Veuillez utiliser cette adresse pour citer ce document : http://dspace.univ-tiaret.dz:80/handle/123456789/5740
Titre: Détection d'objet en temps réel en utilisant une approche basée sur l'apprentissage profond
Auteur(s): NACHEF, Abd el karim
BOUMEDIENE, Noureddine
Mots-clés: détection d’objets, apprentissage profond, R-CNN, SSD, YOLO.
Date de publication: 2022
Editeur: Université Ibn Khaldoun -Tiaret-
Résumé: La détection d’objets mobiles est une étape clé de nombreux algorithmes de vision par ordinateur tels que la vidéo surveillance, l’analyse du mouvement humain, la robotique, l’analyse de séquences sportives et autres. Récemment, la précision de la détection d'objets a été améliorée grâce aux performances des approches basées sur un algorithme d'apprentissage profond tel qu'un réseau convolutif basé sur la région (R-CNN), YOLO (You Only Look Once) et d'autres. L'objectif de ce mémoire de Master est d'identifier et d'évaluer les performances des modèles d'apprentissage profond existants qui sont appropriés et très efficaces pour la reconnaissance d'objets en temps réel.
URI/URL: http://dspace.univ-tiaret.dz:80/handle/123456789/5740
Collection(s) :Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
TH.M.INF.FR.2022.46.pdf4,05 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.