Les réseaux de neurones convolutionnels

Besoin d'aide ?

(Nombre de téléchargements - 21)

Pour des questions et des demandes, contactez notre service d’assistance E-mail : [email protected]

Table des matières

Liste des figures
Liste des tableaux
Introduction générale
Chapitre I : Classification des images
I.1 Introduction
I.2 Les motivations de la classification des images
I.3 Notions de bases
I.3.1 Définition d’une image
I.3.2 Les différents types du format d’image
I.3.3 Caractéristiques de l’image
I.3.3.1 Pixel
I.3.3.2 Dimension Résolution
I.3.3.3 Voisinage
I.3.3.4 Niveau de gris
I.3.3.5 Contraste
I.3.3.6 Luminance
I.3.3.7 Bruit
I.3.3.8 Contour
I.4 Méthodes de classification
I.4.1 Méthodes supervisées
I.4.2 Méthodes non supervisées
I.5 Indicateurs de performance en classification
I.5.1 Matrice de confusion
I.5.2 Courbe ROC
I.6 Classification des images et l’apprentissage machine
I.7 Classification des images et les réseaux de neurones
I.8 Conclusion
Chapitre II : Les réseaux de neurones convolutionnels
II.1 Introduction
II.2 Perceptron multicouches
II.2.1 Le modèle du perceptron
II.2.2 Le perceptron multicouche
II.3 Les différents types de réseaux de neurones
II.3.1 Adaline
II.3.2 Les réseaux de RBF
II.3.3 Réseaux de hopfield
II.3.4 Réseaux de kohonen
II.4 Deep learning
II.4.1 Quelques algorithmes de deep learning
II.5 Les réseaux de neurones Convolutifs
II.5.1 Architecture de réseaux de neurone convolutif (CONV)
II.5.1.1 Couche de convolution (CONV)
II.5.1.2 Couche de pooling (POOL)
II.5.1.3 Couche de correction (RELU)
II.5.1.4 Couche entièrement connectée (FC)
II.5.1.5 Couche de perte (LOSS)
II.6 Exemple de modèles de CNN
II.7 Choix des paramètres
II.7.1 Nombre de filtre
II.7.2 Forme du filtre
II.7.3 Forme du max pooling
II.8 Méthodes de régularisation
II.8.1 Empirique
II.8.1.1 Dropout
II.8.1.2 Dropconnect
II.8.1.3 Pooling stochastique
II.8.2 Explicite
II.8.2.1 Taille du réseau
II.8.2.2 Dégradation du poids
II.9 Conclusion
Chapitre III : Implémentation
III.1 Introduction
III.2 Logiciels et librairies utilisés dans l’implémentation
III.2.1 Tensorflow
III.2.2 Keras
III.2.3 Python
III.2.4 Scikit learn
III.2.5 Configuration utilisé dans l’implémentation
III.3 Les base d’images
III.4 Architecture de notre réseau
III.5 Résultats obtenus et discussions
III.6 Conclusion
Conclusion générale
Références bibliographiques

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Comments (1)