Green Function and Electromagnetic Potential for Computer Vision and Convolutional Neural Network Applications

externe v noyaux développés trouvent la solution la plus rapprochée possible d'un résultat, et ce en étant au moins 3.2 fois plus rapide que toute autre méthode de la littérature.Ainsi, en utilisant notre solveur de gradient, nous avons développé la première méthode qui permet de combiner directement des matrices de contours avec des matrices de salience.L'amélioration des matrices de salience est en moyenne 6.6 fois supérieure au plus proche compétiteur sur des bases de données sélectionnées.Ensuite, pour améliorer notre algorithme de salience, nous avons développé le modèle DSS-GIS qui combine les contours et à la salience directement à l'intérieur d'un CNN profond.Cette combinaison a permis d'améliorer la performance du CNN, de réduire le surapprentissage et de réduire le temps d'apprentissage, pour une augmentation de seulement 10% du temps d'exécution.En plus, la couche GIS a permis d'améliorer les performances du F-measure de 3.9% dans le cas d'images bruitées et de 2.3% dans le cas d'images à faible luminosité.Finalement, nous avons développé un premier prototype qui permet d'utiliser les GF à différentes profondeurs dans un réseau de classification de chiffres.Ce prototype fonctionne en transformant le champ vectoriel de caractéristiques en un champ conservatif.Les premiers résultats sont prometteurs, car ils montrent une réduction du temps d'entrainement d'un facteur 5.2, une réduction du bruit dans les courbes d'apprentissage et une réduction de 28% de l'erreur de classification.La principale retombée scientifique de la présente thèse est la création d'une nouvelle catégorie d'opérations pouvant être utilisés dans les CNNs.Ces opérations basées sur les GF permettent aux CNN de combiner l'information du domaine de l'image avec l'information du domaine du gradient, ce qui diffèrent entièrement des autres catégories d'opérations, soit les noyaux de convolutions, la réduction de taille (pooling) et les fonctions d'activations.Les GF permettent au CNN d'avoir un champ réceptif illimité, et ce à tout emplacement dans le réseau.De plus, ils permettent de convertir en un champ conservatif tout champ d'informations contenus dans les CNN.Enfin, dans le but d'étendre la portée du travail, ces opérations ont été codées dans différents langages, soit Matlab, C++ (OpenCV) et Python (Tensorflow et Pytorch).vi

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.