Catalogue des Mémoires de master
Résultat de la recherche
2 recherche sur le tag
'capsule endoscopique' 




Titre : Classification des images endoscopiques par Deep Learning Type de document : texte imprimé Auteurs : Abderrahmane Salmi, Auteur ; F. Soltani, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2017 Importance : 67 f. Format : 30 cm. Note générale : Une copie électronique PDF disponible en BUC. Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : classification apprentissage profond capsule endoscopique tube digestif Framework Tensorflow images endoscopiques Index. décimale : 610 Electronique Résumé : Le but de notre travail est de réaliser un algorithme de classification des images produites par les capsules endoscopiques, en utilisant l’apprentissage profond. L’apprentissage profond est un ensemble de méthodes d'apprentissage artificiel qui permettent de modéliser les données avec un grand nombre de couches. Ceci va permettre d’identifier automatiquement les différentes parties du tube digestif (estomac, colon intestin …). Dans notre travail, nous avons utilisé le Framework Tensorflow de Google. Nous avons testé deux réseaux neurones convolutifs : notre propre modèle et un modèle par réentrainement d’inception-V3. Enfin, nous avons effectué des tests de classification sur les images endoscopiques Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=8485 Classification des images endoscopiques par Deep Learning [texte imprimé] / Abderrahmane Salmi, Auteur ; F. Soltani, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2017 . - 67 f. ; 30 cm.
Une copie électronique PDF disponible en BUC.
Langues : Français (fre)
Catégories : Sciences de la technologie:Electronique Tags : classification apprentissage profond capsule endoscopique tube digestif Framework Tensorflow images endoscopiques Index. décimale : 610 Electronique Résumé : Le but de notre travail est de réaliser un algorithme de classification des images produites par les capsules endoscopiques, en utilisant l’apprentissage profond. L’apprentissage profond est un ensemble de méthodes d'apprentissage artificiel qui permettent de modéliser les données avec un grand nombre de couches. Ceci va permettre d’identifier automatiquement les différentes parties du tube digestif (estomac, colon intestin …). Dans notre travail, nous avons utilisé le Framework Tensorflow de Google. Nous avons testé deux réseaux neurones convolutifs : notre propre modèle et un modèle par réentrainement d’inception-V3. Enfin, nous avons effectué des tests de classification sur les images endoscopiques Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=8485 Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MSELE170036 MSELE170036 Document électronique Bibliothèque principale Mémoires Disponible Documents numériques
![]()
texte integreAdobe Acrobat PDFAmélioration des images par Super Résolution en utilisant le Deep Learning / Sami Hadj Moussa Daoud
![]()
Titre : Amélioration des images par Super Résolution en utilisant le Deep Learning Type de document : texte imprimé Auteurs : Sami Hadj Moussa Daoud, Auteur ; mehdi Ghazi, Auteur ; Said Benierbah, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2018 Importance : 68 f. Format : 30 cm. Note générale : Une copie electronique PDF disponible au BUC. Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : super résolution apprentissage profond machine learning capsule endoscopique réseau de neurones CNN SRCNN systeme digestif tensorflow classification reconnaissance dse lésions. Index. décimale : 610 Electronique Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=10360 Amélioration des images par Super Résolution en utilisant le Deep Learning [texte imprimé] / Sami Hadj Moussa Daoud, Auteur ; mehdi Ghazi, Auteur ; Said Benierbah, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2018 . - 68 f. ; 30 cm.
Une copie electronique PDF disponible au BUC.
Langues : Français (fre)
Catégories : Sciences de la technologie:Electronique Tags : super résolution apprentissage profond machine learning capsule endoscopique réseau de neurones CNN SRCNN systeme digestif tensorflow classification reconnaissance dse lésions. Index. décimale : 610 Electronique Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=10360 Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MSELE180025 MSELE180025 Document électronique Bibliothèque principale Mémoires Disponible Documents numériques
![]()
texte integréAdobe Acrobat PDF