François Chung, Ph.D.

Tag: classification d’images

AWS: fondations et apprentissage automatique

AWS: fondations et apprentissage automatique

|

Formation AWS, MOOC (2020). Ces cours en ligne offrent une compréhension globale du cloud AWS, avec un aperçu des concepts, des services, de la sécurité, de l'architecture, de la tarification et du support cloud. Des cours spécifiques destinés aux partenaires AWS enseignent les meilleures pratiques pour répondre aux priorités commerciales des clients. L'apprentissage automatique (ML) est également couvert par le programme utilisé par Amazon pour former ses développeurs et data scientists.

AWS Cloud Practitioner Essentials

Sujets principaux:

  • Services de base d’AWS;
  • Services intégrés d’AWS;
  • Architecture d’AWS;
  • Sécurité d’AWS;
  • Prix et assistance.

Solutions partenaires AWS: Fondations commerciales

Sujets principaux:

  • Développer son entreprise avec AWS;
  • Ce qui compte pour les clients d’AWS;
  • Sécurité, identité et conformité;
  • Prix et licences;
  • Migration et adoption du cloud;
  • Gestion des opportunités.

Solutions partenaires AWS: Fondations techniques

Sujets principaux:

  • Architectes de solutions AWS;
  • Concepts architecturaux d'AWS;
  • Blocs de construction;
  • Well-Architected Framework d'AWS;
  • Conception d'une solution AWS;
  • Engager les clients et concevoir des solutions.

AWS Machine Learning: Décideur

Sujets principaux:

  • Démystifier AI/ML/DL;
  • Apprentissage automatique pour les défis commerciaux;
  • Terminologie de l'apprentissage automatique;
  • Exploration de la boîte à outils ML.

AWS Machine Learning: Data scientist

Sujets principaux:

  • Math pour l'apprentissage automatique;
  • Régression linéaire et logistique;
  • Eléments de la science des données;
  • Décisions d'apprentissage automatique.

Références

Formation

AWS Business Professional (Solutions partenaires AWS: Fondations commerciales, certificat de cours)
AWS Technical Professional (Solutions partenaires AWS: Fondations techniques, certificat de cours)

Articles associés

Apprentissage profond et TensorFlow (formation Cognitive Class)
Google Cloud: big data et apprentissage automatique (formation Coursera)
Azure: fondamentaux, apprentissage automatique et Power BI (formation Microsoft Docs)
Spécialisation en science des données (formation Coursera)
Réseaux de neurones et apprentissage profond (formation Coursera)

En savoir plus

AWS Cloud Practitioner Essentials
AWS Partner Solutions (Solutions partenaires AWS)
AWS Machine Learning: Decision maker (AWS Machine Learning: Décideur)
AWS Machine Learning: Data scientist

EUE 2017 - Livre

EUE 2017 – Livre

|

Publication

François Chung, Tomás Rodríguez; Multi-focal Image Segmentation, Classification and Authentication: A General Framework applied on Microscope Pollen Images; Éditions universitaires européennes (EUE), Saarbrücken, 2017; ISBN: 978-3841677907.

Abstract

In this book, we propose a general framework for multi-focal image segmentation, classification and authentication, the methodology being demonstrated on microscope pollen images. The framework is meant to be generic and based on a brute force-like approach aimed to be efficient not only on any kind, and any number, of pollen images (regardless of the pollen type), but also on any kind of multi-focal images. All stages of the framework are designed to be used in an automatic fashion. First, the optimal focus is selected using the absolute gradient method. Then, pollen grains are extracted from microscope images, followed by the automatic segmentation of their exine. A coarse-to-fine approach ensures a smooth and accurate segmentation of both structures. Finally, feature extraction and selection are performed on pollen grains using a generalized approach and the pollen classification is tested with four classifiers: Weighted Neighbor Distance, Neural Network, Decision Tree and Random Forest. The latter method, which has shown the best and more robust classification accuracy results (above 97% for any number of pollen types), is finally used for a final authentication stage.

Références

Publication

Amazon (livre)
MoreBooks (livre)
Référence bibliographique (BibTeX)

Article associé

APIFRESH (projet Inspiralia)

En savoir plus

EUE – Éditions universitaires européennes

APIFRESH

APIFRESH

|

Projet Inspiralia @Madrid, Espagne (2013). La compétitivité du secteur apicole européen est en plein déclin suite à la réduction de la production due à une diminution du nombre d'abeilles. En outre, les produits provenants de pays où les normes de qualité sont moindres gagnent des parts de marché en Europe grâce à une concurrence déloyale. A cela s'ajoute une absence de normes au niveau européen pour certains produits apicoles tels que le pollen et la gelée royale.

Concrètement, cela signifie qu'il est possible de trouver sur le marché des produits étiquetés comme tel sans aucun contrôle de qualité et d'authenticité. Peu de pays en Europe ont des recommandations ou des normes régionales pour des produits autres que le miel, ce qui a pour conséquence un manque de standardisation au niveau européen.

Par conséquent, les objectifs du projet APIFRESH sont triples:

  • définir des normes européennes pour le pollen d'abeille et la gelée royale;
  • établir des critères de santé pertinents pour le pollen et la gelée royale;
  • déterminer l'authenticité du pollen et du miel.

Les partenaires de ce projet sont:

  • Balparmak (TR);
  • Campomiel (ES);
  • Centro Agrario de Marchamalo (ES);
  • CTC - Centro Tecnológico Nacional de la Conserva y Alimentación (ES);
  • EPBA - European Professional Beekeepers Association (EU);
  • FNAP - Federação Nacional dos Apicultores de Portugal (PT);
  • Inspiralia (ES);
  • OMME - Országos Magyar Méhészeti Egyesület (HU);
  • Parco Tecnologico Padano (IT);
  • TÜBITAK-MAM - Türkiye Bilimsel ve Teknolojik Araştırma Kurumu-Marmara Araştırma Merkezi (TR).

Dans ce projet, mon travail consiste à développer un logiciel pour la classification et l'authentification du pollen d'abeille. Premièrement, les boules de pollen d'abeille sont photographiées et séparées par type de pollen en utilisant une classification basée sur la couleur. Ensuite, un microscope est utilisé pour capturer une image précise des grains de pollen à partir de laquelle des caractéristiques discriminantes sont extraites afin d'identifier l'origine du pollen, et ce, en considérant le grain de pollen comme appartenant à un type connu (classification) ou à un type inconnu (authentification).

Références

Articles associés

EUE 2017 (livre)
COMPAG 2015 (article de revue scientifique)
Micron 2015 (article de revue scientifique)
Inspiralia 2013 (rapport technique)
Inspiralia 2012 (rapport technique)

En savoir plus

APIFRESH
Inspiralia

Inspiralia 2013 - Rapport technique

Inspiralia 2013 – Rapport technique

|

Publication

François Chung, Tomás Rodríguez; A general framework for multi-focal image classification and authentication: Application to microscope pollen images; Inspiralia, Madrid, 2013.

Abstract

In this article, we propose a general framework for multi-focal image classification and authentication, the methodology being demonstrated on microscope pollen images. The framework is meant to be generic and based on a brute force-like approach aimed to be efficient not only on any kind, and any number, of pollen images (regardless of the pollen type), but also on any kind of multi-focal images. All stages of the framework's pipeline are designed to be used in an automatic fashion. First, the optimal focus is selected using the absolute gradient method. Then, pollen grains are extracted using a coarse-to-fine approach involving both clustering and morphological techniques (coarse stage), and a snake-based segmentation (fine stage). Finally, features are extracted and selected using a generalized approach, and their classification is tested with four classifiers: Weighted Neighbor Distance, Neural Network, Decision Tree and Random Forest. The latter method, which has shown the best and more robust classification accuracy results (above 97% for any number of pollen types), is finally used for the authentication stage.

Mots-clés

  • generalized feature extraction
  • image classification
  • microscope images
  • optimal focus selection
  • pollen authentication
  • Random Forest
  • snake-based segmentation
  • supervised clustering

Références

Publication

Version publiée (arXiv)
Version publiée (PDF)
Référence bibliographique (BibTeX)

Related articles

APIFRESH (projet Inspiralia)
EUE 2017 (livre)
Inspiralia 2012 (rapport technique)

En savoir plus

Inspiralia

Langues

Articles récents

Catégories

Actualités

Les récentes & Les populaires

Recherche