augustin64/tipe
1
1
Fork 0
mirror of https://github.com/augustin64/projet-tipe synced 2025-01-23 15:16:26 +01:00
Code Issues Packages Projects Releases Wiki Activity

Useless modifications of mcot.md

Browse Source
This commit is contained in:
julienChemillier 2023-02-03 13:46:10 +01:00
parent ae9d72a6eb
commit c922faa9cd
1 changed files with 8 additions and 9 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

17
doc/mcot.md
View File

@ -45,15 +45,14 @@ C'est pour résoudre ces problèmes qu'est né le modèle PlaNet, un CNN conçu
Ce problème est alors abordé comme un problème de classification. C'est-à-dire que l'on sépare la carte du monde en une multitude de parcelles et l'algorithme renvoie selon sa prédiction la probabilité que l'image soit dans chacune des parcelles. Les parcelles sont réparties de sorte qu'elle ait le même nombre d'images lors de l'entraînement. Pour cela il existe une BDD (Base De Données) sur lequel les algorithmes peuvent s'entraîner [6]. Pour simplifier le problème, je ne vais pas essayer de trouver la localisation d'une image sur la Terre entière mais plutôt me concentrer sur la carte des États-Unis. On obtient alors un algorithme entraîné permettant de catégoriser les images dans les différents états des Etat-Unis.
## Problématique retenue
Est-il possible de concevoir un algorithme de géolocalisation permettant de concurrencer des humains à cette tâche tout en conservant un temps d'entraînement raisonnable ?
Est-il possible de concevoir un algorithme de géolocalisation d'images permettant de concurrencer des humains à cette tâche tout en conservant un temps d'entraînement raisonnable ?
## Objectifs du TIPE - Julien
1. Mise en place d'un réseau de neurones non convolutif reconnaissant des chiffres
2. Optimisation de cet algorithme avec de la programmation en parallèle
3. Amélioration du premier algorithme pour qu'il soit convolutif
4. Tentative de reconnaissance des villes avec le programme
5. Analyse des résultats
6. Comparaison de ces résultats à ceux d'humains
1. Mettre en place un réseau de neurones non convolutif reconnaissant des chiffres[7]
2. Optimiser cet algorithme avec de la programmation parallèle
3. Améliorer le premier algorithme pour qu'il soit convolutif
4. Entrainer cet algorithme sur des une base de données de villes
5. Analyser ces résultats et les comparer à ceux d'humains
## Objectifs du TIPE - Augustin
L'objectif de ce TIPE étant de construire un réseau de neurones convolutif classifiant des villes tout en comprenant comment fonctionne la technologie derrière, je progresserai par étapes successives en réalisant dans un premier temps un réseau de neurones non convolutif classifiant uniquement des photographies de chiffres.
@ -63,12 +62,12 @@ Dans un second temps, je réaliserais un réseau convolutif plus élaboré afin
Numéro | Auteur | Titre | Informations
:---:|:---:|:---:|:---:
1 | Yann LeCun | LeNet5 | http://yann.lecun.com/exdb/lenet/index.html
2 | Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton| AlexNet | https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
2 | Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton | AlexNet | https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
3 | Jiuxiang Gu, Zhenhua Wang, Jason Kuen, et al| Recent Advances in Convolutional Neural Networks | https://arxiv.org/pdf/1512.07108.pdf%C3%A3%E2%82%AC%E2%80%9A
4 | James Hays, Alexei A. Efros | Im2GPS | http://graphics.cs.cmu.edu/projects/im2gps/im2gps.pdf
5 | Tobias Weyand, Ilya Kostrikov, James Philbin | _PlaNet - Photo Geolocation with Convolutional Neural Networks_ | https://arxiv.org/abs/1602.05314
6 | Sudharshan Suresh, Nathaniel Chodosh, Montiel Abello | Base de données _50States10k_ | https://arxiv.org/pdf/1810.03077.pdf#Hfootnote.2
7 |Yann Lecun | MNIST | http://yann.lecun.com/exdb/mnist/
7 | Yann Lecun | MNIST | http://yann.lecun.com/exdb/mnist/
---------------------------Hors Mcot-----------------------------