Deep Learning : Détection de périphérie et réseaux neuronaux

Cette séance de cours couvre les fondamentaux de la détection de bord et l'évolution des réseaux neuronaux, en se concentrant en particulier sur les techniques d'apprentissage profond. L'instructeur commence par discuter de la détection des bords, en particulier de l'algorithme Canny, qui transforme les images en images dégradées pour identifier les contours. Les défis de l'ajustement des paramètres dans les images du monde réel sont mis en évidence, soulignant la nécessité d'approches d'apprentissage automatique pour améliorer la précision de la détection des bords. La séance de cours passe au développement de l’apprentissage profond, expliquant comment la régression logistique traditionnelle a évolué en perceptrons multicouches et en réseaux neuronaux convolutifs (CNN). L'importance des fonctions d'activation non linéaires, telles que ReLU, est discutée, ainsi que les avantages des réseaux plus profonds dans la modélisation des fonctions complexes. L'instructeur aborde également l'importance des bases de données de formation et le rôle des GPU dans la mise en pratique du deep learning. Enfin, la séance de cours présente des architectures avancées telles que U-Net et les transformateurs, présentant leurs applications dans la segmentation et le traitement d'images, et se termine par une discussion sur l'état actuel de l'apprentissage profond dans la vision par ordinateur.