Cours/Séminaire
Notice
Langue :
Français
Crédits
Julien Clauzel (Intervention)
Conditions d'utilisation
Droit commun de la propriété intellectuelle
DOI : 10.60527/fpsf-6m16
Citer cette ressource :
Julien Clauzel. RTmfm. (2020, 24 novembre). Deep learning pour la segmentation au cours du temps des images en lumière transmise. [Vidéo]. Canal-U. https://doi.org/10.60527/fpsf-6m16. (Consultée le 27 juillet 2024)

Deep learning pour la segmentation au cours du temps des images en lumière transmise

Réalisation : 24 novembre 2020 - Mise en ligne : 18 juin 2021
  • document 1 document 2 document 3
  • niveau 1 niveau 2 niveau 3
Thème
Documentation

Modèle U-Net :

- Une forme simple et efficace du modèle: https://github.com/zhixuhao/unet/blob...

- Les couches profondes (conv4, conv5, conv6), ainsi que tous les neurones de chaque couche ne sont pas forcément nécessaires, ça dépend de la complexité du problème.

- [Ronneberger et al. 2015 arXiv] https://arxiv.org/abs/1505.04597

- [Falk et al. 2019 Nature methods] https://www.nature.com/articles/s4159...

 

Outils :

- ZeroCostDL4Mic : https://github.com/HenriquesLab/ZeroC...

- Données prises sur CellTrackingChallenge : http://celltrackingchallenge.net/

- Google colab : https://colab.research.google.com/

- Matlab : https://fr.mathworks.com/products/dee...

- DeepImageJ: https://deepimagej.github.io/deepimagej/

- Bioimage.io (en cours de développement) : https://bioimage.io/

 

Carte graphique :

- Benchmark GPU, sans la dernière gamme GeForce RTX : http://ai-benchmark.com/ranking_deepl...

- Comparaison Tesla V100 – GeForce RTX 3090 : https://bizon-tech.com/gpu-benchmarks...

Sur le même thème