Séance de cours

Vision par ordinateur: aperçus historiques et inspirations de projets

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

CS-503: Visual intelligence

This course covers both classic concepts and recent advances in computer vision and machine learning for processing visual data -- with a primary focus on embodied intelligence and multimodal learning ...

Description

Cette séance de cours fournit un aperçu complet du développement historique de la vision par ordinateur, en retraçant son évolution des premières théories aux progrès modernes. Il commence par une discussion sur les diverses modalités sensorielles des animaux, en soulignant comment elles influencent leur perception du monde. L'instructeur met en évidence divers projets, tels que le BristleBot, pour illustrer comment des composants simples peuvent conduire à des comportements complexes. La séance de cours couvre également des jalons importants dans l'histoire de la vision par ordinateur, y compris les contributions de pionniers comme Larry Roberts et l'impact des percées en apprentissage profond comme AlexNet. L'instructeur encourage les élèves à réfléchir de manière créative à leurs projets, suggérant qu'ils peuvent s'inspirer de la façon unique dont les animaux perçoivent leur environnement. En examinant l'intersection de la biologie et de la technologie, la séance de cours vise à inspirer des approches innovantes aux défis de la vision par ordinateur, exhortant les étudiants à explorer au-delà des méthodes conventionnelles et à considérer les implications plus larges de leur travail dans le domaine.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Amir Roshan Zamir

Amir Zamir is a Tenure-Track Assistant Professor of Computer Science at the Swiss Federal Institute of Technology in Lausanne (EPFL). Prior to EPFL, he spent time at Stanford, UC Berkeley, and UCF. His research interests are broadly in computer vision, machine learning, perception-for-robotics, and AI. He has been recognized with CVPR (2018) Best Paper Award, CVPR (2016) Best Student Paper Award, CVPR (2020) Best Paper Award Nomination, and NVIDIA Pioneering Research Award (2018), among others. His research has been covered by various press outlets, such as The New York Times or Forbes.

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Réseau de neurones artificiels

Concepts associés (32)

Apprentissage par renforcement profond

L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.

Vue

thumb|250px|Ommatidies de krill antarctique, composant un œil primitif adapté à une vision sous-marine. thumb|250px|Yeux de triops, primitifs et non mobiles. thumb|250px|Yeux multiples d'une araignée sauteuse (famille des Salticidae, composée d'araignées chassant à l'affut, mode de chasse nécessitant une très bonne vision). thumb|250px|Œil de la libellule Platycnemis pennipes, offrant un champ de vision très large, adapté à un comportement de prédation.

Q-learning

vignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

Afficher plus

Séances de cours associées (64)

Physique statistique dans l'apprentissage automatique: Comprendre l'apprentissage profond

Explore l'application de la physique statistique à la compréhension de l'apprentissage profond en mettant l'accent sur les réseaux neuronaux et les défis de l'apprentissage automatique.

Machine Learning pour l'extraction de fonctionnalités

Explore l'apprentissage automatique pour l'extraction de fonctionnalités, la vision 3D et les réseaux neuronaux en robotique mobile.

Comprendre l'apprentissage profond

Explore les fondamentaux de l'apprentissage profond, y compris la classification de l'image, les principes de travail du réseau neuronal et les défis de l'apprentissage automatique.

Perception : Approches fondées sur les données

Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.

Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds

Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.

Afficher plus

Concepts associés (32)

Apprentissage par renforcement profond

Vue

Q-learning

Réseau de neurones récurrents

Apprentissage automatique

Afficher plus