Plusieurs articles, voire des hors-séries entiers dédiés de votre magazine favori, ont traité différents aspects du Deep Learning et du Machine Learning ou plus exactement, l'apprentissage profond et l'apprentissage automatique [1-6]. Cependant, trop peu d'articles expliquent et détaillent l'élaboration, ainsi que la construction elle-même, d'un réseau de neurones convolutifs, quelle qu'en soit l'application : la reconnaissance d'image, par exemple. Dans cet article, nous allons pallier ce manque en construisant un cortex visuel virtuel, ayant pour but la reconnaissance d'image ou d'objets.
Il existe une multitude d'algorithmes permettant la reconnaissance d'image et/ou d'objets, utilisant ou non les réseaux de neurones convolutifs, dont certains ont fait l'objet de quelques pages dans votre magazine [7-8]. La reconnaissance d'image classique repose sur l'utilisation de caractéristiques particulières appelées features, par exemple les descripteurs SIFT, SURF, BRIEF, ORB... Dans un tel cadre, il est donc indispensable de définir non seulement le ou les descripteurs à utiliser, mais également la manière de les employer et de les exploiter suivant l'application, avec par exemple des classificateurs du type Haar Cascade pour la reconnaissance faciale [7]. L'inconvénient de cette méthode est, bien que pouvant être très efficace, la nécessité du choix de descripteurs adaptés à l'application.
C'est là où les réseaux de neurones convolutifs interviennent. Ces derniers ont l'avantage de détecter et d'extraire automatiquement des caractéristiques propres...
- Accédez à tous les contenus de Connect en illimité
- Découvrez des listes de lecture et des contenus Premium
- Consultez les nouveaux articles en avant-première
