Computer vision

1 - Réseaux de neurones Optimisation numérique - Fonctions vectorielles, dérivées partielles, descente de gradient Perceptrons multicouches - Activation, rétro-propagation, régularisation et stabilité numérique Réseaux convolutifs et traitement d'image - Couche de convolution, de pooling, filtres, resizing et downsampling Réseaux récurrents et NLP - Variables latentes, GRU, LSTM, Word2Vec, nettoyage de texte 2 - Détection d'objets Entraînement sur GPU - Configuration d'un code Python pour GPU avec Cuda, surveillance des coeurs - Comparaison des performances CPU vs GPU Pré-entraînement de modèles - Extraction de caractéristiques avec VGG, fine-tuning de réseau de classification - Évaluation des performances hors convolution Détections d'objets dans la rue - Modèle YOLO pour les Bounding Box avec probabilités - Pré-entraînement de YOLO sur COCO appliqué à BDD100k. 3 - Segmentation d'objets Auto-encodeurs - Théorie des auto-encodeurs, entraînement et auto-encodeurs variationnels Segmentation d'objets - Procédés de segmentation et construction de labels - Application de U-NET sur BDD100k pour la segmentation d'objets - Évaluation des performances de segmentation Optimisation d'hyper-paramètres - Méthodes de recherche par grille d'optimisation U-NET - Optimisation bayésienne sur U-NET 4 - Génération et augmentation Generative Adversarial Networks - Entraînement, convergence vers une solution locale - Application des GANs à la super résolution d'images - Application des GANs à la génération d'images satellites Reconnaissance de texte - Création d'un algorithme d'OCR avec Tesseract