Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/33
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBENASSIL, KAtia-
dc.date.accessioned2022-03-28T08:28:31Z-
dc.date.available2022-03-28T08:28:31Z-
dc.date.issued2021-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/33-
dc.descriptionMr Alaa Eddine Belfedhal Encadreuren_US
dc.description.abstractObject detection is a subfield of computer vision that is currently primarily reliant on deep learning. Over the past decade, deep neural networks have dominated the field of machine learning, taking advantage of advances in computer power and data availability. Convolutional neural network (CNN), a kind of neural network, is well-suited for image-related tasks. The network has been trained to search across the image for various features such as edges, corners, and color variations, and to combine them into more complex shapes. When it comes to object detection, the system entails both finding the location on the picture where possible objects are present and classifying them. YOLO (You Only Look Once) algorithm was introduced in 2015 using a novel approach that reframed object detection as a regression issue and was implemented in a single neural network. That caused the object detection field to explode and achieve far more spectacular results than a decade ago but object detection as a technology is still evolving. This thesis investigates the state of the art in the field of computer vision.*** La détection d’objets est un sous-domaine de la vision par ordinateur qui repose actuellement essentiellement sur l’apprentissage profond. Au cours de la dernière décennie, les réseaux neuronaux profonds ont dominé le domaine de l’apprentissage automatique, profitant des progrès réalisés en matière de puissance informatique et de disponibilité des données. Le réseau neuronal convolutif (CNN), un type de réseau neuronal, est bien adapté aux tâches liées aux images. Le réseau a été entrainé pour rechercher dans l’image diverses caractéristiques telles que les bords, les coins et les variations de couleur, et pour les combiner en formes plus complexes. Pour ce qui est de la détection d’objets, le système doit à la fois trouver l’emplacement sur l’image où se trouvent les objets et les classifier. L’algorithme YOLO (You Only Look Once) a été introduit en 2015 à l’aide d’une approche novatrice qui recadrait la détection d’objets comme une question de régression et était mise en oeuvre dans un seul réseau neuronal. Cela a provoqué l’explosion du domaine de la détection d’objets et l’obtention de résultats bien plus spectaculaires qu’il y a dix ans, cepandant la détection d’objets en tant que technologie continue d’évoluer. Cette thèse examine l’état de l’art dans le domaine de la vision par ordinateur.en_US
dc.language.isoenen_US
dc.subjectObject Detectionen_US
dc.subjectComputer Visionen_US
dc.subjectDeep Learningen_US
dc.titleObject Detection Using Deep Learning Methodsen_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
Final_m_moire_de_master.pdf276,33 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.