La Détection Des Zones D’intérêt En Utilisant Des Techniques D’apprentissage Profond

Résumé: Abstract : My final-year project, conducted at the LIAS (Laboratory of Computer Science and Automation for Systems) affiliated with the National School of Mechanics and Aeronautics in Poitiers, focuses on comparing different methods and approaches of deep learning for detecting regions of interest in 2D data. The objective is to evaluate and compare the performance of various techniques in this domain. Before diving into the comparison, a comprehensive review of the fundamental concepts related to machine learning, segmentation, and other aspects relevant to the topic will be provided. This review aims to establish a solid foundation and contextual understanding necessary for the subsequent analysis and comparison of the different approaches. The comparison will involve assessing the effectiveness, efficiency, and accuracy of the various deep learning methods used for detecting regions of interest. This evaluation will provide insights into the strengths and weaknesses of each approach. Through this research, we aim to contribute to the current knowledge and understanding of deep learning techniques for region detection, ultimately facilitating their application in practical scenarios and improving their overall performance.*** Résumer : Mon projet de fin d’études, réalisé au sein du laboratoire LIAS (Laboratoire d’Informatique et d’Automatique pour les Systèmes) rattaché à l’École Nationale Supérieure de Mécanique et d’Aérotechnique de Poitiers, se concentre sur la comparaison des différentes méthodes et approches d’apprentissage profond pour la détection des zones d’intérêt dans des données 2D. L’objectif est d’évaluer et de comparer les performances de différentes techniques dans ce domaine. Avant d’aborder la comparaison, une revue complète des concepts fondamentaux liés à l’apprentissage automatique, à la segmentation et à d’autres aspects pertinents pour le sujet sera présentée. Cette revue vise à établir une base solide et une compréhension contextuelle nécessaires pour l’analyse et la comparaison ultérieures des différentes approches. La comparaison consistera à évaluer l’efficacité, l’efficience et la précision des différentes méthodes d’apprentissage profond utilisées pour la détection des zones d’intérêt. Cette évaluation fournira des informations sur les forces et les faiblesses de chaque approche. À travers cette recherche, nous visons à contribuer aux connaissances et à la compréhension actuelles des techniques d’apprentissage profond pour la détection des régions, ce qui facilitera leur application dans des scénarios pratiques et améliorera leurs performances globales.

Publié dans la revue: