Cette formation universitaire 100% en ligne vous permettra de vous plonger dans les Réseaux Adversariaux afin de générer les données les plus réalistes"

La Vision Artificielle est un domaine de l'Apprentissage Automatique d'une grande importance pour la plupart des entreprises technologiques. Cette technologie permet aux ordinateurs et aux systèmes d'extraire des informations significatives à partir d'images numériques, de vidéos et même d'autres données visuelles. Parmi ses nombreux avantages, on peut citer l'augmentation du niveau de précision pendant les processus de fabrication et l'élimination de l'erreur humaine. Ainsi, ces instruments garantissent une qualité maximale des produits tout en facilitant la résolution des problèmes au cours de la production. 

Compte tenu de cette réalité, TECH met au point un Mastère spécialisé qui traitera en détail de la Vision par Ordinateur. Conçu par des experts en la matière, le programme d'études se penchera sur le traitement des images en 3D. À cet égard, la formation offrira aux étudiants les logiciels de traitement les plus avancés pour visualiser les données. Le programme mettra également l'accent sur l'analyse du Deep Learning, compte tenu de sa pertinence dans le traitement d'ensembles de données vastes et complexes. Cela permettra aux diplômés d'enrichir leurs procédures de travail habituelles avec des algorithmes et des modèles de pointe. En outre, le matériel pédagogique fournira un large éventail de techniques de vision par ordinateur utilisant différents cadres (y compris Keras, Tensorflow v2 Pytorch). 

Quant au format de cette formation universitaire, il est basé sur une méthodologie 100 % en ligne. La seule condition est que les diplômés disposent d'un appareil électronique avec accès à Internet (ordinateur, téléphone portable ou Tablette) pour accéder au Campus Virtuel. Ils y trouveront une bibliothèque remplie de ressources multimédias avec lesquelles ils renforceront leurs connaissances de manière dynamique. Il convient de noter que TECH utilise la méthodologie innovante du Relearning dans toutes ses formations, ce qui permettra aux étudiants d'assimiler les connaissances de manière naturelle, renforcées par des ressources audiovisuelles pour garantir qu'elles restent en mémoire et dans le temps.

Vous vous spécialiserez dans un domaine clé de la technologie future qui fera immédiatement progresser votre carrière" 

Ce Mastère spécialisé en Vision Artificielle contient le programme le plus complet et le plus actualisé du marché. Ses caractéristiques sont les suivantes:

• Le développement d'études de cas présentées par des experts en informatique et en vision industrielle.
• Les contenus graphiques, schématiques et éminemment pratiques avec lesquels ils sont conçus fournissent des informations scientifiques et sanitaires essentielles à la pratique professionnelle
• Exercices pratiques permettant de réaliser le processus d'auto-évaluation afin d'améliorer l’apprentissage
• Il met l'accent sur les méthodologies innovantes 
• Cours théoriques, questions à l'expert, forums de discussion sur des sujets controversés et travail de réflexion individuel
• La possibilité d'accéder aux contenus depuis n'importe quel appareil fixe ou portable doté d'une connexion internet

Vous souhaitez vous spécialiser dans les Métriques d'Évaluation? Cette formation vous permettra d'y parvenir en 12 mois seulement"

Le programme comprend, dans son corps enseignant, des professionnels du secteur qui apportent à cette formation l'expérience de leur travail, ainsi que des spécialistes reconnus de grandes sociétés et d'universités prestigieuses. 

Grâce à son contenu multimédia développé avec les dernières technologies éducatives, les spécialistes bénéficieront d’un apprentissage situé et contextuel, ainsi, ils se formeront dans un environnement simulé qui leur permettra d’apprendre en immersion et de s’entrainer dans des situations réelles. 

La conception de ce programme est axée sur l'Apprentissage par les Problèmes, grâce auquel le professionnel doit essayer de résoudre les différentes situations de la pratique professionnelle qui se présentent tout au long du programme académique. Pour ce faire, l’étudiant sera assisté d'un innovant système de vidéos interactives, créé par des experts reconnus. 

Vous utiliserez efficacement le Deep Learning pour résoudre les problèmes les plus complexes"

Vous accéderez à un système d'apprentissage basé sur la répétition, avec un enseignement naturel et progressif tout au long du programme"

Le programme fournira aux étudiants un aperçu complet de l'État de l'Art dans le domaine de l'Intelligence Artificielle. Composé de 10 modules complets, le parcours académique abordera les algorithmes de vision conventionnels et offrira les dernières avancées en Deep Learning. Le matériel pédagogique fournira les techniques de vision par ordinateur les plus avancées, afin que les étudiants puissent les intégrer immédiatement dans leur pratique professionnelle. En outre, le programme analysera en détail les Réseaux Convolutifs afin que les diplômés soient en mesure de classer correctement les objets dans les images.

La formation sera proposée sans horaires fixes et avec un syllabus disponible dès le premier jour. Définissez votre propre rythme d'apprentissage!”

Module 1. Vision artificielle

1.1. La perception humaine

1.1.1. Système visuel humain
1.1.2. Couleur
1.1.3. Fréquences visibles et non visibles

1.2. Chronique de la Vision Artificielle

1.2.1. Principes
1.2.2. Évolution
1.2.3. L'importance de la vision industrielle

1.3. Composition d'images numériques

1.3.1. L'image numérique
1.3.2. Types d'images
1.3.3. Espaces de couleurs
1.3.4. RGB
1.3.5. HSV et HSL
1.3.6. CMY-CMYK
1.3.7. YCbCr
1.3.8. Image indexée

1.4. Systèmes d'acquisition d'images

1.4.1. Fonctionnement d'un appareil photo numérique
1.4.2. L'exposition correcte pour chaque situation
1.4.3. Profondeur de champ
1.4.4. Résolution
1.4.5. Formats d'image
1.4.6. Mode HDR
1.4.7. Caméras à haute résolution
1.4.8. Caméras à haute vitesse

1.5. Systèmes Optiques

1.5.1. Principes optiques
1.5.2. Lentilles conventionnelles
1.5.3. Lentilles télécentriques
1.5.4. Types d'objectifs autofocus
1.5.5. Longueur focale
1.5.6. Profondeur de champ
1.5.7. Distorsion optique
1.5.8. Calibrage d'une image

1.6. Systèmes d'éclairage

1.6.1. Importance de l'éclairage
1.6.2. Réponse en fréquence
1.6.3. Éclairage LED
1.6.4. Éclairage extérieur
1.6.5. Types d'éclairage pour les applications industrielles. Effets

1.7. Systèmes de Capture 3D

1.7.1. Vision Stéréo
1.7.2. Triangulation
1.7.3. Lumière structurée
1.7.4. Time of Flight
1.7.5. Lidar

1.8. Multispectre

1.8.1. Caméras Multispectrales
1.8.2. Caméras Hyperspectrales

1.9. Spectre proche Non visible

1.9.1. Caméras IR
1.9.2. Caméras UV
1.9.3. Conversion du Non-visible au Visible par illumination

1.10. Autres bandes de fréquences

1.10.1. Rayons X
1.10.2. Terahertz

Module 2. Applications et état de l'art

2.1. Applications industrielles

2.1.1. Bibliothèques de vision industrielle
2.1.2. Appareils photo compacts
2.1.3. Systèmes basés sur PC
2.1.4. Robotique industrielle
2.1.5. Pick and place 2D
2.1.6. Bin picking
2.1.7. Contrôle de la qualité
2.1.8. Présence absence de composants
2.1.9. Contrôle dimensionnel
2.1.10. Contrôle de l'étiquetage
2.1.11. Traçabilité

2.2. Le véhicule autonome

2.2.1. Assistance au conducteur
2.2.2. Conduite autonome

2.3. La Vision Artificielle pour l'Analyse de Contenu

2.3.1. Filtrage du contenu
2.3.2. Modération du contenu visuel
2.3.3. Systèmes de suivi
2.3.4. Identification des marques et des logos
2.3.5. Étiquetage et classification des vidéos
2.3.6. Détection des changements de scène
2.3.7. Extraction de textes ou de crédits

2.4. Applications médicales

2.4.1. Détection et localisation des maladies
2.4.2. Cancer et Analyse aux rayons X
2.4.3. Avancées en vision industrielle lors du Covid19
2.4.4. Assistance en salle d'opération

2.5. Applications spatiales

2.5.1. Analyse d'images satellites
2.5.2. La vision artificielle pour la surveillance de l'espace
2.5.3. Mission vers Mars

2.6. Applications commerciales

2.6.1. Contrôle des stocks
2.6.2. Vidéo surveillance, sécurité domestique
2.6.3. Caméras de parking
2.6.4. Des caméras pour contrôler la population
2.6.5. Radars de vitesse

2.7. La Vision Appliquée à la Robotique

2.7.1. Drones
2.7.2. AGV
2.7.3. La vision dans les robots collaboratifs
2.7.4. Les yeux des robots

2.8. Réalité Augmentée

2.8.1. Fonctionnement
2.8.2. Dispositifs
2.8.3. Applications dans l'industrie
2.8.4. Applications commerciales

2.9. Cloud computing

2.9.1. Plateformes de Cloud Computing
2.9.2. Du Cloud Computing à la production

2.10. Recherche et État de l'Art

2.10.1. La communauté scientifique
2.10.2. Qu'est-ce qui se passe
2.10.3. L'avenir de la vision industrielle

Module 3. Traitement numérique des images

3.1. Environnement de développement de la Vision par Ordinateur

3.1.1. Bibliothèques de Vision par Ordinateur
3.1.2. Environnement de programmation
3.1.3. Outils de visualisation

3.2. Traitement numérique des images

3.2.1. Relations entre les pixels
3.2.2. Opérations sur les images
3.2.3. Transformations géométriques

3.3. Opérations sur les pixels

3.3.1. Histogramme
3.3.2. Transformations de l'histogramme
3.3.3. Opérations sur les images en couleur

3.4. Opérations logiques et arithmétiques

3.4.1. Addition et soustraction
3.4.2. Produit et Division
3.4.3. And/Nand
3.4.4. Or/Nor
3.4.5. Xor/Xnor

3.5. Filtres

3.5.1. Masques et Convolution
3.5.2. Filtrage linéaire
3.5.3. Filtrage non linéaire
3.5.4. Analyse de Fourier

3.6. Opérations morphologiques

3.6.1. Erode and Dilating
3.6.2. Closing and Open
3.6.3. Top_hat et Black hat
3.6.4. Détection des contours
3.6.5. Squelette
3.6.6. Remplissage des trous
3.6.7. Convex hull

3.7. Outils d'analyse d'images

3.7.1. Détection des bords
3.7.2. Détection de blobs
3.7.3. Contrôle dimensionnel
3.7.4. Contrôle des couleurs

3.8. Segmentation d'objets

3.8.1. Segmentation d'images
3.8.2. Techniques classiques de segmentation
3.8.3. Application réelle

3.9. Calibrage de l'image

3.9.1. Calibrage de l'image
3.9.2. Méthodes d'étalonnage
3.9.3. Processus d'étalonnage dans un système caméra/robot 2D

3.10. Traitement des images dans un environnement réel

3.10.1. Analyse de la problématique
3.10.2. Traitement des images
3.10.3. Extraction de caractéristiques
3.10.4. Résultat final

Module 4. Traitement numérique avancé des images

4.1. Reconnaissance optique de caractères (OCR)

4.1.1. Prétraitement des images
4.1.2. Détection de texte
4.1.3. Reconnaissance du texte

4.2. Lecture du code

4.2.1. Codes 1D
4.2.2. Codes 2D
4.2.3. Applications

4.3. Recherche de motifs

4.3.1. Recherche de motifs
4.3.2. Modèles basés sur le niveau de gris
4.3.3. Modèles basés sur les contours
4.3.4. Motifs basés sur des formes géométriques
4.3.5. Autres techniques

4.4. Suivi d'objets avec la vision conventionnelle

4.4.1. Extraction de l'arrière-plan
4.4.2. Meanshift
4.4.3. Camshift
4.4.4. Optical flow

4.5. Reconnaissance faciale

4.5.1. Facial Landmark detection
4.5.2. Applications
4.5.3. Reconnaissance faciale
4.5.4. Reconnaissance des émotions

4.6. Panoramique et alignements

4.6.1. Stitching
4.6.2. Composition d'images
4.6.3. Photomontage

4.7. High Dinamic Range (HDR) and Photometric Stereo

4.7.1. Amélioration de la plage dynamique
4.7.2. Composition d'images pour l'amélioration des contours
4.7.3. Techniques d'utilisation des applications dynamiques

4.8. Compression d'images

4.8.1. Compression d'images
4.8.2. Types de compresseurs
4.8.3. Techniques de compression d'images

4.9. Traitement vidéo

4.9.1. Séquences d'images
4.9.2. Formats vidéo et codecs
4.9.3. Lecture d'une vidéo
4.9.4. Traitement des cadres

4.10. Application réelle du Traitement des Images

4.10.1. Analyse de la problématique
4.10.2. Traitement des images
4.10.3. Extraction de caractéristiques
4.10.4. Résultat final

Module 5. Traitement des images 3D

5.1. Image 3D

5.1.1. Image 3D
5.1.2. Logiciels de traitement d'images 3d et Visualisations
5.1.3. Logiciels de Métrologie

5.2. Open3D

5.2.1. Bibliothèque pour le Traitement des Données 3D
5.2.2. Caractéristiques
5.2.3. Installation et Utilisation

5.3. Les données

5.3.1. Cartes de profondeur d'images 2D
5.3.2. Pointclouds
5.3.3. Normales
5.3.4. Surfaces

5.4. Visualisation

5.4.1. Visualisation des Données
5.4.2. Contrôles
5.4.3. Visualisation du Web

5.5. Filtres

5.5.1. Distance entre les points, suppression des Outliers
5.5.2. Filtre passe-haut
5.5.3. Downsampling

5.6. Géométrie et extraction de caractéristiques

5.6.1. Extraction de profils
5.6.2. Mesure de la profondeur
5.6.3. Volume
5.6.4. Formes géométriques 3D
5.6.5. Plans
5.6.6. Projection d'un point
5.6.7. Distances géométriques
5.6.8. Kd Tree
5.6.9. Features 3D

5.7. Enregistrement et Meshing

5.7.1. Concaténation
5.7.2. ICP
5.7.3. Ransac 3D

5.8. Reconnaissance d'objets en 3D

5.8.1. Recherche d'un objet dans la scène 3d
5.8.2. Segmentation
5.8.3. Bin picking

5.9. Analyse de surface

5.9.1. Smoothing
5.9.2. Surfaces orientables
5.9.3. Octree

5.10. Triangulation

5.10.1. De Mesh au Point Cloud
5.10.2. Triangulation des cartes de profondeur
5.10.3. Triangulation de PointClouds non ordonnés

Module 6. Apprentissage profond

6.1. Intelligence Artificielle

6.1.1. Machine Learning
6.1.2. Deep Learning
6.1.3. L'explosion de Deep Learning. Pourquoi maintenant

6.2. Réseaux neuronaux

6.2.1. Réseau neuronal
6.2.2. Utilisations des réseaux neuronaux
6.2.3. Régression linéaire et Perceptron
6.2.4. Forward propagation
6.2.5. Backpropagation
6.2.6. Feature vectors

6.3. Loss Functions

6.3.1. Loss functions
6.3.2. Types de loss functions
6.3.3. Choix des loss functions

6.4. Fonctions d'Activation

6.4.1. Fonction d'activation
6.4.2. Fonctions linéaires
6.4.3. Fonctions non linéaires
6.4.4. Output vs Hidden layer activation functions

6.5. Régularisation et Normalisation

6.5.1. Régularisation et Normalisation
6.5.2. Overfitting and Data Augmentation
6.5.3. Regularization methods: L1, L2 and dropout
6.5.4. Normalization methods: Batch, Weight, Layer

6.6. Optimisation

6.6.1. Gradient Descent
6.6.2. Stochastic Gradient Descent
6.6.3. Mini Batch Gradient Descent
6.6.4. Momentum
6.6.5. Adam

6.7. Hyperparameter Tuning et poids

6.7.1. Hyperparamètres
6.7.2. Batch Size vs Learning Rate vs Step Decay
6.7.3. Poids

6.8. Mesures d'évaluation des réseaux neuronaux

6.8.1. Précision
6.8.2. Dice Coefficient
6.8.3. Sensitivity vs Specificity / Recall vs precision
6.8.4. Courbe ROC (AUC)
6.8.5. F1-score
6.8.6. Confusion matrix
6.8.7. Cross-validation

6.9. Frameworks et Hardware

6.9.1. Tensor Flow
6.9.2. Pytorch
6.9.3. Caffe
6.9.4. Keras
6.9.5. Matériel pour la Phase de Formation

6.10. Création de Réseaux Neuronaux - Formation et Validation

6.10.1. Dataset
6.10.2. Construction du réseau
6.10.3. Entrainement
6.10.4. Visualisation des résultats

Module 7. Réseaux Convolutifs et Classification d'Images

7.1. Réseaux neuronaux convolutifs

7.1.1. Introduction
7.1.2. Convolution
7.1.3. CNN Building Blocks

7.2. Types de bouchons CNN

7.2.1. Convolutionnel
7.2.2. Activation
7.2.3. Normalisation par lots
7.2.4. Polling
7.2.5. Fully connected

7.3. Métriques

7.3.1. Confusion des Matrices
7.3.2. Précision
7.3.3. Précision
7.3.4. Recall
7.3.5. F1 Score
7.3.6. ROC Curve
7.3.7. AUC

7.4. Architectures principales

7.4.1. AlexNet
7.4.2. VGG
7.4.3. Resnet
7.4.4. GoogleLeNet

7.5. Classification des images

7.5.1. Introduction
7.5.2. Analyse des données
7.5.3. Préparations des données
7.5.4. Formation au modèle
7.5.5. Validation du modèle

7.6. Considérations pratiques pour la formation CNN

7.6.1. Sélection de l'optimiseur
7.6.2. Learning Rate Scheduler
7.6.3. Planificateur du taux d'apprentissage
7.6.4. Formation avec régularisation

7.7. Meilleures pratiques en Deep Learning

7.7.1. Transfer Learning
7.7.2. Fine Tuning
7.7.3. Data Augmentation

7.8. Évaluation statistique des données

7.8.1. Nombre d'ensembles de données
7.8.2. Nombre d'étiquettes
7.8.3. Nombre d'images
7.8.4. Équilibrage des données

7.9. Deployment

7.9.1. Sauvegarde et chargement des modèles
7.9.2. Onnx
7.9.3. Inférence

7.10. Cas Pratique Classification des Images

7.10.1. Analyse et préparation des données
7.10.2. Tester le pipeline de formation
7.10.3. Formation au modèle
7.10.4. Validation du modèle

Module 8. Détection d'objets

8.1. Détection et Suivi des Objets

8.1.1. Détection d'Objets
8.1.2. Cas d'utilisation
8.1.3. Suivi des objets
8.1.4. Cas d'utilisation
8.1.5. Occlusions, Rigid and No Rigid Poses

8.2. Mesures d’Évaluation

8.2.1. IOU - Intersection Over Union
8.2.2. Confidence Score
8.2.3. Recall
8.2.4. Précision
8.2.5. Recall–Precisión Curve
8.2.6. Mean Average Precision (mAP)

8.3. Méthodes traditionnelles

8.3.1. Sliding window
8.3.2. Viola detector
8.3.3. HOG
8.3.4. Non Maximal Supresion (NMS)

8.4. Datasets

8.4.1. Pascal VC
8.4.2. MS Coco
8.4.3. ImageNet (2014)
8.4.4. MOTA Challenge

8.5. Two Shot Object Detector

8.5.1. R-CNN
8.5.2. Fast R-CNN
8.5.3. Faster R-CNN
8.5.4. Mask R-CNN

8.6. Single Shot Object Detector

8.6.1. SSD
8.6.2. YOLO
8.6.3. RetinaNet
8.6.4. CenterNet
8.6.5. EfficientDet

8.7. Backbones

8.7.1. VGG
8.7.2. ResNet
8.7.3. Mobilenet
8.7.4. Shufflenet
8.7.5. Darknet

8.8. Object Tracking

8.8.1. Approches classiques
8.8.2. Filtres à particules
8.8.3. Kalman
8.8.4. Sort tracker
8.8.5. Deep Sort

8.9. Déploiement

8.9.1. Plateforme de Calcul
8.9.2. Choix de la Backbone
8.9.3. Choix de Framework
8.9.4. Optimisation du Modèle
8.9.5. Version du Modèle

8.10. Étude: Détection et Suivi des Personnes

8.10.1. Détection de personnes
8.10.2. Suivi des personnes
8.10.3. Ré-identification
8.10.4. Compter les personnes dans les foules

Module 9. Segmentation d'Images avec deep learning

9.1. Détection et Segmentation d'Objets

9.1.1. Segmentation sémantique

9.1.1.1. Cas d'utilisation de la segmentation sémantique

9.1.2. Segmentation Instanciée

9.1.2.1. Cas d'utilisation de la segmentation instanciée

9.2. Mesures d'évaluation

9.2.1. Similitudes avec d'autres méthodes
9.2.2. Pixel Accuracy
9.2.3. Dice Coefficient (F1 Score)

9.3. Fonctions de coût

9.3.1. Dice Loss
9.3.2. Focal Loss
9.3.3. Tversky Loss
9.3.4. Autres fonctions

9.4. Méthodes de Segmentation traditionnelles

9.4.1. Application du seuil avec Otsu et Riddlen
9.4.2. Cartes auto-organisées
9.4.3. GMM-EM algorithm

9.5. Segmentation sémantique par Deep Learning: FCN

9.5.1. FCN
9.5.2. Architecture
9.5.3. Applications du FCN

9.6. Segmentation sémantique par Deep Learning: U-NET

9.6.1. U-NET
9.6.2. Architecture
9.6.3. Application U-NET

9.7. Segmentation sémantique par Deep Learning: Deep Lab

9.7.1. Deep Lab
9.7.2. Architecture
9.7.3. Application de Deep Lab

9.8. Segmentation Instances par Deep Learning: Mask RCNN

9.8.1. Mask RCNN
9.8.2. Architecture
9.8.3. Mise en œuvre d'un Mas RCNN

9.9. Segmentation vidéo

9.9.1. STFCN
9.9.2. Semantic Video CNNs
9.9.3. Clockwork Convnets
9.9.4. Low-Latency

9.10. Segmentation des nuages de points

9.10.1. Nuage de points
9.10.2. PointNet
9.10.3. A-CNN

Module 10. Segmentation Avancée des Images et Techniques Avancées de Vision par Ordinateur

10.1. Base de données pour les problèmes Généraux de Segmentation

10.1.1. Pascal Context
10.1.2. CelebAMask-HQ
10.1.3. Cityscapes Dataset
10.1.4. CCP Dataset

10.2. Segmentation Sémantique en Médecine

10.2.1. Segmentation Sémantique en Médecine
10.2.2. Ensembles de données pour les problèmes médicaux
10.2.3. Application pratique

10.3. Outils d'annotation

10.3.1. Computer Vision Annotation Tool
10.3.2. LabelMe
10.3.3. Autres outils

10.4. Outils de Segmentation utilisant différents Frameworks

10.4.1. Keras
10.4.2. Tensorflow v2
10.4.3. Pytorch
10.4.4. Autres

10.5. Projet de Segmentation sémantique. Les données, Phase 1

10.5.1. Analyse du problème
10.5.2. Source d'entrée des données
10.5.3. Analyse des données
10.5.4. Préparations des données

10.6. Projet de Segmentation sémantique. Formation, Phase 2

10.6.1. Sélection de l'algorithme
10.6.2. Entrainement
10.6.3. Évaluation

10.7. Projet de Segmentation sémantique. Résultats, Phase 3

10.7.1. Réglage fin
10.7.2. Présentation de la solution
10.7.3. Conclusions

10.8. Auto-codeurs

10.8.1. Auto-codeurs
10.8.2. Architecture de l'Auto-codeur
10.8.3. Autocodeurs à Réduction de Bruit
10.8.4. Auto-codeur de Coloration Automatique

10.9. Réseaux Adversariaux Génératifs (GAN)

10.9.1. Réseaux Adversariaux Génératifs (GAN)
10.9.2. Architecture du DCGAN
10.9.3. Architecture GAN Conditionnelle

10.10. Réseaux Adversariens Génératifs Améliorés

10.10.1. Aperçu du problème
10.10.2. WGAN
10.10.3. LSGAN
10.10.4. ACGAN

Une expérience de formation unique, clé et décisive pour stimuler votre développement professionnel"