Images numériques — représentation ?
Matrices de nombres
Pixels en gris vs couleur ?
Une valeur d’un côté, plusieurs canaux de l’autre
Résolution — définition ?
Nombre de pixels, détail de l’image
Profondeur de couleur — rôle ?
Gamme de couleurs ou nuances
Extraction manuelle — méthode ?
Filtres prédéfinis, règles fixes
Apprentissage automatique — avantage ?
Extraction automatique de caractéristiques pertinentes
Convolution — opération ?
Filtrage local par déplacement d’un noyau
Cartes de caractéristiques — rôle ?
Représentations spatiales des motifs détectés
CNN — structure ?
Couches convolutionnelles, pooling, fully connectées
Opération de convolution — paramètre clé ?
Taille du filtre, stride, padding
Cartes de caractéristiques — importance ?
Localisent motifs, enrichissent la représentation
Classification CNN — étape ?
Utilise caractéristiques pour attribuer une classe
Architecture CNN — adaptation ?
Selon tâche, profondeur, filtres, modules
Détection d’objets — tâche ?
Localiser et identifier objets dans image
Solutions naïves en détection — exemple ?
Balayage de fenêtres
Limites solutions naïves ?
Coût élevé, faible précision, peu robuste
R-CNN — principe ?
Propositions de régions + CNN pour détection
Faster R-CNN — innovation ?
RPN intégré, détection plus rapide et précise
Testez vos connaissances avec un QCM de 10 questions sur Introduction aux réseaux convolutifs en vision par ordinateur.
1. Qu'est-ce que la représentation d'une image en informatique ?
2. En quelle année la méthode R-CNN a-t-elle été introduite par Girshick ?
Révisez le cours complet dans la fiche de révision de Introduction aux réseaux convolutifs en vision par ordinateur.
Voir la fiche →Intelligence Artificielle
Bases de données
Bases de données
Bases de données
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards