|
| Titre : | Détection du port du masque en utilisant les réseaux de neurones convolutifs avec transfert d’apprentissage | | Type de document : | theses et memoires | | Auteurs : | Rachid Benarbane ; Bayou Massinissa ; Zohra Haliche, Directeur de thèse | | Editeur : | Tizi-Ouzou : U.M.M.T.O | | Année de publication : | 2021 | | Importance : | 72 p. | | Présentation : | ill. | | Format : | 24 cm. | | Note générale : | Bibliog. | | Langues : | Français | | Mots-clés : | Intelligence artificielle Classification d’images Réseaux de neurones convolutifs (CNN) Réseaux de neurones artificielles (MLP) Transfert d’apprentissage MaskTheFace Flickr-Faces-HQ Dataset | | Résumé : | Au cours des dernières années, l’intelligence artificielle a résolu plusieurs problèmes au niveau mondial, l’un des problèmes majeurs qui touche notre planète en ce moment est la pandémie du corona virus. Afin de prévenir efficacement la propagation du virus COVID19, le port du masque facial est apparu comme une stratégie simple et efficace pour réduire la menace de ce virus. Pour cela, la détection du port du masque reste très demandée auprès des services de surpopulations pour savoir si une personne porte son masque de protection ou pas et si cette personne porte correctement son masque ou non. L’utilisation de l’apprentissage profond (Deep learning) est la meilleure solution pour cette urgence pandémique du coronavirus.
Le travail effectué dans ce mémoire est basé sur les réseaux de neurones convolutifs (CNN), à l’aide du transfert d’apprentissage. Les modèles prédéfinis CNN (Resnet-18, Resnet-101, Vggnet-16, Vggnet-19, Googlenet, Alexnet) sont appliqués sur plusieurs bases de données (FFHQ3, MFR2, FMD, base d’images proposée), afin de faire un transfert d’apprentissage, et déduire le modèle le plus performant pour la détection du port du masque | | En ligne : | D:\CD THESES 2021\MAST AUTO\BENARBANE RACHID; BAYOU MASSINISSA.PDF | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=36306 |
Détection du port du masque en utilisant les réseaux de neurones convolutifs avec transfert d’apprentissage [theses et memoires] / Rachid Benarbane ; Bayou Massinissa ; Zohra Haliche, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : U.M.M.T.O, 2021 . - 72 p. : ill. ; 24 cm. Bibliog. Langues : Français | Mots-clés : | Intelligence artificielle Classification d’images Réseaux de neurones convolutifs (CNN) Réseaux de neurones artificielles (MLP) Transfert d’apprentissage MaskTheFace Flickr-Faces-HQ Dataset | | Résumé : | Au cours des dernières années, l’intelligence artificielle a résolu plusieurs problèmes au niveau mondial, l’un des problèmes majeurs qui touche notre planète en ce moment est la pandémie du corona virus. Afin de prévenir efficacement la propagation du virus COVID19, le port du masque facial est apparu comme une stratégie simple et efficace pour réduire la menace de ce virus. Pour cela, la détection du port du masque reste très demandée auprès des services de surpopulations pour savoir si une personne porte son masque de protection ou pas et si cette personne porte correctement son masque ou non. L’utilisation de l’apprentissage profond (Deep learning) est la meilleure solution pour cette urgence pandémique du coronavirus.
Le travail effectué dans ce mémoire est basé sur les réseaux de neurones convolutifs (CNN), à l’aide du transfert d’apprentissage. Les modèles prédéfinis CNN (Resnet-18, Resnet-101, Vggnet-16, Vggnet-19, Googlenet, Alexnet) sont appliqués sur plusieurs bases de données (FFHQ3, MFR2, FMD, base d’images proposée), afin de faire un transfert d’apprentissage, et déduire le modèle le plus performant pour la détection du port du masque | | En ligne : | D:\CD THESES 2021\MAST AUTO\BENARBANE RACHID; BAYOU MASSINISSA.PDF | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=36306 |
|
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesDétection du port du masque en utilisant les réseaux de neurones convolutifs avec transfert d’apprentissage / Rachid Benarbane (2021)
