Description
Date depot: 1 janvier 1900
Titre: Apprentissage d'architectures profondes pour la détection et la reconnaissance de cibles en imagerie optronique
Directeur de thèse:
Matthieu CORD (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Les méthodes de l'état de l'art en reconnaissance d’images sont en pleine évolution actuellement, du fait des excellentes performances obtenues récemment par les méthodes à base d’architectures profondes (deep learning). Ces méthodes, et en particulier les réseaux de neurones convolutifs (CNN), apparaissent aujourd’hui comme dominantes pour la reconnaissance de données visuelles. Depuis leur très large succès sur la campagne ImageNet 2012 (Krizhevsky NIPS 2012), dans un contexte de classification large échelle (1 million d’images d’apprentissage, mille classes), les réseaux convolutifs sont largement étudiés. Tous les systèmes de reconnaissance d’images les plus performants présentés lors de la dernière compétition ImageNet à l’automne 2014 sont basées sur des variantes (très) profondes de l’architecture CNN de 2012.
Doctorant.e: Mordan Taylor