Etudiant : SADRATI Zakariae

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. RIFFI JAMAL

Annèe : 2021

Résumé : Ce travail à été réalisée dans le but d'obtenir un master en intelligence artificielle et sciences de données. Où cette recherche présente une approche pour détecter les objecte basée sur l’apprentissage profond et des relations géométriques basées sur une image spécifique. Dans cette étude, nous nous sommes d'abord appuyés sur la détection d'objets 2D et avons déterminé à quel type d'objet il a été détecté et à quel groupe il appartient en utilisant des techniques d'apprentissage profond telles que les réseaux neuronaux à convolution et un algorithme spécial appelé YOLO (You Only Look Once), et une bibliothèque d'apprentissage profond appelé (Tensorflow), Une base de données appelée MSCOCO qui est un large ensemble de données pour la détection des objets, et qui est également élaborée pour former le modèle d’apprentissage profond. Ensuite, nous avons travaillé sur la détection des objets 3D à partir d’objets bidimensionnels, Le travail dans cette partie s’est concentré sur essayer de déterminer les coordonnées de l’objet à déterminer, évaluer le déterminant tridimensionnel et le simuler par le déterminant bidimensionnel à partir de plusieurs relations géométriques. Nous nous sommes appuyés sur plusieurs techniques d’apprentissage profond comme librairie (pytorch), Et sur un modèle d'apprentissage profond pré-entraîné, appelé (VGG) Le modèle d’apprentissage profond qui a été élaboré a été entraîné sur une base de données appelée KITTI, L'ensemble de données KITTI comprend un total de 7481 images d'entraînement. Après plusieurs expériences visant à évaluer le travail du modèle d’apprentissage profond, les résultats expérimentaux ont montré que les meilleurs scénarios possibles ont été obtenus. Mots clés : apprentissage profond, Le modèle d’apprentissage profond, détection d'objets, relations géométriques, algorithme YOLO, tensorflow, pytorch, CNN