Description du livre
Ce texte/référence à lire impérativement présente les concepts fondamentaux des réseaux neuronaux convolutionnels (ConvNets), offrant des conseils pratiques sur l'utilisation des bibliothèques pour implémenter ConvNets dans les applications de détection et de classification des panneaux de signalisation routière. L'ouvrage présente des techniques d'optimisation de l'efficacité informatique de ConvNets, ainsi que des techniques de visualisation pour mieux comprendre les processus sous-jacents. Les modèles proposés font également l'objet d'une évaluation approfondie sous différents angles, à l'aide d'analyses exploratoires et quantitatives.
Sujets et fonctionnalités : explique les concepts fondamentaux qui sous-tendent la formation des classificateurs linéaires et l'apprentissage des caractéristiques ; discute de la vaste gamme de fonctions de perte pour la formation des classificateurs binaires et multi-classes ; illustre comment dériver ConvNets à partir de réseaux neuronaux entièrement connectés, et examine différentes techniques pour évaluer les réseaux neuronaux ; présente une bibliothèque pratique pour mettre en œuvre ConvNets, explique comment utiliser une interface Python pour la bibliothèque pour créer et évaluer les réseaux neuronaux ; décrit deux exemples réels de détection et de classification des panneaux de signalisation routière à l'aide de méthodes d'apprentissage approfondi ; examine une gamme de techniques variées pour visualiser les réseaux neuronaux à l'aide d'une interface Python ; fournit des exercices d'auto-apprentissage à la fin de chaque chapitre, en plus d'un glossaire utile, avec des scripts Python pertinents fournis sur un site Web associé.
Ce guide autonome sera utile à ceux qui cherchent à la fois à comprendre la théorie derrière l'apprentissage approfondi et à acquérir une expérience pratique de la mise en œuvre de ConvNets dans la pratique. Comme aucune connaissance préalable dans le domaine n'est requise pour suivre le matériel, le livre est idéal pour tous les étudiants en vision par ordinateur et en apprentissage automatique, et sera également d'un grand intérêt pour les praticiens travaillant sur les voitures autonomes et les systèmes avancés d'aide à la conduite.