[ИАД, осень 2025] Методы глубокого обучения. Семинар 6: Object Detection

Item: [ИАД, осень 2025] Методы глубокого обучения. Семинар 6: Object Detection
Rating: 4
Author: PostSingularity Institute

par Machine Learning – Intelligent Systems

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQVVision assistée par ordinateur

🎙 Machine Learning – Intelligent Systems 👥 8K 📅 14 octobre 2025 ⏱ 59 min 👁 105 📄 cours magistral 🧭 2026-08-16

Disponible en : Français (actuel) English

Mots-clés

détection d'objetsmAPIoUR-CNNSelective Search

Résumé

Ce séminaire, dispensé en russe, introduit la tâche de détection d’objets en vision par ordinateur. L’enseignant commence par motiver l’importance de la détection par rapport à la classification, en soulignant les applications réelles comme la vidéosurveillance ou les caméras de vitesse. Il détaille ensuite la représentation des données : pour chaque objet, une boîte englobante (bounding box) définie par deux points (coin supérieur gauche, coin inférieur droit) et une classe. La métrique principale, l’IoU (Intersection over Union), est expliquée comme le rapport entre l’intersection et l’union de la boîte prédite et de la boîte réelle. La métrique mAP (mean Average Precision) est ensuite présentée en détail : calcul de la précision et du rappel pour chaque classe, construction de la courbe Precision-Recall, puis calcul de l’aire sous la courbe (AP) et moyenne sur toutes les classes. L’enseignant illustre le calcul avec un exemple numérique. Enfin, il aborde l’architecture historique R-CNN : génération de régions d’intérêt via Selective Search, extraction de caractéristiques avec AlexNet, classification par SVM, régression pour affiner les boîtes, et suppression non maximale (NMS) pour éliminer les doublons. La présentation est claire et pédagogique, mais reste introductive et ne couvre pas les architectures plus récentes comme Fast R-CNN ou YOLO en détail.

204 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public débutant en deep learning : les concepts fondamentaux sont expliqués de manière intuitive et progressive. L’argumentation est solide, s’appuyant sur des exemples concrets et des schémas (bien que non visibles dans la transcription). L’enseignant prend soin de justifier chaque étape, par exemple pourquoi on utilise une carte de caractéristiques spatiales pour la régression des boîtes. La démonstration du calcul de mAP est particulièrement pédagogique. Cependant, l’absence de références à des travaux originaux ou à des benchmarks précis limite la portée scientifique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte pour un cours : les concepts sont présentés sans erreur majeure, mais sans non plus citer de sources précises. La qualité des sources est donc moyenne, car aucune référence n’est mentionnée. L’adéquation titre/contenu est parfaite : le séminaire traite exactement du sujet annoncé. Aucun commentaire n’étant fourni, il n’est pas possible d’analyser les tendances du public.

166 mots

Adéquation titre / contenu

Le titre correspond au contenu : il s'agit bien du séminaire 6 sur la détection d'objets dans le cadre du cours de méthodes d'apprentissage profond.

Qualité & fiabilité

8/10

Exposé pédagogique structuré, explications détaillées des concepts fondamentaux (IoU, mAP, architectures R-CNN) avec exemples concrets. Approche didactique mais sans démonstration formelle ni validation expérimentale.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

Ce séminaire apporte une explication claire et progressive des concepts fondamentaux de la détection d’objets, en particulier le calcul détaillé de la métrique mAP, souvent mal comprise. Il met l’accent sur l’architecture historique R-CNN, ce qui permet de comprendre l’évolution des méthodes. L’originalité réside dans la pédagogie : l’enseignant prend le temps de détailler chaque étape avec des exemples numériques.

Pour aller plus loin :

R-CNN (article original) — Article fondateur de l’architecture R-CNN.
Selective Search — Publication décrivant l’algorithme de recherche sélective.
mAP (Mean Average Precision) — Page Wikipédia expliquant la métrique mAP.
YOLO (You Only Look Once) — Article présentant une architecture de détection en temps réel.
Non-Maximum Suppression — Article explicatif sur la suppression non maximale.

119 mots

Profil radar

Le profil radar montre une bonne qualité d'information et une fiabilité correcte, mais un niveau technique modéré et une quantité d'information limitée. Cela correspond à un cours introductif qui privilégie la clarté à la profondeur.

Fiabilité 8/10