T7.GT05 : Architectures récentes de réseaux de neurones profonds, notion de saillance

Porteurs

Thomas Pellegrini / UPS-IRIT

Mots Clés :

Deep learning, réseaux de neurones profonds, saillance

OBJECTIF

  • évoquer les architectures de réseaux de neurones (très) profonds et donner des exemples d’application concrets
  • évoquer la notion de saillance et les méthodes qui permettent de trouver ce qui est saillant dans les données mises en entrée d’un modèle (en image par exemple : retrouver les pixels saillants)

DESCRIPTION

Lorsque l’on augmente le nombre de couches d’un réseau, les performances finissent en règle générale par se dégrader en raison d’une difficulté accrue à entraîner correctement les modèles profonds. Certaines améliorations ont été proposées pour pallier à ce problème. D’autre part, il peut s’avérer intéressant d’analyser ce qu’a appris un modèle et l’une des façons de le faire est d’analyser ce qui a été saillant dans les données d’entrée pour la prise de décision.

FORMAT

Une présentation sera faite par le porteur (45-60 min) suivie par une table ronde / discussion

PREREQUIS

Intérêt pour les réseaux de neurones

PAD COLLABORATIF

https://etherpad.in2p3.fr/p/JDEV2017.T7.GT05

Vous pouvez vous servir de ce pad collaboratif pour y inscrire vos commentaires, un résumé / restitution en sera fait qui sera inclus dans le compte rendu du GT.

  • Préalablement au jour J: L'idée est de faire remonter les attentes et les questionnements.
  • Jour J: Prendre des notes et des réflexions collaborativement.

Attention, les PADs sont détruits après quelques semaines d'inactivité.

DOCUMENTS/RESS0URCES

 
jdev2017/t7.gt05.txt · Dernière modification: 2017/06/19 17:49 par etienne.gondet@get.obs-mip.fr
 
Recent changes RSS feed Powered by PHP Powered by Pxxo Driven by DokuWiki