Cette semaine, vous aurez un aperçu de quelques modèles populaires de détection d'objets, tels que regional-CNN et ResNet-50. Vous utiliserez des modèles de détection d'objets que vous récupérerez sur TensorFlow Hub, vous téléchargerez vos propres modèles et les configurerez pour l'entraînement, et vous construirez également vos propres modèles de détection d'objets. En utilisant l'apprentissage par transfert, vous formerez un modèle pour détecter et localiser les canards en caoutchouc en utilisant seulement cinq exemples de formation. Vous pourrez également étiqueter manuellement vos propres images de canards en caoutchouc !

Cette semaine est consacrée à la segmentation d'images à l'aide de variantes du réseau neuronal entièrement convolutif. Ces réseaux vous permettent d'attribuer des étiquettes de classe à chaque pixel et d'effectuer une identification beaucoup plus détaillée des objets que les boîtes englobantes. Cette semaine, vous construirez le réseau neuronal entièrement convolutif, le U-Net et le R-CNN du masque pour identifier et détecter des chiffres, des animaux domestiques et même des zombies !

Cette semaine, vous découvrirez l'importance de l'interprétabilité des modèles, c'est-à-dire la compréhension de la manière dont votre modèle prend ses décisions. Vous mettrez également en œuvre des cartes d'activation de classe, des cartes de saillance et des cartes d'activation de classe pondérées par le gradient afin d'identifier les parties d'une image utilisées par votre modèle pour faire ses prédictions. Vous verrez également un exemple de la façon dont la visualisation des activations des couches intermédiaires d'un modèle peut aider à améliorer la conception d'un célèbre réseau, AlexNet.