Cette UE du Master ID3D est également ouverte aux étudiants du Master IA qui souhaitent ouvrir leurs compétences à l'Image.
Après un rapide rappel sur les approches classiques d’apprentissage machine (SVM, Random Forests, boosting, dictionary learning, etc.), l’UE présentera les méthodes récentes de réseaux de neurones profonds (deep learning). Le cours détaillera le principe des réseaux (notion de poids, fonction d’activation, traitement des données), leur entrainement (optimisation, SGD, backpropagation), et donnera aussi certaines techniques de régularisation pour aider à un meilleur apprentissage en limitant les problèmes de sur-apprentissage.
Le cours présentera comment ces approches d’apprentissage sont utilisées pour attaquer les problèmes classiques liés à l’image comme la classification, l'extraction d'informations, la reconnaissance de formes, le suivi, la segmentation, etc. Un large panel des différents types de réseaux (CNN, auto-encoder, LTSM, GAN, etc.) sera donné, ainsi que leurs applications à des problèmes élaborés allant de l’édition (super-résolution, transfert de motifs, de palettes) jusqu’aux méthodes génératives (génération de visages, de maillage, d’animations, de textures, etc.) plus ou moins guidé par l’utilisateur.
