Skip to content
Snippets Groups Projects
Select Git revision
  • main default
1 result
Blame Permalink
Forked from Alexandre MEYER / M1if37-Animation
This fork has diverged from the upstream repository.
_index.md 2.47 KiB

Master 2 ID3D et IA - UE Apprentissage Machine Et Image (3 ECTS)

Responsables de l'enseignement : Alexandre Meyer, Julie Digne et Nicolas Bonneel - LIRIS, Université Lyon 1

Volume horaire : 30h (CM/TP)

MLImage_all.jpg

Objectif de l'UE

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.

Les slides de la présentation des options sont ici.

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

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