Microscopie à super-résolutionLa microscopie à super-résolution est un ensemble de techniques permettant d'imager en microscopie optique des objets à une résolution à l’échelle nanométrique. Elle se démarque par le fait que la résolution obtenue n'est plus limitée par le phénomène de diffraction. Du fait de la diffraction de la lumière, la résolution d’un microscope optique conventionnel est en principe limitée, indépendamment du capteur utilisé et des aberrations ou imperfections des lentilles.
Highway networkIn machine learning, the Highway Network was the first working very deep feedforward neural network with hundreds of layers, much deeper than previous artificial neural networks. It uses skip connections modulated by learned gating mechanisms to regulate information flow, inspired by Long Short-Term Memory (LSTM) recurrent neural networks. The advantage of a Highway Network over the common deep neural networks is that it solves or partially prevents the vanishing gradient problem, thus leading to easier to optimize neural networks.
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Pixelthumb|upright=1.4|Image numérique dont une portion est très agrandie. Les pixels apparaissent ici comme des petits carrés. Le pixel, souvent abrégé p ou px, est l'unité de base de la définition d'une matricielle. Ce mot provient de la locution anglaise picture element, qui signifie « élément d'image ». Le pixel est l'unité minimale adressable par le contrôleur vidéo. C'est aussi l'unité utilisée pour spécifier les définitions d'affichage (largeur × hauteur).
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Capteur photographiqueUn capteur photographique est un composant électronique photosensible servant à convertir un rayonnement électromagnétique (UV, visible ou IR) en un signal électrique analogique. Ce signal est ensuite amplifié, puis numérisé par un convertisseur analogique-numérique et enfin traité pour obtenir une . Le capteur est donc le composant de base des appareils photo et des caméras numériques, l'équivalent du film (ou pellicule) en photographie argentique.
Processeur d'imagesLe processeur d'images est un composant important d'un appareil photographique numérique qui joue un rôle essentiel dans la création de l'. Le processeur d'images doit réaliser plusieurs tâches complexes. Les photodiodes présentes dans un capteur photographique sont monochromes par nature : elles peuvent seulement enregistrer différents niveaux de gris. Pour obtenir une image en couleurs, elles sont recouvertes par trois filtres colorés : rouge, vert et bleu (RGB) selon un arrangement appelé filtre de Bayer - d'après le nom de son inventeur.
SuperlentilleUne superlentille est une lentille optique élaborée avec des métamatériaux et permettant de distinguer des détails jusqu'à vingt fois inférieurs à la longueur d'onde d'utilisation. Une lentille classique est dite « limitée par la diffraction », c'est-à-dire que l'image la plus petite que l'on pourra obtenir sera toujours une tache d'Airy et donc possède un diamètre dépendant du diamètre de la lentille et de la longueur d'onde d'utilisation, limitant l'utilisation de lentilles classiques en verre optique à l'observation d'objet de quelques centaines de nanomètres.
Vanishing gradient problemIn machine learning, the vanishing gradient problem is encountered when training artificial neural networks with gradient-based learning methods and backpropagation. In such methods, during each iteration of training each of the neural networks weights receives an update proportional to the partial derivative of the error function with respect to the current weight. The problem is that in some cases, the gradient will be vanishingly small, effectively preventing the weight from changing its value.
Pouvoir de résolutionLe pouvoir de résolution, ou pouvoir de séparation, pouvoir séparateur, résolution spatiale, résolution angulaire, exprime la capacité d'un système optique de mesure ou d'observation – les microscopes, les télescopes ou l'œil, mais aussi certains détecteurs, particulièrement ceux utilisés en – à distinguer les détails. Il peut être caractérisé par l'angle ou la distance minimal(e) qui doit séparer deux points contigus pour qu'ils soient correctement discernés.
