Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
20 résultats
La détection profonde utilise un réseau appris pour localiser objets ou événements dans des données et produire boîtes, masques, classes ou scores avec une inférence numérique.
La détection profonde apprend des caractéristiques à partir de données ; une détection fondée sur des règles applique des seuils, formes ou modèles conçus explicitement, avec des compromis différents de généralisation et d’explicabilité.
Réduire la latence d’une détection profonde embarquée consiste à choisir modèle et résolution adaptés, optimiser prétraitement et inférence, limiter copies et mesurer toute la chaîne sur le matériel cible.
La perception profonde apprend des représentations à partir de données, tandis que le traitement d’image classique applique des opérations conçues explicitement, comme seuils, contours ou géométrie. Les deux peuvent être combinés.
On réduit la latence d’une perception profonde embarquée en mesurant chaque étape, en optimisant modèle et prétraitement, en choisissant un matériel adapté et en limitant la résolution sans perdre les garanties utiles.
Un changement de domaine se détecte lorsque distribution des entrées, qualité, confiance, résidus ou résultats s’écartent des conditions de validation. Le système limite alors la mission ou demande une vérification.
Les tests de robustesse vérifient qu’une perception profonde conserve un comportement acceptable face au bruit, aux changements de scène, aux occultations, aux capteurs défaillants et aux cas inconnus.
La perception profonde utilise des réseaux appris sur des données pour extraire représentations et prédictions à partir de capteurs, souvent avec plusieurs niveaux de caractéristiques adaptés à une scène robotique.
Une estimation de pose humaine destinée à un robot collaboratif se teste sur personnes, postures, vêtements, éclairages, occultations et vitesses variés, avec métriques de détection, latence, incertitude et réaction sûre.
Le robot peut utiliser une séquence de poses humaines pour estimer direction, vitesse et intention immédiate, puis ralentir ou modifier sa trajectoire. Cette anticipation reste bornée et réversible.
L’estimation de pose humaine détecte des articulations et leur géométrie dans les images ou capteurs afin de décrire posture, mouvement et incertitude d’une personne autour du robot.
On choisit une architecture de segmentation profonde selon le détail nécessaire, la taille des images, la latence, la mémoire, les classes et la capacité de calcul embarquée.
Une question plus précise ?