Deep learning pour la Vision Numérique : retour d'expériences en Epidémiologie

Deep learning pour la Vision Numérique : retour d'expériences en Epidémiologie 

Bernard Benet (TSCF, MathNum), Jocelyn De-Goer-De-Herve (EPIA, Santé Animale), Nicolas Parisey (IGEPP, Santé des plantes et environnement)

Depuis ces dernières années, les méthodes et techniques de Machine Learning et plus particulièrement celles liées au Deep Learning, ont connu une évolution sans précédent. Ces méthodes dîtes « d’apprentissage automatique » et « d’Intelligence Artificielle », tentent de modéliser des données, avec un haut niveau d’abstraction, grâce à l’utilisation de réseaux de neurones artificiels inspirés du fonctionnement du cerveau humain.

En effet, les méthodes de DeepLearning ont permis des avancées méthodologiques et applications significatives dans de nombreux domaines tels que l’analyse du signal, le traitement automatisé du langage naturel, la classification statistique, l’analyse de séries temporelles ou la reconnaissance de formes ou d’objets et d’une façon général la vision assistée par ordinateur.

Au cours de ce Webinaire, nous proposons, au travers de différentes présentations, un retour d’expérience sur la mise en œuvre et l’utilisation de méthodes et de techniques de DeepLearning appliquées à l’analyse d’image, au sein de différents projets de recherche finalisés ou toujours en cours de réalisation.

Bien que l’intuition théorique puisse être un prérequis nécessaire pour la mise en œuvre avancée de telles méthodes, l’objectif de ce webinaire est d’aborder le sujet depuis une approche pratique. Ainsi, à partir de problématiques concrètes, nous tenterons de décrire les différentes étapes et outils nécessaires à la création d’un modèle, à son intégration et à son exploitation au sein d’une application finale.