L'apprentissage profond pour la classification et l'interprétation d'images

Voir Plus Voir Moins

Afficher le Résumé

Ces dernières années, l'utilisation des méthodes de l'apprentissage profond ou deep learning " dl " pour l'analyse des images rétiniennes attire de plus en plus l'attention de la communauté des chercheurs en apprentissage automatique; cela se fait grâce à leur efficacité dans la résolution des problèmes complexes. l'avantage majeur de ces modèles est leur capacité d'extraire automatiquement les caractéristiques représentant l'image traitée contrairement aux méthodes classiques. les méthodes dl, et plus particulièrement les réseaux de neurones convolutifs (cnns), nécessitent un grand volume de données pour ajuster équitablement les hyper-paramètres du modèle profond de classification et éviter le problème du sur-apprentissage. afin d'optimiser les méthodes dl dédiées à la classification des images rétiniennes, certains travaux ont proposé l'utilisation des techniques d'apprentissage par transfert, par régularisation et par des méthodes ensemblistes.