imageclassification

Classifation d'image pratique avec Keras:

• Bonjour Colab
• Classification d'image
• Vizualisation des fonctionnalités pré-entraînées
• Transfert d'apprentissage
• Recherche d'images basée sur des fonctionnalités

---

01 Hellocolab.ipynb

Démo de Colab de base

---

02 ImageClassification.ipynb

Dans ce code, nous allons implémenter un classificateur d'images de base:

• Chargez l'ensemble de données (chiffres écrits à la main MNIST)
• Concevez un modèle d'apprentissage en profondeur et inspectez ses paramètres apprenables
• Former le modèle sur les données de formation et inspecter les courbes d'apprentissage
• Évaluez le modèle qualifié sur les données de test jamais vues
• Enregistrer le modèle pour une utilisation ultérieure
• Chargez et utilisez le modèle

---

03 PretrainedFeatuz.

Dans ce code, nous allons charger des réseaux de classification d'images pré-entraînés

• Resnet50
• VGG16
• VGG19

Ensuite, à l'aide d'un réseau pré-entraîné , l'extraction et la visualisation des fonctionnalités sont réalisées via T-SNE

---

04 TransferLearning.ipynb

Dans l'apprentissage du transfert, nous aimerions tirer parti des connaissances apprises par une tâche source pour aider à apprendre une autre tâche cible. Par exemple, un réseau de classification d'images bien formé et bien formé pourrait être exploité pour une autre tâche liée à la cible d'image. Un autre exemple, les connaissances apprises par un réseau formé sur un environnement simulé peuvent être transférées sur un réseau pour l'environnement réel. Fondamentalement, il existe deux scénarios de base pour l'apprentissage des réseaux de neurones:

• Extraction de caractéristiques
• Réglage fin

Un exemple bien connu pour l'apprentissage du transfert consiste à charger le réseau VGG de classification à grande échelle déjà formé qui est capable de classer les images en l'une des 1000 classes, et de l'utiliser pour une autre tâche telle que la classification des images médicales spéciales.

---

05 FeatureBaseDImageSearch.ipynb

Moteurs de recherche d'images: D'une manière générale, le moteur de recherche prend généralement une requête et renvoie les résultats. Les moteurs de recherche d'images prennent une image d'entrée en tant que requête d'image, puis le moteur de recherche d'image trouve les images "similaires" dans sa base de données indexée et les renvoie comme résultat de la recherche. Comment mesurer la similitude entre deux images?

• Espace des pixels : Un moyen simple consiste à mesurer la distance euclidienne entre les deux images dans l'espace des pixels. En conséquence, si deux images ont des valeurs communes ou proches pour les pixels correspondants, sont alors considérés comme "similaires". Cela pourrait fonctionner parfois, mais des images de dauphin et de plan aérien avec des arrière-plans bleus seront considérées comme similaires du point de vue des pixels, et nous ne voulons pas cela!
• Espace des fonctionnalités : Une autre approche consiste à utiliser l'espace des caractéristiques au lieu de l'espace de pixels lors du calcul de la distance euclidienne entre les deux images. En d'autres termes, projetez les images dans un espace où les images avec des fonctionnalités similaires sont proches les unes des autres. Dans cet espace, les dauphins et les avions sont séparés malgré la similitude du niveau des pixels.