PFEBOUIDI

BOUIDI Abderrahmane

Om appen

Bildigenkänning, i samband med datorseende, är programvarans förmåga att identifiera objekt, platser, människor, skrifter och handlingar i bilder. Datorer kan använda maskinseendeteknik i kombination med en kamera och programvara för artificiell intelligens för att uppnå bildigenkänning.
Bildklassificering avser en process i datorseende som kan klassificera en bild utifrån dess visuella innehåll. Till exempel kan en bildklassificeringsalgoritm utformas för att indikera om en bild innehåller en mänsklig figur eller inte. Även om objektdetektering är trivialt för människor, är robust bildklassificering fortfarande en utmaning för datorseendeapplikationer.
Syftet med denna studie är att bestämma vad som gör att ett djupt neuralt nätverk bearbetar komplexa data, såsom bild-/videodata, snabbare och mer exakt. Vi kommer att undersöka de senaste framgångsrika neurala nätverksarkitekturerna för att avgöra vad som är den mest effektiva (och snabbaste) arkitektur(er) i bildklassificering, och vi kommer också att undersöka vilka optimeringstekniker som fungerar bäst i denna typ av data.
Vi försöker förstå hur forskare nyligen tog ett stort steg framåt i visuell igenkänning genom att klassificera bilder, och se hur de fick en otrolig noggrannhetspoäng på ImageNet-utmaningen. Med hänsyn till hur kan vi bearbeta komplexa data som bilddata snabbare, hur kan vi hantera problemet med att överanpassa dessa data, och hur kan vi minimera träningstiden för vår arkitektur.