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.
Un entraînement se surveille par pertes, métriques par classe, validation, stabilité numérique, temps de calcul et écarts entre données d’apprentissage et terrain. Les dérives sont examinées avant de retenir un modèle.
Le surapprentissage mémorise trop les données d’entraînement et généralise mal ; le sous-apprentissage ne capture pas suffisamment la relation utile, même sur l’entraînement. Les courbes d’erreur et les tests représentatifs les distinguent.
Une mise à jour de modèle versionne données et paramètres, compare performances et risques, teste compatibilité puis déploie progressivement avec un retour arrière possible.
L’entraînement neuronal ajuste les paramètres d’un réseau à partir de données et d’une fonction de perte afin d’améliorer une prédiction utile à la perception, à la décision ou à la commande d’un robot.
Le taux d’apprentissage fixe la taille des mises à jour : trop faible, l’entraînement progresse lentement ; trop élevé, il oscille, diverge ou dépasse les bonnes régions. Il se choisit sur validation.
La descente par lot calcule un gradient sur toutes les données avant chaque mise à jour ; la descente par mini-lots utilise des sous-ensembles, offrant un compromis entre stabilité, mémoire et fréquence des mises…
Une divergence se repère par perte qui augmente ou devient non finie, gradients qui explosent, paramètres instables et métriques de validation qui se dégradent. L’entraînement est alors arrêté ou ramené à un état connu.
La descente de gradient ajuste les paramètres d’un modèle dans la direction qui réduit une fonction de perte, à partir du gradient calculé sur des données d’apprentissage.