L’estimation de pose humaine décrit où sont les articulations d’une personne, tandis que la reconnaissance d’une personne cherche plutôt à déterminer qui elle est ou à la distinguer.
Quantifier ou compresser un réseau neuronal embarqué réduit mémoire, temps de calcul ou énergie, au prix possible d’une perte de précision.
Valider une architecture neuronale avant son déploiement robotique exige des données indépendantes, des essais sur matériel réel, des perturbations et un comportement défini en cas de doute.
Surveiller la confiance d’un réseau neuronal robotique consiste à suivre ses scores, ses refus, ses erreurs connues et la qualité des entrées avant d’autoriser une action.
Une architecture neuronale est la manière dont les couches d’un réseau transforment les données d’un robot en représentation ou en prédiction.
La détection profonde localise plusieurs objets avec leurs positions, tandis que la classification attribue une catégorie à une image ou à une région déjà isolée.
L’estimation de pose humaine est sensible au contexte car éclairage, vêtements, occlusions, posture, angle de caméra et nombre de personnes changent les points visibles.
La régularisation aide un réseau de neurones robotique à généraliser en pénalisant des réglages trop complexes ou une mémorisation excessive des exemples d’entraînement.
L’entraînement neuronal modifie progressivement les paramètres d’un modèle en comparant ses prédictions aux réponses attendues et en réduisant l’erreur sur les exemples.
Les réseaux convolutionnels sont utilisés en vision robotique car ils apprennent des motifs locaux comme contours, textures et formes en les combinant progressivement.