Difference between revisions of "Publications/hermary.21.seminar/fr"
From LRDE
Line 4: | Line 4: | ||
| year = 2021 |
| year = 2021 |
||
| number = 2122 |
| number = 2122 |
||
− | | resume = Le traitement d'image est un domaine d'étude très vaste qui englobe une multitude d'opérations, chacune ayant des spécificités, des circonstances d'utilisation, des meilleurs résultats pour l'étude automatique des images complexités et des résultats différents. Aujourd'hui, les meilleurs résultats pour l'étude automatique des images (segmentation d' |
+ | | resume = Le traitement d'image est un domaine d'étude très vaste qui englobe une multitude d'opérations, chacune ayant des spécificités, des circonstances d'utilisation, des meilleurs résultats pour l'étude automatique des images complexités et des résultats différents. Aujourd'hui, les meilleurs résultats pour l'étude automatique des images (segmentation d'imagesclassification d'images, détection des objets, etc.) sont obtenus en utilisant l'apprentissage profond, et plus spécifiquement les réseaux neuronaux convolutifs. Nous explorons et menons des expériences sur une partie spécifique du traitement d'image, la morphologie mathématique, en recherchant la meilleure façon de contourner les complexités des opérations concernant leur intégration dans un pipeline d'apprentissage supervisé. |
| type = techreport |
| type = techreport |
||
| id = hermary.21.seminar |
| id = hermary.21.seminar |
Latest revision as of 16:39, 30 June 2022
- Auteurs
- Romain Hermary
- Type
- techreport
- Année
- 2021
- Numéro
- 2122
Résumé
Le traitement d'image est un domaine d'étude très vaste qui englobe une multitude d'opérations, chacune ayant des spécificités, des circonstances d'utilisation, des meilleurs résultats pour l'étude automatique des images complexités et des résultats différents. Aujourd'hui, les meilleurs résultats pour l'étude automatique des images (segmentation d'imagesclassification d'images, détection des objets, etc.) sont obtenus en utilisant l'apprentissage profond, et plus spécifiquement les réseaux neuronaux convolutifs. Nous explorons et menons des expériences sur une partie spécifique du traitement d'image, la morphologie mathématique, en recherchant la meilleure façon de contourner les complexités des opérations concernant leur intégration dans un pipeline d'apprentissage supervisé.