Vision par ordinateur et deep learning

Catalogue des cours de Télécom SudParis

Code

IGSF IMA 4504

Niveau

M1

Graduate

Graduate

Semestre

Spring

Domaine

Image

Programme

Programme Ingénieur

Langue

Français/French

Crédits ECTS

4

Heures programmées

45

Charge de travail

90

Coordonnateur(s)

Département

  • Advanced Research and Techniques for Multidimensional Imaging Systems

Equipe pédagogique

Organisation

Cours/TD/TP/projet/examen : 9/33/0/3

Acquis d'apprentissage

A l’issue de ce module, l’étudiant va être capable de :
- connaître les principes et maîtriser les principales architectures de réseaux de neurones profonds utilisés en traitement/analyse d’image
-prendre en main et déployer les principaux outils de développement et bibliothèques logicielles de solutions d’intelligence artificielle disponibles aujourd’hui (Tensorflow, PyTorch…)
- s’approprier et expérimenter (apprentissage et test) des solutions d’intelligence artificielle existantes et disponibles en source libre pour diverses applications (reconnaissance/classification d’objets, réalité augmentée, reconnaissance de visages, bio-imagerie…)
- construire et configurer son propre réseau, dédié à une application spécifique
- paramétrer et valider le processus d’apprentissage du réseau

Compétences CDIO

  • 1.3 - Connaissances avancées en ingénierie : méthodes et outils
  • 2.1.2 - Modélisation
  • 2.2 - Méthodes scientifiques : expérimentation, enquête et initiation à la recherche
  • 2.4.3 - Créativité
  • 3.1.2 - Organisation du travail en équipe

Prérequis

Aucun

Mots-clés

Applications de l’image numérique, vision par ordinateur, indexation, analyse et interprétation d’image, sécurisation de données, apprentissage profond, méthodes et applications big data, réalité augmentée, jeux vidéo, bio-imagerie, e-santé.

Contenu

L’objectif est de découvrir, puis d’approfondir par la pratique le domaine de l’intelligence artificielle et notamment de l’apprentissage par réseaux de neurones profonds (deep learning), dans le contexte de la vision par ordinateur. Après une introduction énonçant les principes théoriques fondamentaux, les différents types de réseaux seront découverts de manière pratique à travers la prise en main des solutions existantes correspondant à un ensemble d’applications (exemples : reconnaissance d’objets, reconnaissance de visages, reconstruction 2D/3D, détection et reconnaissance de texte, reconnaissance de la parole…). Dans ce cadre, l’étudiant sera amené à installer et configurer les outils de déploiement de réseaux de neurones (Tensorflow, Pytorch…), puis expérimenter et évaluer les approches considérées. En parallèle, un travail par binôme sera mis en place. L’objectif est de créer une propre solution d’intelligence artificielle, répondant à un objectif d’application précis. Outre les problématiques proposées par l’équipe pédagogique, les étudiants sont encouragés à proposer des sujets qui les intéressent. Des séances plénières de restitution seront périodiquement mises en place afin d’enrichir mutuellement l’expérience pédagogique.

Evaluation

Note finale = Présentations intermédiaires et finale, ainsi que démonstration de la solution

Bibliographie

- Polycopiés et bibliographie spécifiques remis par les intervenants
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, “Deep Learning”, MIT Press.
- Les MOOC machine learning et deep learning sur coursera

Fiche mise à jour le 05/07/2019