Segmentation sémantique des images

Ce livre se concentre sur les techniques d'apprentissage profond dans l'application de la segmentation sémantique des images. Son objectif est de comprendre clairement la performance des réseaux de neurones dans différents contextes, en les entraînant à apprendre à partir de différentes images, en utilisant une approche basée sur l'apprentissage profond.Le projet proposé est construit autour d'une architecture de réseau neuronal convolutif VGG-16, afin de détecter les différentes parties et éléments d'une image en appliquant différentes couches, utilisées pour reconnaître l'objet dans l'image finale. Ce travail effectue une évaluation comparative du premier réseau pré-entraîné par rapport au réseau entraîné, à travers plusieurs répétitions et essais et différents changements dans sa structure.Les résultats expérimentaux indiquent comment le nombre de fois qu'une image a été vue pendant l'entraînement varie entre les différents modèles.Ces résultats expérimentaux démontrent également que les méthodes de segmentation peuvent être très utiles une fois les modèles entraînés.

Autorentext

El reciente crecimiento de las aplicaciones de machine learning y deep learning en la industria estos últimos años me ha animado a realizar este proyecto, en concreto relacionado con la Segmentación de Imágenes, cuyos métodos pueden ser aplicados a tantos campos para automatizar y entrenar diferentes procesos con una alta tasa de éxito.

Klappentext

Ce livre se concentre sur les techniques d'apprentissage profond dans l'application de la segmentation sémantique des images. Son objectif est de comprendre clairement la performance des réseaux de neurones dans différents contextes, en les entraînant à apprendre à partir de différentes images, en utilisant une approche basée sur l'apprentissage profond.Le projet proposé est construit autour d'une architecture de réseau neuronal convolutif VGG-16, afin de détecter les différentes parties et éléments d'une image en appliquant différentes couches, utilisées pour reconnaître l'objet dans l'image finale. Ce travail effectue une évaluation comparative du premier réseau pré-entraîné par rapport au réseau entraîné, à travers plusieurs répétitions et essais et différents changements dans sa structure.Les résultats expérimentaux indiquent comment le nombre de fois qu'une image a été vue pendant l'entraînement varie entre les différents modèles.Ces résultats expérimentaux démontrent également que les méthodes de segmentation peuvent être très utiles une fois les modèles entraînés.