Reconnaissance d'images à l'aide de Machine Learning Training Ppt

Diapositive 1

Cette diapositive présente la reconnaissance d'image. Trouver des objets d'intérêt dans une image et déterminer à quelle catégorie ils appartiennent est connu sous le nom de reconnaissance d'image.

Notes de l'instructeur : La reconnaissance d'images est une application de vision par ordinateur qui implique des tâches telles que la détection d'objets, l'identification d'images et la catégorisation d'images.

Diapositive 2

Cette diapositive traite du fonctionnement de la reconnaissance d'images à l'aide de l'apprentissage automatique. Les techniques d'apprentissage automatique sont utilisées pour glaner des connaissances cachées à partir d'un ensemble de données de bons et de mauvais échantillons pour reconnaître les images.

Notes de l'instructeur : lorsqu'il est combiné à une technologie d'intelligence artificielle et à des GPU robustes, le Deep Learning permet des avancées significatives dans le domaine de la reconnaissance d'images. Les algorithmes de classification d'images et de reconnaissance faciale utilisant Deep Learning atteignent des performances de niveau humain dans la détection d'objets en temps réel.

Diapositive 3

Cette diapositive illustre les modèles de reconnaissance d'images d'apprentissage automatique tels que les machines à vecteurs de support, les modèles de sac de fonctionnalités et l'algorithme Viola Jones.

Notes de l'instructeur :

• Machines à vecteurs de support : les SVM fonctionnent en créant des histogrammes d'images qui peuvent ou non contenir les éléments cibles. Ensuite, le programme compare les valeurs d'histogramme formées à celles des parties de l'image de test pour voir s'il y a des correspondances.
• Sacs de modèles de caractéristiques : sacs de modèles de caractéristiques comme la transformation de caractéristiques invariantes à l'échelle (SIFT) et les régions extrêmes maximalement stables (MSER) fonctionnent en numérisant une image et en la comparant à une photo de référence de l'objet à découvrir. Le modèle fait ensuite correspondre les pixels de l'exemple de photo aux régions de l'image cible pour voir s'il y a des correspondances.
• Algorithme de Viola Jones : Viola-Jones scanne les visages des personnes et extrait les caractéristiques, qui sont ensuite introduites dans un classificateur de renforcement. En conséquence, des classificateurs boostés sont créés et utilisés pour vérifier les photos de test. Une image de test doit produire un résultat positif de chaque classificateur pour trouver une correspondance réussie

Diapositive 4

Cette diapositive illustre l'application de reconnaissance d'images pour l'analyse des visages. Le flux vidéo de n'importe quel appareil photo numérique ou webcam peut être utilisé avec les technologies modernes d'apprentissage automatique pour effectuer simultanément la détection des visages, l'estimation de la posture du visage, l'alignement des visages, la reconnaissance du sexe, la détection des sourires, l'estimation de l'âge et la reconnaissance des visages.

Notes de l'instructeur : La vision par ordinateur permet aux ordinateurs de déterminer l'identité, les intentions, l'état émotionnel et de santé, l'âge et l'origine ethnique via l'analyse faciale. Certains logiciels de reconnaissance de photos tentent même d'utiliser un score pour définir les niveaux d'attractivité perçue.

Diapositive 5

Cette diapositive présente les systèmes d'identification d'images alimentés par l'apprentissage automatique qui sont utilisés dans le secteur agricole. Ces systèmes utilisent des outils de pointe qui ont été formés pour reconnaître le type d'animal et son comportement.