Computer Vision for AI Professionals - eLearning

Chronologie du cours

1. Introduction au traitement d’images

   Leçon 01

   • Introduction au traitement d’images
   • Traitement d'image numérique
   • Types d’images
   • Schémas de coordonnées et RVB
   • Autres jeux de couleurs
   • Histogramme et statistiques
   • Transformations d’intensité et gamma
   • Mélange
   • Convolution
   • Détection de contours
   • Lissage et accentuation
   • Filtres morphologiques

2. Classification

   Leçon 02

   • Défis de la classification d’images
   • Flux de travail d’imagerie traditionnel
   • Composants d’apprentissage profond pour les réseaux feedforward
   • Fonction d’apprentissage profond et approximation universelle
   • Fonction softmax
   • Problèmes liés à la taille du feed-forward
   • Biais-variance et surapprentissage
   • Tracer l’historique du modèle
   • Enregistrer et charger des modèles

3. CNN

   Leçon 03

   • Défis du feedforward et essor des CNN
   • Convolutions pour les CNN
   • Canaux multiples et sorties dans les CNN
   • Dimensions de CNN - Couleur
   • Max pooling
   • Assembler les composants d’un CNN
   • CNN CIFAR-10 avec TensorFlow Datasets

4. Améliorer les CNN

   Leçon 04

   • Augmentation de données
   • Transformations affines
   • Apprentissage par transfert
   • En savoir plus sur l’apprentissage par transfert
   • Mise en œuvre de l’apprentissage par transfert
   • Différentes architectures pour l’apprentissage par transfert
   • L’avenir de l’apprentissage profond

5. Segmentation et reconnaissance d’objets

   Leçon 05

   • Segmentation par seuillage
   • Segmentation par regroupement
   • Segmentation avec CNN
   • Segmentation avec U-Net
   • Segmentation d’images avec U-Net
   • Modèle U-Net
   • Localisation d’objets
   • Défis de classification de multiples objets
   • YOLO