| Libellé du cours : | Advanced Machine Learning 4 - Computer Vision |
|---|---|
| Département d'enseignement : | EEA / Electronique Electrotechnique Automatique |
| Responsable d'enseignement : | Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | MR_DS_S3_AM4 - Advanced machine learning 4 |
Equipe pédagogique
Enseignants : Monsieur PIERRE-ANTOINE THOUVENIN / Monsieur PIERRE CHAINAIS
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
• Image processing • Keypoints and Landmarks • Object classification and detection • Optical Flow – foundation and principles + deep learning approaches • Unsupervised Visual Feature Learning
Objectifs pédagogiques
After successfully taking this course, a student should be able to: · Understand the properties of visual data and the challenges associated to it · Master some fundamental tools in computer vision · Identify computer vision problems and leverage the right tools to solve them · Address current computer vision problems by employing state-of-the-art solutions
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Labs, (min) 0 - 20 (max)
Exam, (min) 0 - 20 (max)
Passing grade 10/20
Ressources en ligne
R. Szeliski - Computer Vision: Algorithms and Applications, Springer 2010 R. Szeliski - Computer Vision: Algorithms and Applications – 2nd edition, Springer 2022
Pédagogie
24 hours, 12 lectures, 12 labs/tutorial sessions
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 12 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 12 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| Nombre d'heures en Séminaire : | 0 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 0 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |
Pré-requis
Machine Learning courses from M1 Data Science Signal Processing course from M1 Data Science