_index.md

# 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

Volume horaire : 30h (CM/TP)


![MLImage_all.jpg](images/MLImage_all.jpg)

## Objectif de l'UE
<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 présentera d'abord les problèmes classiques liés à l’image comme la classification, l'extraction d'informations, la reconnaissance de formes, le suivi, la segmentation, etc. Un large panel des différents types de réseaux (CNN, auto-encoder, LTSM, GAN, etc.) sera donné, ainsi que leurs applications à des problèmes élaborés allant de l’édition (super-résolution, transfert de motifs, de palettes) jusqu’aux méthodes génératives (génération de visages, de maillage, d’animations, de textures, etc.) plus ou moins guidées par l’utilisateur.
</p>

[Les slides de la présentation des options sont ici.](doc/MLImage_PresOption.pdf)


## Thématiques abordées

### 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
  * Apprentissage pour les données géométriques :
     * 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
  


## Emploi du temps : automne 2023

Les cours sont le jeudi après-midi entre octobre et fin janvier.
![MLImage_all.jpg](images/MLImage_edt.jpg)



## Modalités de contrôle des connaissances (MCC)
 - 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