Recherche et classification des images en utilisant les modèles pré-trainés des CNNs
Des informations générales:
Le niveau |
Master |
Titre |
Recherche et classification des images en utilisant les modèles pré-trainés des CNNs |
SPECIALITE |
Génie Logiciel |
Page de garde:
Sommaire:
CHAPITRE 1 CLASSIFICATION DES IMAGES.
Introduction
I. Définition
II. Les motivations de la classification des images
III. L’objectif de la classification.
IV. Méthodes de classification
1. Méthodes supervisées.
2. Méthodes non supervisées.
V. Apprentissage automatique.
VI. Conclusion
CHAPITRE 2 APPRENTISSAGE PROFOND
Introduction
I. Définition
II. Domaines d’application
III. Réseau de Neurones Artificiel
1. Fonctionnement des ANNS.
2. Les différents types d’ANNs.
VII. Les réseaux de neurones convolutifs
1. Les couches de CNNs
2. Exemples de modèles de CNN
3. Paramètre du filtre
4. Conclusion
CHAPITRE 3 APPLICATION.
Introduction
I. Outils de développement.
1. Python
2. Google Colab.
3. Tensorflow
4. Keras
II. Base d’images
III. Architecture du système proposé
IV. Les modèles pré-trainés.
1. Réseau VGG
2. Réseau ResNet
3. DenseNet-121
V. Distance euclidienne
VI. Caractérisation des images
1. Score.
2. La moyenne
3. L’écart-type
VII. Ajustement des modèles pré-trainés
1. VGG16.
2. VGG19
3. ResNet-50
4. DenseNET121
Résultats et discussion
1. Phase de classification.
2. Phase de recherche par le contenu
2.1. Avec la caractéristique score.
2.2. Caractérisation par la moyenne et l’écart-type
CONCLUSION GENERALE
BIBLIOGRAPHIE
Introduction
I. Définition
II. Les motivations de la classification des images
III. L’objectif de la classification.
IV. Méthodes de classification
1. Méthodes supervisées.
2. Méthodes non supervisées.
V. Apprentissage automatique.
VI. Conclusion
CHAPITRE 2 APPRENTISSAGE PROFOND
Introduction
I. Définition
II. Domaines d’application
III. Réseau de Neurones Artificiel
1. Fonctionnement des ANNS.
2. Les différents types d’ANNs.
VII. Les réseaux de neurones convolutifs
1. Les couches de CNNs
2. Exemples de modèles de CNN
3. Paramètre du filtre
4. Conclusion
CHAPITRE 3 APPLICATION.
Introduction
I. Outils de développement.
1. Python
2. Google Colab.
3. Tensorflow
4. Keras
II. Base d’images
III. Architecture du système proposé
IV. Les modèles pré-trainés.
1. Réseau VGG
2. Réseau ResNet
3. DenseNet-121
V. Distance euclidienne
VI. Caractérisation des images
1. Score.
2. La moyenne
3. L’écart-type
VII. Ajustement des modèles pré-trainés
1. VGG16.
2. VGG19
3. ResNet-50
4. DenseNET121
Résultats et discussion
1. Phase de classification.
2. Phase de recherche par le contenu
2.1. Avec la caractéristique score.
2.2. Caractérisation par la moyenne et l’écart-type
CONCLUSION GENERALE
BIBLIOGRAPHIE
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.