Modules d’Intelligence Artificielle de IPSDK Explorer pour la Classification d’objets

En complément des solutions traditionnelles d’analyse et de traitement d’images, IPSDK propose également des solutions d’intelligence artificielle (IA).

IPSDK propose deux modules innovants et révolutionnaires basés sur des techniques d’apprentissage automatique : Smart Segmentation et Smart Classification. Bien que technologiquement très avancés, ces nouveaux outils ont été conçus pour être facilement utilisés par tous les utilisateurs d’IPSDK, même les novices.

IPSDK offre la possibilité de générer des modèles d’apprentissage dans l’interface graphique IPSDK Explorer, à l’aide d’outils interactifs faciles à utiliser. Ces modèles peuvent ensuite être utilisés dans l’interface ou dans des scripts pour traiter très rapidement de grandes quantités d’images.

Machine Learning Smart Classification : En bref…

  •  Outil d’apprentissage à la fois innovant et révolutionnaire 
  • Rapide et convivial
  •  Visualisation immédiate des résultats de l’apprentissage
  • Smart Classification : classification d’objets
  • Algorithme de Random Forest
  • Utilisable en 2D mais aussi en 3D

SMART Classification : Classification d’objects

Elle intervient afin de classer automatiquement des objets segmentés.

Une fois que l’utilisateur a complété l’étape d’apprentissage rapide et conviviale pour classifier certains labels ou objets, l’outil de Machine Learning peut ensuite établir rapidement et automatiquement les règles de classification des objets dans une série d’images, en utilisant des mesures discriminantes

ReactivIPDeep Learning Smart Classification

Comment utiliser la SMART Classification dans IPSDK Explorer ?

Présentation du module disponible dans le logiciel IPSDK.

Dans cette vidéo, vous découvrirez comment construire un modèle à l’aide de l’outil interactif d’apprentissage afin d’automatiser simplement la classification des objets labellisés.

Pour ce faire, l’algorithme utilise notamment des techniques de Random Forest dans le but d’identifier les mesures discriminantes en fonction de l’apprentissage proposé par l’utilisateur