Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
sy32 [2021/09/22 16:28] moreajul |
sy32 [2025/06/05 11:47] (Version actuelle) moreajul |
||
|---|---|---|---|
| Ligne 1: | Ligne 1: | ||
| - | ====== SY32 ====== | + | ====== SY32 : Vision et Apprentissage |
| + | Les objectifs de SY32 sont d' | ||
| + | Cette UV est organisée en deux parties dominantes, nous abordons les algorithmes fondamentaux de la vision par ordinateur, puis appliquons l' | ||
| + | SY32 inclut des projets à rendre, avec un accent fort sur l' | ||
| - | (brouillon, faire en sorte que ce support puisse remplacer les slides d' | ||
| + | **Enseignants :** | ||
| + | * [[https:// | ||
| + | * [[https:// | ||
| - | CM01 Des ondes à la perception, de la vision aux caméras | + | ===== Programme ===== |
| - | CM02 Éléments | + | 1e partie, Concepts classiques : |
| + | * Des ondes à la perception, | ||
| + | * Mouvement et flot optique [J. Moreau] | ||
| + | * Transformations géométriques et alignement | ||
| + | * Calibrage/ | ||
| + | * Stéréovision, | ||
| + | * Estimation automatique de transformations [J. Moreau] | ||
| + | 2e partie, Méthodes d' | ||
| + | * Vision et apprentissage [I. Setitra] | ||
| + | * Méthodes d’apprentissage automatique pour la classification [I. Setitra] | ||
| + | * Caractéristiques visuelles [I. Setitra] | ||
| + | * Détection d’objets [I. Setitra] | ||
| + | * Apprentissage profond [I. Setitra] | ||
| + | * Réseaux de neurones convolutifs [I. Setitra] | ||
| + | * CNN et détection, segmentation, | ||
| - | CM03 Détection d’objet mobile et flot optique | ||
| - | CM04 Transformations géométriques et alignement d’images | + | Un planning détaillé est disponible dans le [[https:// |
| - | CM05 Calibrage/ | + | ===== Travaux pratiques ===== |
| - | CM06 Stéréovision, | + | Les exercices sont à coder en langage [[www.python.org|Python]] avec la bibliothèque [[numpy.org|NumPy]] (ainsi que d' |
| + | Les développements peuvent être faits sur les ordinateurs de la salle de TP.\\ | ||
| + | Ou bien, [[setup-python|=> | ||
| + | Liste des travaux pratiques : | ||
| + | - Stéganographie | ||
| + | - Éléments de traitement d’images | ||
| + | - Flot optique | ||
| + | - Transformations géométriques | ||
| + | - Étalonnage des distorsions géométriques | ||
| + | - Stéréovision | ||
| + | - Apprentissage automatique | ||
| + | - Adaboost | ||
| + | - Classification de visages | ||
| + | - Évaluation d'un détecteur | ||
| + | - Classification d' | ||
| + | - Apprentissage profond | ||
| + | - Réseaux de neurones convolutifs | ||
| + | ===== Modalités d' | ||
| + | * Médian : 25% | ||
| + | * Final : 25% | ||
| + | * Projets : 50% | ||
| + | Deux projets sont prévus : | ||
| + | - Mise en correspondance stéréo (en lien avec les concepts classiques) | ||
| + | - Détection (par méthode d' | ||
| + | Ils sont évalués, par ordre d' | ||
| - | CM07 Vision et apprentissage | + | ===== Autres informations ===== |
| - | CM08 Méthodes d’apprentissage automatique | ||
| - | CM09 Caractéristiques visuelles | + | **Pré-requis :**\\ |
| + | Connaissances de bases en mathématiques et en algèbre, géométrie 2D et 3D (tel que les coorodonnées et transformations homogènes, les changements de repère...), | ||
| + | Initiation au traitement du signal souhaité (domaine fréquentiel et transformées de Fourier, produit de convolution).\\ | ||
| + | Python pour les sciences (NumPy etc) et Linux nécessaires. | ||
| - | CM10 Classification d’images | + | **Niveau :** GI04 |
| - | CM11 Détection d’objets | + | **Volume horaire hebdomadaire :** |
| + | 2h CM, 3h TP/TD. | ||
| - | CM12 Apprentissage profond 1/2 | ||
| - | |||
| - | CM13 Apprentissage profond 2/2 | ||