Réseaux Convolutifs (CNN) - Partie 2

Les Réseaux de Neurones Convolutifs (CNN)

False (B)

<p>Le « pooling » est une technique qui réduit la taille de la carte d'activation en ne conservant que les caractéristiques spatiales les plus importantes.</p> Signup and view all the answers

<p>Les CNN sont capables de capturer les relations spatiales entre les pixels d'une image, ce qui les rend plus efficaces pour la classification d'images.</p> Signup and view all the answers

<p>True (A)</p> Signup and view all the answers

<p>True (A)</p> Signup and view all the answers

<p>Ils combinent des convolutions de différentes tailles. (A), Toutes les réponses ci-dessus (C), Ils permettent de réduire le nombre de paramètres du modèle. (E)</p> Signup and view all the answers

<p>Créer des réseaux de neurones légers et efficaces pour les applications mobiles.</p> Signup and view all the answers

<p>C'est une technique qui consiste à réutiliser un modèle pré-entraîné sur un grand jeu de données pour résoudre une nouvelle tâche.</p> Signup and view all the answers

<p>Améliore la précision du modèle. (A), Réduit le nombre de paramètres du modèle. (B), Permet d'adapter un modèle à une nouvelle tâche. (C), Réduit le temps d'entraînement. (D), Toutes les réponses ci-dessus (E)</p> Signup and view all the answers

<p>En augmentant artificiellement la taille du jeu de données, l'augmentation de données permet au modèle d'apprendre à mieux généraliser et à être plus robuste à différentes variations de données.</p> Signup and view all the answers

<p>La détection d'objets et la segmentation sémantique.</p> Signup and view all the answers

<p>Identifier la classe d'un objet et sa position dans l'image.</p> Signup and view all the answers

<p>Le coût computationnel élevé et la difficulté de détecter les objets de différentes tailles et à différentes positions.</p> Signup and view all the answers

<p>La détection d'objets identifie les objets dans l'image en leur attribuant une boîte englobante, tandis que la segmentation sémantique attribue une classe à chaque pixel de l'image.</p> Signup and view all the answers

<p>True (A)</p> Signup and view all the answers

<p>La segmentation sémantique peut être utilisée pour segmenter les organes et les tissus des patients, permettant aux médecins d'analyser les images médicales et d'identifier les tumeurs et les anomalies, par exemple, en IRM ou en radiographie.</p> Signup and view all the answers

Une classe de réseaux neuronaux conçus pour traiter des données en grille, comme les images, utilisés en vision par ordinateur pour des tâches comme la classification d'images, la détection d'objets et la segmentation.

La transformation d'une matrice 6x6 en un vecteur de taille 36x1, perdant ainsi l'information spatiale.

Un modèle utilisé pour la classification d'images composées de plusieurs couches, chacune effectuant une opération spécifique.

La capacité d'un CNN à gérer les variations dans les images, telles que les translations mineures, les rotations ou les déformations.

La capacité d'un CNN à extraire des caractéristiques pertinentes en capturant les corrélations locales entre les pixels.

Un filtre qui est appliqué à une image pour extraire des caractéristiques locales. Il est composé de poids et d'un biais.

Une opération qui condense la sortie d'une couche convolutionnelle en réduisant sa dimension. Il sélectionne la valeur maximale dans une zone donnée.

La première architecture CNN importante, elle a démontré l'efficacité des CNN pour des tâches complexes.

Une architecture CNN qui utilise des blocs Inception pour combiner différents types de convolutions.

Une architecture CNN optimisée pour les appareils mobiles, offrant une flexibilité et des performances optimales pour les appareils à ressources limitées.

L'utilisation d'un modèle pré-entraîné sur un grand ensemble de données pour résoudre une nouvelle tâche.

Un ensemble de données de référence souvent utilisé pour entraîner les modèles de vision par ordinateur, contenant des images de 1000 classes.

La technique d'augmentation de données qui crée une copie inversée d'une image horizontalement.

La technique d'augmentation de données qui découpe aléatoirement une partie d'une image et la redimensionne.

La technique d'augmentation de données qui applique une rotation aléatoire à une image.

La technique d'augmentation de données qui modifie aléatoirement les valeurs des canaux de couleur (RVB) d'une image.

La tâche qui vise à identifier la classe d'un objet dans une image et à déterminer sa position.

Les coordonnées qui définissent la position et la taille d'un objet dans une image.

La technique qui vise à identifier plusieurs objets dans une image et à déterminer leurs positions respectives.

Une technique qui utilise un réseau de neurones pour localiser des points spécifiques dans une image.

Une technique de détection d'objets qui utilise des fenêtres de taille fixe qui glissent sur l'image.

Une technique de détection d'objets qui divise une image en une grille et prédit la présence d'objets dans chaque cellule.

Une technique qui classe chaque pixel d'une image en fonction de la catégorie à laquelle il appartient.

La technique qui utilise un modèle de segmentation pour identifier les différents organes ou structures d'un corps humain.

L'ensemble des ressources qui ont contribué à la création du contenu pédagogique.

La partie d'une ressource qui fournit des informations détaillées sur les auteurs, les dates de publication et les titres des sources.