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

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

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"

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Connaissances generales sur le Machine Learning ainsi qu en statistiques. Notions de base en Python. Avoir suivi la formation Fondamentaux de la Data Science (DSFDX).