Description

• Comprendre le champ de l'apprentissage profond (deep learning) à la vision par ordinateur pour l'extraction d'information à partir d'images digitalisées.
• Comprendre comment l'apprentissage profond permet d'adresser des problèmes complexe en analyse d'images.
• Découvrir les algorithmes majeurs de ce domaine très actif et leurs applications en recherche et en industrie/service.
• Comprendre l'importance des représentations en apprentissage profond.
• Analyse détaillées des architectures d'apprentissage profond pour l'analyse d'image: réseaux convolutionnels, transformers, classification d'image, détection d'objet, estimation de pose humaine.
• Utilisation de librairies Python et framework d'apprentissage profond PyTorch.
• Bonnes pratiques en apprentissage profond pour l'entraînement de modèles.
• Gain d'expérience pratique à travers de nombreux tutoriels et travaux pratiques sur ordinateur, ainsi que grâce à un projet en groupe.

Compétences requises

• Bases en Machine Learning (apprentissage machine, notions sur-apprentissage/sous-apprentissage, ...)
• Codage Python pour la manipulation de données (numpy, opencv, pandas, ...)
• Utilisation de notebook pour le prototypage Python (jupyter, Google colab).

Compétences visées

À l'issue de cet enseignement, un.e étudiant.e sera capable de :

• comprendre les grandes classes d'algorithmes d'apprentissage profond pour la vision par ordinateur;
• de créer un ensemble d'entraînement cohérent et adapté au framework PyTorch;
• de réaliser un entraînement de modèle en partant de zéro (from scratch) ou en utilisant une approche de réglage fin (fine-tuning);
• identifier les indicateurs permettant d'assurer un apprentissage performant et robuste;
• comprendre les métriques standard en vision par ordinateur (precision, recall, F1-score, average precision, etc.);

Disciplines

• Informatique

Bibliographie

• Goodfellow, I.; Bengio, Y. & Courville, A. (2018), Deep Learning , MITP .
• Szeliski, R. (2011), Computer vision algorithms and applications , Springer , London; New York .
• Publications scientifiques du domaine.