseaux pré-entrainés.
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
Le découpage de la formation est proposé à titre indicatif et pourra être adapté
ORGANISATION
Support de cours - Travaux pratiques - 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 :
Évaluation de l’action de formation par la remise 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 : Évaluation 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 de présence.
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.
Machine Learning pour le traitement d’image du 18 au 20 juin à Labège (31)
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 contact@captronic.fr
Informations mises à jour le 28/02/2024