Bibliographie & annexes
Présentation
RÉSUMÉ
L’apprentissage profond a provoqué une révolution technologique dans l’analyse et la génération d’images à deux dimensions, permettant le développement de nouvelles applications. Dans cet article, il est question de l’application de ces méthodes aux données tridimensionnelles, comme les tomographies utilisées en imagerie médicale ou dans l’étude de matériaux. L’analyse de données 3D, mais aussi leur génération, sont abordées. Les difficultés théoriques et pratiques de ces approches sont expliquées et leurs perspectives développées.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Deep learning has brought a technological revolution in the analysis and generation of two-dimensional images, enabling the development of new applications. This article discusses the application of these methods to three-dimensional data, such as the tomographies used in medical imaging or in the study of materials. The analysis of 3D data, as well as their generation, are addressed. The theoretical and practical difficulties of these approaches are explained, and their prospects are developed.
Auteur(s)
-
Petr DOKLADAL : Maître de recherche - Mines Paris – Université PSL, Centre de Morphologie mathématique, Fontainebleau, France
-
Étienne DECENCIÈRE : Directeur de recherche - Mines Paris – Université PSL, Centre de Morphologie mathématique, Fontainebleau, France
INTRODUCTION
L’apprentissage profond (deep learning, en anglais) est une discipline qui fait appel aux réseaux de neurones artificiels pour apprendre automatiquement des transformations. Depuis une dizaine d’années, cette discipline a bouleversé différents domaines des sciences des données, comme l’analyse d’images ou le traitement du langage naturel, au point de provoquer un renouveau de l’intelligence artificielle (IA). Cette révolution technologique a poussé des grandes sociétés à recruter à prix d’or des chercheurs et des ingénieurs pour constituer ou renforcer des équipes en IA. De nombreuses start-ups ont aussi été créées pour développer des solutions à des problèmes qui étaient considérés, il y a seulement quelques années, comme hors de portée.
Les images tridimensionnelles (3D) occupent aussi une place croissante dans les applications industrielles, grâce aux progrès de méthodes d’acquisition de plus en plus performantes, comme la tomodensitométrie par rayons X, l’imagerie par résonance magnétique ou la télédétection par laser (plus communément connue sous l'appellation LiDAR, de l’anglais Light Detection And Ranging). Notons qu’un autre domaine de recherche porte sur l’extraction d’informations 3D à partir d’images 2D.
C’est donc naturellement que des applications de l’apprentissage profond pour les images 3D ont été développées ces dernières années. Cet article a pour objectif de présenter de façon synthétique et accessible ces méthodes. Pour cela, nous commençons par introduire les différentes représentations 3D considérées : nous nous limitons ici aux représentations sous forme de tableau à trois dimensions ou de graphe. Nous présentons ensuite brièvement les bases de l’apprentissage profond pour les images et les graphes, puis nous expliquons comment elles sont appliquées aux images 3D. Nous abordons dans la section suivante un sujet plus prospectif : la génération d’images 3D. Enfin, avant de conclure, nous discutons des perspectives et des défis de ces méthodes.
le lecteur trouvera en fin d’article un glossaire des termes et expressions importants de l’article, ainsi qu’un tableau des sigles, notations et symboles utilisés tout au long de l’article.
L'expertise technique et scientifique de référence
KEYWORDS
deep learning | Mesh | convolutional neural network | 3D image
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Apprentissage profond pour les images tridimensionnelles > Notions de base de l’apprentissage profond pour l’analyse d’images
Accueil > Ressources documentaires > Innovation > Innovations technologiques > Innovations en électronique et TIC > Apprentissage profond pour les images tridimensionnelles > Notions de base de l’apprentissage profond pour l’analyse d’images
Accueil > Ressources documentaires > Technologies de l'information > Le traitement du signal et ses applications > Traitement du signal : bases théoriques > Apprentissage profond pour les images tridimensionnelles > Notions de base de l’apprentissage profond pour l’analyse d’images
Accueil > Ressources documentaires > Technologies de l'information > Technologies radars et applications > Géomatique > Apprentissage profond pour les images tridimensionnelles > Notions de base de l’apprentissage profond pour l’analyse d’images
Cet article fait partie de l’offre
Technologies radars et applications
(69 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Analyse d’images 3D2. Notions de base de l’apprentissage profond pour l’analyse d’images
L’apprentissage profond en tant que discipline résulte d’une évolution des réseaux de neurones artificiels. Utilisé dans ce sens, le terme est relativement récent : il date du début du XXIe siècle. Les réseaux de neurones artificiels, en revanche, remontent aux travaux de Rosenblatt des années 1950. Nous introduisons ci-dessous les principes généraux de ces réseaux. Une explication plus détaillée est donnée dans [H 5 010] ou dans des ouvrages de référence , .
2.1 Réseaux de neurones artificiels et apprentissage profond
Un neurone artificiel est une modélisation mathématique simple d’un neurone biologique. Aujourd’hui, le neurone artificiel le plus utilisé calcule une transformation affine de ses p entrées
à l’aide de ses poids
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Technologies radars et applications
(69 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Notions de base de l’apprentissage profond pour l’analyse d’images
BIBLIOGRAPHIE
-
(1) - ROSENBLATT (F.) - The perceptron : A probabilistic model for information storage and organization in the brain. - Psychol. Rev., vol. 65, n° 6, p. 386-408, DOI : 10.1037/h0042519 (1958).
-
(2) - AZENCOTT (C.-A.) - Introduction au machine learning. - Dunod (2019).
-
(3) - CHOLLET (F.) - Deep Learning with Python. - Second Edition, Simon and Schuster (2021).
-
(4) - LECUN (Y.), BENGIO (Y.), HINTON (G.) - Deep learning. - Nature, vol. 521, n° 7553, p. 436-444 (2015).
-
(5) - CYBENKO (G.) - Approximations by superpositions of a sigmoidal function. - Math. Control Signals Syst., vol. 2, p. 183-192 (1989).
-
(6) - FUKUSHIMA (K.) - Neocognitron : A self-organizing neural network model for a mechanism of pattern...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Technologies radars et applications
(69 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
