Construction d’un Modèle à base d’Apprentissage Profond pour la Reconnaissance de Panneaux de Signalisation
Des informations générales:
Le niveau |
MASTER |
Titre |
Construction d’un Modèle à base d’Apprentissage Profond pour la Reconnaissance de Panneaux de Signalisation |
SPECIALITE |
Génie Informatique |
Page de garde:
Sommaire:
Introduction général
Chapitre 01
Introduction
1. Défis
2. Travaux antérieurs
2.1 Correspondance des modèles
2.2 Caractéristiques artisanales
2.3 Apprentissage des descripteurs.
2.4 ConvNets
Chapitre 02
Introduction
1. Formulation
1.1 K-voisin le plus proche
2. Classificateur linéaire
2.1 Formation d’un classificateur linéaire
2.2 Perte de charnière
2.3 Régression logistique.
2.4 Classification multiclasse.
2.5 Un contre un.
2.6 Un contre les autres.
3. Réseaux de neurones artificiels
3.1 Perceptron
3.2 Perceptron multicouche ou réseau de neurones
3.2.1 Définition :
3.3 Apprentissage dans les réseaux de neurones. 3.4 L’algorithme de rétropropagation.
3.5 Autres fonctions d’activation
3.5.1 Les fonctions d’activation sur la couche de sortie
4. Réseau de neurones convolutifs
4.1 Mécanisme global de fonctionnement.
4.2 Différentes couches composant le CNN
4.2.1 Couche de convolution
4.3 Exemple d’architectures CNN
Chapitre 03
1. Anaconda (Python distribution).
2. Python.
3. TensorFlow
4. Jupyter
5. Matplotlib.
6. random
6.1 Module random
7. Reconnaissance des panneaux de signalisation avec Tensorflow.
7.1 Premier objectif: Classification des panneaux de signalisation
8. Jeu de données de formation
9. Utilisation du modèle
10. Evaluation
11. perspective
Conclusion générale.
Chapitre 01
Introduction
1. Défis
2. Travaux antérieurs
2.1 Correspondance des modèles
2.2 Caractéristiques artisanales
2.3 Apprentissage des descripteurs.
2.4 ConvNets
Chapitre 02
Introduction
1. Formulation
1.1 K-voisin le plus proche
2. Classificateur linéaire
2.1 Formation d’un classificateur linéaire
2.2 Perte de charnière
2.3 Régression logistique.
2.4 Classification multiclasse.
2.5 Un contre un.
2.6 Un contre les autres.
3. Réseaux de neurones artificiels
3.1 Perceptron
3.2 Perceptron multicouche ou réseau de neurones
3.2.1 Définition :
3.3 Apprentissage dans les réseaux de neurones. 3.4 L’algorithme de rétropropagation.
3.5 Autres fonctions d’activation
3.5.1 Les fonctions d’activation sur la couche de sortie
4. Réseau de neurones convolutifs
4.1 Mécanisme global de fonctionnement.
4.2 Différentes couches composant le CNN
4.2.1 Couche de convolution
4.3 Exemple d’architectures CNN
Chapitre 03
1. Anaconda (Python distribution).
2. Python.
3. TensorFlow
4. Jupyter
5. Matplotlib.
6. random
6.1 Module random
7. Reconnaissance des panneaux de signalisation avec Tensorflow.
7.1 Premier objectif: Classification des panneaux de signalisation
8. Jeu de données de formation
9. Utilisation du modèle
10. Evaluation
11. perspective
Conclusion générale.
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.