L'apprentissage profond pour le traitement des images

Résumé

La vision par ordinateur est un champ d’étude qui permet aux systèmes automatiques à reconnaitre les entrées visuelles pour les exploiter dans des tâches de recommandation. Dans ces dernières années, la quantité des images et des vidéos a largement augmenté. L’exploitation des systèmes de vision par ordinateur pour l’analyse de cette quantité d’informations devient importante afin d’extraire de l’information pertinente. Les systèmes de vision par ordinateur sont basés essentiellement sur les méthodes d’apprentissage automatique (ML) et d’apprentissage profond (DL). Avec l’augmentation de la quantité de données et la disponibilité du matériel puissant, les méthodes DL ont connu un grand intérêt en raison de leur bonne performance sur les grands volumes de données et leur capacité d’extraction de caractéristique dans le cadre des données non structurées. Ces techniques étaient exploitées dans différents sous domaines en vision par ordinateur pour effectuer plusieurs tâches : classification, localisation, détection, et segmentation. Dans le contexte de la présente étude, nous nous intéressons à la classification des images histopathologiques par les méthodes DL, précisément par les réseaux de neurones convolutifs (CNN). Dans ce cadre, nous avons proposé plusieurs approches pour répondre aux différents problèmes liés à l’application des techniques DL en classification de ce type d’images. Les approches proposées sont basées essentiellement sur les techniques de régularisation, les méthodes ensemblistes, et les stratégies d’apprentissage transféré et de fine tuning. Il est intéressant de noter que les méthodes ensemblistes sont exploitées afin de résoudre les différents problèmes liés à la variance élevée, le sur-apprentissage, et la sensibilité des réseaux DL au changement de données. En plus, elles permettent de combiner les prédictions de plusieurs modèles, et cela génère des décisions plus robustes et stables au changement de données. D’autre part, les techniques d’apprentissage transféré et de fine tuning sont utilisés afin de résoudre le problème de sur-apprentissage sur les volumes limités de données.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 2

Téléchargements : 0