Machine learning pour le traitement d’image

Durant cette formation, nous ferons un tour d’horizon des principales techniques de Machine Learning / Deep Learning pour des applications en traitement d’image (classi-cation 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.

OBJECTIFS

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++
Un PC avec webcam, haut-parleur et micro et une liaison Internet sont requis.

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 : 1 800€ HT
Adhérent CAP’TRONIC : 1 350€ HT

LIEU

CCI Nord Isère
Parc Technologique
5 rue Condorcet
38 VILLEFONTAINE

PROGRAMME

Tour de Table

PREMIERE PARTIE (5H) : APPRENTISSAGE AUTOMATIQUE SUPERVISE - GENERALITES

Durant cette première partie, nous allons voir quels types de problèmes peuvent être résolus grâce à l’apprentissage supervisé, et comment ils doivent être formulés. Ensuite nous définirons un cadre théorique minimale permettant d’avoir une bonne compréhension de l’apprentissage. Enfin, nous étudierons et expérimenterons via les travaux pratiques les algorithmes classiques d’apprentissage supervisé.

• Apprentissage supervisé : Principes, définition des problèmes de classification, de régression
• Notions de probabilités : Notions essentielles pour bien comprendre les algorithmes d’apprentissage : lois de probabilit-es usuelles, probabilités conditionnelles, formule de Bayes, entropie, . . .
• Représentation des causalités : Mélange de gaussiennes (MdG), catégoriel multidimmentionnel, modèles multi-modaux, 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 d-ecision,forêts aléatoires.
• Travaux pratiques : Mise en oeuvre des différents algorithmes sur des problèmes de classi-cations. L’objectif est d’avoir une bonne intuition des
  avantages / inconvénients de chacun (modèle de données sous-jacent, temps d’apprentissage / d’exécution, capacité de généralisation, etc.).

DEUXIEME PARTIE (2H) : PRE-TRAITEMENTS ET APPRENTISSAGE NON SUPERVISE

Durant cette deuxième partie, nous allons voir quelques techniques de prétraitement des données qui permettent de faciliter l’apprentissage automatique.

• 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 vu en première partie.
• Exemple de prétraitement pour les images : Calculs des descripteurs de texture LBP (Local Binary Patterns)

TROISIEME PARTIE (4H) : RESEAUX DE NEURONES ARTIFICIELS (RNA) - GENERALITES

Dans cette partie, nous allons étudier les RNA généralistes (de manière non
spéci-que au traitement d’image).

• 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 classifi-cations (Entropie Croisée Catégorielle).
• Couches classiques : couches complètement connectées, non linéarités, distance cosinus, etc.
• Couches de sortie  : SoftMax, Logistique
• Travaux pratiques (1) : Construction et entrainement d’un RNA pour la r
• Résolution d’un problème de classi-cation 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) : Construction et entraînement d’un RNA pour la classi-cation d’images médicales, à partir de descripteurs LBP.

QUATRIEME PARTIE (10H) : RESEAUX CONVOLUTIFS

Dans cette partie, nous aborderons les réseaux de neurones dits convolutifs, des réseaux de neurones créés spécifiquement pour le traitement d’image. Nous étudierons en particulier les réseaux de classification, qui servent de base à beaucoup d’autres applications en traitement d’image (détection, segmentation, etc.).

• 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) : Conception et apprentissage d’un réseau pour la reconnaissance de chiffres manuscrits (base MNIST).
• Mise en oeuvre 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 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.
• 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. Les participants pourront adapter ce TP avec leurs propres images / classes d’objets.
• Segmentation sémantique : Présentation de quelques algorithmes pour la segmentation pixel à pixel (Enet, etc.)
• Détection avec pose : Algorithme OpenPose, exemples avec OpenCV (détection de personnes, 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 - Exercices pratiques - Mises en situation - La formation s’appuiera sur des études de cas
Moyens permettant d’apprécier les résultats de l’action :
 Evaluation à chaud du module de formation par un « questionnaire de critique constructive »,
 Suivi de la mise en application en situation de travail : un mois après la formation pour une évaluation à froid : envoi du questionnaire aux
managers/ administratifs
Moyen permettant de suivre l’exécution de l’action : Feuilles de présence signées par chaque stagiaire et le formateur par journée de
formation.
Sanction de la formation : Attestation de présence

RENSEIGNEMENTS ET INSCRIPTION

Dorothée WALLART, wallart@captronic.fr - 04 38 78 37 36
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 11/03/2021