Contour actif: Faire progresser la vision par ordinateur grâce aux techniques de contour actif
Par Fouad Sabry
()
À propos de ce livre électronique
Qu'est-ce qu'Active Contour
Le modèle de contour actif, souvent appelé serpents, est un cadre dans le domaine de la vision par ordinateur initialement introduit par Michael Kass. , Andrew Witkin et Demetri Terzopoulos. Son objectif est de délimiter un objet à partir d'une image bidimensionnelle pouvant contenir du bruit. Le suivi d'objets, la reconnaissance de formes, la segmentation, la détection de contours et la correspondance stéréo ne sont que quelques-unes des applications qui utilisent largement les serpents. Le modèle des serpents est de plus en plus populaire dans le domaine de la vision par ordinateur.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Modèle de contour actif
Chapitre 2 : Théorème de Stokes généralisé
Chapitre 3 : Flux potentiel
Chapitre 4 : Del
Chapitre 5 : Multiplicateur de Lagrange
Chapitre 6 : Calcul des variations
Chapitre 7 : Opérateur de Laplace
Chapitre 8 : Fonction de Green
Chapitre 9 : Dérivée covariante
Chapitre 10 : Calcul tensoriel
(II) Répondre aux principales questions du public sur le contour actif.
( III) Exemples concrets d'utilisation du contour actif dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'Active Contour.
En savoir plus sur Fouad Sabry
Technologies Émergentes dans les Choses Autonomes [French]
Lié à Contour actif
Titres dans cette série (100)
Histogramme d'image: Dévoilement d'informations visuelles, exploration des profondeurs des histogrammes d'images en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationBanque de filtres: Aperçu des techniques de banque de filtres de Computer Vision Évaluation : 0 sur 5 étoiles0 évaluationPeinture: Combler les lacunes de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationFonction de correspondance des couleurs: Comprendre la sensibilité spectrale en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRétinex: Dévoiler les secrets de la vision informatique avec Retinex Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur: Explorer les profondeurs de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur sous-marine: Explorer les profondeurs de la vision par ordinateur sous les vagues Évaluation : 0 sur 5 étoiles0 évaluationVision stéréo par ordinateur: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationSystème de gestion des couleurs: Optimiser la perception visuelle dans les environnements numériques Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationÉgalisation d'histogramme: Amélioration du contraste de l'image pour une perception visuelle améliorée Évaluation : 0 sur 5 étoiles0 évaluationRéduction de bruit: Amélioration de la clarté et techniques avancées de réduction du bruit en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationGroupe mixte d'experts en photographie: Libérer la puissance des données visuelles avec la norme JPEG Évaluation : 0 sur 5 étoiles0 évaluationCartographie des tons: Cartographie des tons : perspectives éclairantes en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationCorrection gamma: Améliorer la clarté visuelle en vision par ordinateur : la technique de correction gamma Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationMéthode d'ensemble de niveaux: Faire progresser la vision par ordinateur, explorer la méthode de jeu de niveaux Évaluation : 0 sur 5 étoiles0 évaluationFiltre adaptatif: Améliorer la vision par ordinateur grâce au filtrage adaptatif Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationPerception visuelle: Aperçu du traitement visuel informatique Évaluation : 0 sur 5 étoiles0 évaluationModèle du système visuel humain: Comprendre la perception et le traitement Évaluation : 0 sur 5 étoiles0 évaluationCompression d'images: Techniques efficaces pour l'optimisation des données visuelles Évaluation : 0 sur 5 étoiles0 évaluationEspace colorimétrique: Explorer le spectre de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationProfil de couleur: Explorer la perception et l'analyse visuelles en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle d'apparence de couleur: Comprendre la perception et la représentation en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation Hadamard: Dévoilement de la puissance de la transformation Hadamard en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMoindres carrés: Techniques d'optimisation pour la vision par ordinateur : méthodes des moindres carrés Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluation
Livres électroniques liés
Détection des bords: Explorer les limites de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationChamp de mouvement: Explorer la dynamique de la vision par ordinateur : le champ de mouvement dévoilé Évaluation : 0 sur 5 étoiles0 évaluationDétecteur de bord Canny: Dévoiler l'art de la perception visuelle Évaluation : 0 sur 5 étoiles0 évaluationMatrice fondamentale de la vision par ordinateur: S'il vous plaît, suggérez un sous-titre pour un livre intitulé « Matrice fondamentale de la vision par ordinateur » dans le domaine de la « Vision par ordinateur ». Le sous-titre suggéré ne doit pas contenir de ':'. Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluationEstimation de la pose du corps articulé: Déverrouiller le mouvement humain dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTraitement d'image pyramidale: Explorer les profondeurs de l'analyse visuelle Évaluation : 0 sur 5 étoiles0 évaluationInfographie du sommet: Explorer l'intersection de l'infographie Vertex et de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationSurface procédurale: Explorer la génération et l'analyse de textures en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationSegmentation d'images: Libérer des informations grâce à Pixel Precision Évaluation : 0 sur 5 étoiles0 évaluationModèle d'apparence active: Libérer la puissance des modèles d’apparence active dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMéthode d'ensemble de niveaux: Faire progresser la vision par ordinateur, explorer la méthode de jeu de niveaux Évaluation : 0 sur 5 étoiles0 évaluationModèle de réflexion Phong: Comprendre les interactions de la lumière dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision stéréo par ordinateur: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationFlux optique: Explorer les modèles visuels dynamiques en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDétection de gouttes: Dévoiler des modèles dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationHistogramme des dégradés orientés: Dévoilement du domaine visuel : exploration de l'histogramme des dégradés orientés en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationCoupes de graphiques de vision par ordinateur: Explorer les coupes graphiques en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVoir la synthèse: Explorer les perspectives de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationOmbres: Explorer l'ombrage d'image dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationApprentissage des caractéristiques géométriques: Libérer des informations visuelles grâce à l'apprentissage des caractéristiques géométriques Évaluation : 0 sur 5 étoiles0 évaluationRendu volumique: Explorer le réalisme visuel dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationReconstruction tridimensionnelle multi-vues: Techniques avancées de perception spatiale en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationDétecteur de coin Harris: Dévoiler la magie de la détection des caractéristiques de l'image Évaluation : 0 sur 5 étoiles0 évaluationGraphiques de lancer de rayons: Explorer le rendu photoréaliste en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationClassification contextuelle des images: Comprendre les données visuelles pour une classification efficace Évaluation : 0 sur 5 étoiles0 évaluationAlgorithme de dessin de ligne: Maîtriser les techniques de rendu d’images de précision Évaluation : 0 sur 5 étoiles0 évaluationEspace à l'échelle: Explorer les dimensions en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluation
Intelligence (IA) et sémantique pour vous
Le guide du hacker : le guide simplifié du débutant pour apprendre les bases du hacking avec Kali Linux Évaluation : 5 sur 5 étoiles5/5Résumé Chatgpt ia Revolution in 2023: Guide de la Technologie Chatgpt et de son Impact Social Évaluation : 0 sur 5 étoiles0 évaluationComment Réussir sur Facebook en utilisant ChatGPT: Le pouvoir de ChatGPT : découvrez comment il peut transformer votre stratégie sur Facebook Évaluation : 0 sur 5 étoiles0 évaluationLimites, dangers et menaces de l'Intelligence Artificielle: Un outil sans maîtrises Évaluation : 0 sur 5 étoiles0 évaluationMaîtriser ChatGPT : Libérez la puissance de l'IA pour améliorer la communication et les relations: French Évaluation : 0 sur 5 étoiles0 évaluationMaîtrisez ChatGPT : Du débutant à l'expert - Guide pratique pour exploiter la puissance de l'IA conversationnelle Évaluation : 0 sur 5 étoiles0 évaluationChat GPT : Comment ça fonctionne et comment gagner avec l'utilisation de la technologie d'Intelligence Artificielle Évaluation : 0 sur 5 étoiles0 évaluationL'art de la création d'images avec l'IA : Techniques, applications et défis éthiques Évaluation : 0 sur 5 étoiles0 évaluationIA dans les Affaires: Guide Pratique de l'Utilisation de l'Intelligence Artificielle dans Divers Secteurs Évaluation : 0 sur 5 étoiles0 évaluationAI Limits, Dangers and Threats: A tool without Mastery Évaluation : 0 sur 5 étoiles0 évaluationL’Empathie au Cœur de l’Intelligence Artificielle, Comment insérer de l’empathie dans les affaires et l’intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationMonétisation ChatGPT : Exploitez la Puissance de l'IA: ChatGPT Évaluation : 0 sur 5 étoiles0 évaluationL'intelligence mixte, vers une nouvelle forme d'intelligence Évaluation : 0 sur 5 étoiles0 évaluationLa prophétie des anciens: Roman dystopique Évaluation : 0 sur 5 étoiles0 évaluationOsons l'IA à l'école: Préparons nos jeunes à la révolution de l'intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationIntelligence artificielle: la quatrième révolution industrielle Évaluation : 0 sur 5 étoiles0 évaluationTravailler dans le Big Data - les 6 métiers vers lesquels s'orienter Évaluation : 5 sur 5 étoiles5/5Histoire et évolution de l'Intelligence Artificielle Évaluation : 5 sur 5 étoiles5/5
Avis sur Contour actif
0 notation0 avis
Aperçu du livre
Contour actif - Fouad Sabry
Contour actif
Faire progresser la vision par ordinateur avec des techniques de contour actif
Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.
Un milliard de connaissances
Contour actif
Faire progresser la vision par ordinateur avec des techniques de contour actif
Fouad Sabry
Copyright
Contour © actif 2024 par Fouad Sabry. Tous droits réservés.
Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.
Couverture dessinée par Fouad Sabry.
Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.
Table des matières
Chapitre 1 : Modèle de contour actif
Chapitre 2 : Théorème de Stokes généralisé
Chapitre 3 : Écoulement potentiel
Chapitre 4 : Del
Chapitre 5 : Multiplicateur de Lagrange
Chapitre 6 : Calcul des variations
Chapitre 7 : Opérateur de Laplace
Chapitre 8 : La fonction de Green
Chapitre 9 : Dérivée covariante
Chapitre 10 : Calcul tensoriel
Appendice
À propos de l'auteur
Chapitre 1 : Modèle de contour actif
Pour extraire le contour d'un objet à partir d'une image 2D susceptible d'être contaminée par du bruit, les chercheurs en vision par ordinateur Michael Kass, Andrew Witkin et Demetri Terzopoulos ont développé le modèle de contour actif, souvent connu sous le nom de serpents. Les applications de vision par ordinateur telles que le suivi d'objets, la reconnaissance de formes, la segmentation, la détection des bords et la correspondance stéréoscopique font un usage intensif du modèle des serpents.
Un serpent est une spline déformable qui minimise son énergie tout en étant poussée et tirée par des contraintes et des forces d'image le long des contours de l'objet et des forces internes qui agissent pour empêcher une déformation supplémentaire. Faire correspondre un modèle déformable à une image en minimisant l'énergie peut être considéré comme une stratégie générale, et les serpents peuvent être considérés comme un cas spécifique de cela. Le modèle de forme active est une représentation discrète de cette stratégie en deux dimensions ; Il utilise le modèle de distribution de points pour limiter les formes qui peuvent être utilisées à celles d'un domaine spécifique, qui est lui-même appris à partir d'un ensemble d'apprentissage.
Étant donné que l'utilisation de serpents pour découvrir des contours sur des photos implique de connaître à l'avance la forme de contour prévue, ce n'est pas une solution complète au problème. Au lieu de cela, ils s'appuient sur des informations extérieures, qu'il s'agisse de l'utilisateur, d'un processus de compréhension d'image externe ou même simplement de données d'image voisines dans le temps ou dans l'espace.
Les limites de l'image sont décrites par des modèles de contour en vision par ordinateur. Par exemple, les serpents excellent dans les défis où la forme de la bordure est à peu près comprise. Comme il s'agit d'un modèle flexible, les serpents sont résistants aux variations et au bruit lorsqu'ils s'engagent dans l'appariement stéréo et le suivi de mouvement. En omettant les informations sur les bordures, l'approche est également capable de localiser des contours illusoires dans l'image.
L'utilisation de serpents au lieu des méthodes traditionnelles d'extraction de caractéristiques présente de nombreux avantages :
Ils recherchent la condition de point zéro de manière autonome et variable.
Le serpent est intuitivement affecté par les influences visuelles du monde extérieur.
L'introduction de la sensibilité à l'échelle dans la fonction d'énergie de l'image grâce à l'utilisation du lissage gaussien.
Vous pouvez les utiliser pour garder un œil sur les objets en mouvement.
Les principaux problèmes avec les serpents ordinaires sont les suivants :
En raison de leur sensibilité aux états minima locaux, les méthodes de recuit simulé sont utiles pour éviter les résultats indésirables.
Lors de la minimisation de l'énergie sur l'ensemble du contour, de petits détails sont souvent négligés.
Le succès de la politique de convergence détermine leur précision.
Un serpent élastique simple est défini par un ensemble de n points {\mathbf v}_{i} pour {\displaystyle i=0,\ldots ,n-1} , le terme d'énergie élastique interne {\displaystyle E_{\text{internal}}} et le terme d'énergie basé sur l'arête externe {\displaystyle E_{\text{external}}} .
Le terme d'énergie interne est là pour empêcher le serpent de se déformer de façon permanente, la fonction du terme d'énergie externe est de réguler le degré de superposition du contour sur l'image.
L'énergie externe est généralement une combinaison des forces dues à l'image elle-même {\displaystyle E_{\text{image}}} et des forces de contrainte introduites par l'utilisateur {\displaystyle E_{\text{con}}}
Lorsque nous additionnons les énergies internes et externes du serpent, nous obtenons sa fonction énergétique.
{\displaystyle E_{\text{snake}}^{*}=\int \limits _{0}^{1}E_{\text{snake}}(\mathbf {v} (s))\,ds=\int \limits _{0}^{1}(E_{\text{internal}}(\mathbf {v} (s))+E_{\text{image}}(\mathbf {v} (s))+E_{\text{con}}(\mathbf {v} (s)))\,ds}L'énergie interne du serpent est composée de la continuité du contour et de {\displaystyle E_{\text{cont}}} la douceur du contour {\displaystyle E_{\text{curv}}} .
{\displaystyle E_{\text{internal}}=E_{\text{cont}}+E_{\text{curv}}}Vous pouvez nous en dire plus à ce sujet
{\displaystyle E_{\text{internal}}={\frac {1}{2}}(\alpha \,\!(s)\left|\mathbf {v} _{s}(s)\right\vert ^{2})+{\frac {1}{2}}(\beta \,\!(s)\left|\mathbf {v} _{ss}(s)\right\vert ^{2})={\frac {1}{2}}{\bigg (}\alpha \,\!(s)\left\|{\frac {d{\bar {v}}}{ds}}(s)\right\Vert ^{2}+\beta \,\!(s)\left\|{\frac {d^{2}{\bar {v}}}{ds^{2}}}(s)\right\Vert ^{2}{\bigg )}}où \alpha (s) et \beta (s) sont des poids définis par l'utilisateur ; Ceux-ci déterminent le poids accordé à l'étirement et à la courbure du serpent par la fonction d'énergie interne, respectivement, et régulent le degré auquel la forme du serpent est contrainte.
En pratique, un poids important \alpha (s) pour le terme de continuité pénalise les changements de distances entre les points du contour.
Un poids important \beta (s) pour le terme de lissage pénalise les oscillations dans le contour et fera en sorte que le contour agisse comme une plaque mince.
Le niveau d'énergie d'une image est lié à ses caractéristiques spécifiques. Il s'agit d'un endroit populaire pour apporter des modifications aux stratégies dérivées. Il existe un large éventail d'options pour traiter à la fois les caractéristiques de l'image et les images entières.
Pour une image, des I(x,y) lignes, des bords et une finalité qui existe dans l'image, le modèle global de l'énergie de l'image est
{\displaystyle E_{\text{image}}=w_{\text{line}}E_{\text{line}}+w_{\text{edge}}E_{\text{edge}}+w_{\text{term}}E_{\text{term}},}où {\displaystyle w_{\text{line}}} , {\displaystyle w_{\text{edge}}} , {\displaystyle w_{\text{term}}} sont les poids de ces caractéristiques saillantes.
L'augmentation du poids d'un élément visible signifie qu'elle aura un impact plus significatif sur la force globale de l'image.
Il est possible de décrire l'intensité de l'image, ou la fonction de la ligne, comme suit :
{\displaystyle E_{\text{line}}=I(x,y)}Le signe de {\displaystyle w_{\text{line}}} déterminera si la ligne sera attirée par des lignes sombres ou des lignes claires.
La fonction de ligne est masquée jusqu'à ce que l'image soit lissée ou que le bruit soit réduit.
{\displaystyle E_{\text{line}}=\operatorname {filter} (I(x,y))}Le dégradé de l'image est utilisé comme fonction de bord. Un exemple concret de ceci est
{\displaystyle E_{\text{edge}}=-\left|\nabla I(x,y)\right\vert ^{2}.}Il est possible qu'un serpent converge par erreur vers un minimum local s'il commence loin du contour de l'objet cible. Pour contourner ces minimums locaux, nous pouvons appliquer la continuation de l'espace d'échelle. Pour ce faire, un filtre de flou est utilisé sur l'image, le degré de flou diminuant au fur et à mesure que le calcul continue d'améliorer l'ajustement du serpent. La continuation de l'espace d'échelle est utilisée dans la fonctionnelle de l'énergie pour produire
{\displaystyle E_{\text{edge}}=-\left|G_{\sigma }\cdot \nabla ^{2}I\right\vert ^{2}}où {\displaystyle G_{\sigma }} est une gaussienne avec un écart-type \sigma .
Les minima de cette fonction tombent sur les passages à zéro qui {\displaystyle G_{\sigma }\,\nabla ^{2}I} définissent les arêtes selon la théorie de Marr-Hildreth.
Il est possible d'identifier les coins et les bords de l'image en mesurant la courbure des lignes horizontales et verticales d'une image partiellement lissée.
En appliquant cette stratégie, soit C(x,y) l'image lissée par
{\displaystyle C(x,y)=G_{\sigma }\cdot I(x,y)}avec angle de dégradé
{\displaystyle \theta =\arctan \left({\frac {C_{y}}{C_{x}}}\right),}vecteurs parallèles à la direction du gradient
{\displaystyle \mathbf {n} =(\cos \theta ,\sin \theta ),}et les vecteurs qui sont orthogonaux au gradient
{\displaystyle \mathbf {n} _{\perp }=(-\sin \theta ,\cos \theta ).}Une expression pour la fonctionnelle de terminaison d'énergie est
{\displaystyle E_{\text{term}}={\partial \theta \over \partial n_{\perp }}={\partial ^{2}C/\partial n_{\perp }^{2} \over \partial C/\partial n}={{C_{yy}C_{x}^{2}-2C_{xy}C_{x}C_{y}+C_{xx}C_{y}^{2}} \over (C_{x}^{2}+C_{y}^{2})^{3/2}}}Certains systèmes, comme la première mise en œuvre des serpents, sont des serpents contrôlables par l'utilisateur qui répondent à l'entrée, tant au niveau de leur positionnement initial que de leurs besoins énergétiques.
Une telle énergie de contrainte E_{{con}} peut être utilisée pour guider de manière interactive les serpents vers ou loin de caractéristiques particulières.
En supposant un serpent à première vue, réduire itérativement la fonction énergétique du serpent.
L'une des optimisations les plus simples qui peuvent être appliquées pour réduire l'énergie du serpent est la minimisation de la descente de gradient.
Chaque itération prend une étape dans le gradient négatif du