Newer
Older
# Master 2 ID3D et IA - UE Apprentissage Machine Et Image (3 ECTS)
Responsables de l'enseignement : [Alexandre Meyer](http://liris.cnrs.fr/alexandre.meyer),
[Julie Digne](http://liris.cnrs.fr/jule.digne)
et [Nicolas Bonneel](http://liris.cnrs.fr/nicolas.bonneel) - LIRIS, Université Lyon 1
<p style="text-align:justify;">Il s'agit d'une UE optionnelle de la 2ère année du Master d'Informatique parcours IA et ID3D de l'Université Lyon 1. Les cours ont lieu au semestre 1 (automne). L'objectif de l'UE est de donner les bases en apprentissage machine (notamment apprentissage profond) pour les problèmes d'images. Le cours présente d'abord les problèmes classiques liés à l’image comme la classification, l'extraction de descripteurs, la reconnaissance de formes, le suivi d’objet, la segmentation, etc. Puis le cours présente les méthodes génératives autour de l’image au sens large. Un large panel des différents types de réseaux (CNN, auto-encoder, LSTM, GAN, transformer, réseaux de diffusion, etc.) est donné en se focalisant sur des données de type image, mais également des données de type nuage de points, maillage, animation (squelette), palette de couleur, etc.
[Les slides de la présentation des options sont ici.](doc/MLImage_PresOption.pdf)
### Deep learning et images (A. Meyer)
* Les bases de l'apprentissage profond : espace latent, régularisation, etc.
* CNN, Autoencodeur
* Segmentation : U-Net
* Tracking : YOLO
* Capture du squelette (type OpenPose, XNect, etc.)
* Notion de transformer/attention pour la reconnaissance
### Deep learning génératif et deep learning géometrique (J. Digne)
* Génération d'images: GANs et Réseaux de diffusion
* Nuages de points (pointNet, etc.)
* Maillages (MeshConv, etc.)
* Diffusion sur les surfaces
* Représentations neuronales implicites (IGR, SIREN)
* Champs de radiance neuronaux (Nerf)
### Transport optimal (N. Bonneel)
* Introduction au transport optimal
Les cours sont le jeudi après-midi entre octobre et fin janvier.
- Partie NB : évaluation du TP
- Partie AM : examen papier et évaluation du TP "génération d'image à partir d'une pose"
- Partie JD : examen papier