search

Rob174 / PIR

1 stars 0 forks source link

Comprendre les articles d'IA #5

Open Rob174 opened 3 years ago

Rob174 commented 3 years ago

Trier les papiers d'IA par ordre de facilité

Rob174 commented 3 years ago

Comprendre =

Rob174 commented 3 years ago

Nathan Matthieu -> en cours : cf #8 et #7

Rob174 commented 3 years ago

Ordre de difficulté : (0️⃣ = le moins difficile .... ) :

0️⃣ 1.🕛 Autonomous Driving System based on Deep Q Learnig : ⚠️ ne pas faire la partie apprentissage par réenforcement. Se limiter au réseau de convolution "traditionnel" décrit en figure 1. Revoir si le nombre de couches et leurs paramètres sont précisées (je ne les ais pas trouvés) et réaliser le réseau avec les ressources de 4. 1️⃣ 2. SVM papier Image Dataset for Persian Road Surface Markings : pas un réseau de neurones : autre technique d'apprentissage ; je n'en ai jamais fait ; un algorithme déjà tout prêt normalement sur ce lien ressources sur l'idée de l'algo ici potentiellement autre ressource sur les SVM 1️⃣ 3. KNN même papier : pas un réseau de neurones : autre technique d'apprentissage ; pour implémenter cf ici normalement ; autre ressource ici 1️⃣ 4. 🕛 A method to recognize the moving human activity about posture and velocity ressources ici ici (particulièrement Input,Conv2D,Dense, MaxPooling..., Activation) ici 1️⃣ 5. 🕛 Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car voir liens de 4. ⚠️ bien distinguer l'architecture de base et le dispositif d'analyse ajoutant des éléments à l'architecture. Faire dans un premier temps l'architecture sans dispositif d'analyse puis éventuellement après réfléchir à comment intégrer l'ajout à l'architecture pour analyser un modèle d'Ia quelconque 1️⃣ 6. 🕛 👍 : Front Moving Object Behavior Prediction System Exploiting Deep Learning Technology for ADAS Applications ressources utiles : doc keras des Conv3D, pour savoir comment faire les liens en parallèle s'inspirer des modèles ici UNpooling3D 2️⃣ 7. YOLOv1 éventuellement mon résumé peut être utile. Cf sources 4. également 2️⃣ 8. 🕛 ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation pas mal de techniques différentes de réseaux de neurones : reprendre les publications. S'inspirer d'Xception (cf https://keras.io/api/applications/ + prendre le code source) 3️⃣ 9. 🕛 Complex-YOLO Début cf 7. fin compliquée avec le Euler Region Proposal 4️⃣ 10. Complexer YOLO ENet cf 8. Partie tracking potentellement complexe. 4️⃣ 11. Joint Monocular 3D Vehicle Detection and Tracking implémentation des auteurs et dataset dispos sur le lien mais en Pytorch -> peut-être y transformer en tensorflow et voir si possible d'importer les poids d'entrainement de pytorch

❓ 12. Learning to Segment Moving Objects in Videos Réseau de neurones pas compliqué. Cependant, je n'ai aucunes connaissances dans les autres algorithmes utilisés (random walk, random forest)

Liste des issues

Rob174 commented 3 years ago

Buts

  1. Implémenter le modèle ou mieux le récupérer déjà entrainé (vérifier l'architecture du modèle par les couches utilsées dans ce cas) -> :warning: si on récupère un modèle regarder si il a été implémenté avec tensorflow/keras. Si ce n'est pas le cas (si on parle de Pytorch, Caffee...) commencer à se renseigner pour savoir si il est possible de transférer un modèle de ce framework vers tensorflow/keras
  2. Ajouter les optimisateurs et vérifie que le modèle compile individuellement
  3. Vérifier l'architecture 3.a. soit avec print(model.summary()) 3.b. soit avec le tensorboard 3.c. (éventuellement pour compléter) Système perso
  4. Tester le modèle avec des données random de la forme attendue
  5. Attendre les données
  6. Tester avec les données
nsmaniotto commented 3 years ago

Ressource comprendre les réseaux de neronnes à convolution

https://medium.com/@CharlesCrouspeyre/comment-les-r%C3%A9seaux-de-neurones-%C3%A0-convolution-fonctionnent-b288519dbcf8