Traitement d’image par IA
Cette formation propose un tour d’horizon des principales techniques de Deep learning appliquées au traitement d’image, notamment les problèmes de classification d’images, de détection d’objets, de détection de pose, de segmentation d’image, de génération de descripteurs uniques, etc.
La formation alternera explications théoriques afin de bien comprendre les différents constituants des réseaux de neurones modernes, et travaux pratiques durant lesquels les participants pourront eux-mêmes concevoir et tester leurs propres réseaux.
OBJECTIF
Comprendre comment fonctionnent les architectures classiques de deep learning pour le traitement d’image
Être capable de concevoir son propre réseau sur des problèmes simples de traitement d’image.
PUBLIC VISE
Ingénieurs en traitement du signal, développement informatique. Ne convient pas aux purs débutants en traitement d’image.
PREREQUIS
Intérêt pour le traitement d’image. Notions basiques en probabilités et en calculs matriciels sont recommandées (niveau licence min).
PC Windows 10 ou 11 (si possible performant), avec le droit administrateur pour installer un logiciel (pour les TP, nous utiliserons un outil graphique pour designer et tester les réseaux
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
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 - Travaux pratiques - Assistance pédagogique assurée par le formateur 1 mois après la formation.
Moyens permettant d’apprécier les résultats de l’action : Evaluation 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 : 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 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.
Pré-inscription en ligne
Traitement d’image par IA - 17 au 19 juin 2025 - 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
Informations mises à jour le 24/09/2024