Qu’est-ce que l’apprentissage profond appliqué au traitement d’images ?
L’apprentissage profond appliqué au traitement d’images utilise des réseaux neuronaux multicouches pour apprendre des transformations ou des prédictions visuelles à partir de données. Ses applications comprennent la classification, la segmentation, la restauration, la génération et l’amélioration.
Fonctionnement de l’apprentissage profond appliqué au traitement d’images
Les chaînes de traitement d’images fondées sur l’apprentissage ajustent leurs paramètres à partir d’exemples plutôt que de définir chaque règle visuelle de manière analytique. Les réseaux convolutifs, les modèles fondés sur l’attention et les modèles génératifs peuvent convertir des pixels en étiquettes, en masques, en images restaurées ou en nouveaux échantillons. Leur comportement dépend autant de la distribution des données d’entraînement, de l’objectif, du prétraitement et de la précision numérique au déploiement que de l’architecture du réseau. Ils interviennent généralement dans un système multimédia après le décodage et la normalisation, avec des contrôles de validation et de provenance entourant les résultats d’inférence.
Points clés
- Un modèle entraîné sur des paires d’images propres et dégradées apprend la dégradation représentée par ce jeu de données ; un flou ou un bruit synthétique qui ne correspond pas aux conditions de capture en production peut limiter la qualité de la restauration.
- Les modèles entièrement convolutifs peuvent accepter des dimensions variables, mais les pas de l’encodeur, les mécanismes positionnels ou les recadrages fixes d’entraînement peuvent malgré tout imposer des exigences de remplissage, de découpage en tuiles et de gestion des raccords.
- Les objectifs perceptuels ou adversariaux peuvent créer des détails convaincants absents de l’entrée, ce qui constitue un mode de défaillance important pour les éléments de preuve, la mesure et la restauration fidèle d’archives.
Quand l’apprentissage profond appliqué au traitement d’images est utile
Choisissez un modèle appris lorsque des règles fixes ne peuvent pas représenter de manière fiable la variation des images cibles. Les données d’entraînement, le coût de calcul et les performances sur des entrées inhabituelles doivent être mis en balance avec les gains potentiels de précision.