IA - computer vision, traitements, analyses & génération d'images/vidéos

Objectifs

Découvrir et manipuler la donnée image et vidéo
S'approprier le fonctionnement des modèles Convolutional Neural Network (CNN)
Implémenter un modèle CNN en classification, détection/segmentation, connaître l'état de l'art
Évaluer ses modèles et choisir les bonnes métriques
Connaître les méthodes pour interpréter les modèles CNN et leurs prédictions : IA de confiance (AI Act)
S'approprier les méthodes pour faire des inférences avec peu d'images (petite base de données)
Appréhender le fonctionnement de DALL-E 2 et des modèles de diffusion
Savoir générer de la donnée image ou modifier une image (améliorer la qualité de l'image, débruiter)
Optimiser et embarquer ce genre de modèle (sur un raspberry)
Posséder une cartographie des modèles à utiliser pour faire de l'inférence en temps réel

Programme de la formation

INTRODUCTION À LA COMPUTER VISION
SERIE DANS LE NUMÉRIQUE
Rappel de traitement du signal
Représentation d'une image numérique
Compression
Encodage
Résolution d'une image
Applications historiques
Problème d'aliasing
Balance des blancs
Segmentation sémantique
Démonstration des transformations possibles d'une image selon les méthodes présentées
MACHINE LEARNING CLASSIQUE APPLIQUÉ À L'IMAGERIE
Représenter une image pour du Machine Learning
Tableau de pixels
Histogram de gradiant et descripteurs SIFT (Scale-invariant feature transform)
Métriques d'évaluation
Classification
Détection d'objets
Segmentation
Démonstration d'application du descripteur SIFT et mob pour implémenter la méthode
DEEP LEARNING APPLIQUÉ À L'IMAGERIE (PARTIE 1)
Introduction aux CNN (Convolutional Neural Network)
Principe du transfert learning
Vision transformers et MaskFormers (HuggingFace)
Applications et métriques d'évaluation
Classification : Théorie pour comprendre la classification dans le deep / Présentation des modèles à l'état de l'art
Détection : Comprendre la détection d'objets dans une image / Présentation des modèles à l'état de l'art et particularités
Segmentation (instance, semantic et panoptic) : Comprendre les différents types de segmentation d'objets (3 types) sur une image / Présentation des modèles à l'état de l'art et particularités
Démonstration d'application des différents types de segmentation et leur évaluation pour identifier leurs spécificités (ex: Bodypix)
Mise en pratique : “Implémenter, en mob, un modèle de Deep Learning effectuant de la détection et segmentation, en évaluant les performances du modèle - en passant par la méthode de transfer learning”

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique