SPECIALISATION DEEP LEARNING ET VISION PAR ORDINATEUR

25% du cerveau humain sert à la vision (8% pour l’ouïe et 3% pour le toucher). Il est donc tout naturel de vouloir doter les applications intelligentes de cette faculté afin que celles-ci puissent davantage appréhender et interagir avec le monde qui les entoure. Dans cette spécialisation, vous découvrirez les outils et techniques utilisés dans la reconnaissance d’objets et le suivi de ceux-ci sur des flux vidéos à l’aide de réseaux de neurones spécialisés. De nombreux cas pratiques jalonneront cette spécialisation en passant par la classification d’images, la reconnaissance d’objets et la reconnaissance faciale.

La formation, « Deep Learning et vision par ordinateur» s’adresse aux professionnels de l’informatique, aux développeurs de logiciels, aux professionnels travaillant dans l’analyse de données et bien entendu à toute personne souhaitant se spécialiser dans l’utilisation du Deep Learning appliqué à l’image.

Le prérequis nécessaire pour cette formation consiste en la connaissance du langage Python et avoir suivi la formation « Les fondamentaux du Machine Learning » ou la formation « Les fondamentaux du Deep Learning »

INTRODUCTION A LA VISION PAR ORDINATEUR

• Vision humaine et vision numérique.
• Optimisation du contraste et de la luminosité.
• Notion de convolution.
• Détection de contours.
• Utilisation des librairies OpenCv et Scikit-Image.

DETECTION D’OBJETS

• Utilisation de la méthode de Viola et Jones et de l’algorithme adaboost.
• Utilisation des histogrammes de gradients orientés et de SVM.

DETECTION D’OBJETS A L’AIDE DE RESEAUX DE NEURONES

• Les réseaux de neurones à convolutions (CNN), leurs utilisations et leurs limites dans la détection d’objets.
• Utilisation de réseaux de neurones à convolutions dédiés à la détection d’objets (R-CNN, Fast R-CNN, Faster R-CNN).

LA DETECTION ET LE SUIVI D’OBJETS SUR UNE VIDEO

• Introduction à l’analyse de vidéos.
• Utilisation des réseaux de neurones à convolutions pour la détection et le suivi d’objets sur un flux vidéo.

SEGMENTATION ET GENERATION D’IMAGES

• Présentation de la segmentation et de la génération d’images.
• Utilisation des algorithmes mean shift, SLIC et du deep learning pour la segmentation d’images.
• Utilisation de modèles générationnels (GAN et VAE) pour la génération d’images.