Maintien des personnes âgées à domicile

Dimension: px
Commencer à balayer dès la page:

Download "Maintien des personnes âgées à domicile"

Transcription

1 Maintien des personnes âgées à domicile Enjeux scientifiques et technologiques liés à la vision par ordinateur Christian Wolf

2 Introduction Sommaire Les données et les problèmes associés Segmentation fond/forme Les caméras non traditionnelles Suivi d objets en mouvement Reconnaissance de comportements Détection de chutes Méthodes sans segmentation Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 2

3 Applications Reconnaissance de comportements En train de dormir? En train de prendre un médicament? Lequel? Quantité respectée? Détection de chutes Localisation d objets perdus La vision peut apporter des solutions Défis de robustesse et fiabilité Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 3

4 Types de capteurs Caméras fixes Caméras PTZ («Pan / Tilt / Zoom») Caméras en mouvement libre (robotique mobile) Telerobot Kompai Pekee II Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 4

5 Problèmes liés à l acquisition Point de vue, changements d échelle Eclairage non suffisant ou contraste trop faible Eclairage fluorescent Changements d éclairage (durant la journée) Ombres Changements de couleurs Caméra en mouvement Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 5

6 Exemple : éclairage, couleurs Verificon Corporation. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 6

7 Eclairage insuffisant Acquisition en infrarouge [TheSamovar] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 7

8 Exemple : ombres [Li Guan]. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 8

9 Changement d échelle Changement d échelle Changement d échelle Changement d échelle Intro Donnés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 9

10 Changement de point de vue Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 10

11 Reconnaissance de formes Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 11

12 Apprentissage & reconnaissance de formes Exemple : deux classes, 1: loups, 2: chats Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 12

13 Apprentissage & reconnaissance de formes Extraction d un vecteur de caractéristiques «Features» Objectif: Discrimantes (différentes pour des classes différentes) Invariantes (rotation, changement d échelle, bruit, changement de point du vue ) Exemple : deux valeurs : taille, couleur moyenne Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 13

14 Prise de décision souvent classique (e.g. réseaux de neurones) Features Etiquette de classe Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 14

15 Segmentation fond / forme Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 15

16 Segmentation des objets en mouvement Objectif : séparer les objets en mouvement du fond Avantage : problème de localisation «résolu» Permet d appliquer un traitement ciblé sur une région (un objet; une personne?) ANR Canada / LIRIS Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 16

17 Une architecture classique Segmentation fond/forme (typique) Suivi des «objets» Calcul de caractéristiques Modèle Décision / Détection Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 17

18 Soustraction de fond Un pixel est considéré comme «objet» si la différence de niveau de gris entre 2 frames consécutives est grande Pas de mouvement fond (problème!) Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 18

19 Différence de frames : désavantages Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 19

20 Soustraction de fond : Modèles de fond Création d un modèle explicite du fond Mis à jour dynamique du modèle Permet de gérer un changement d éclairage Exemple : moyenne/médiane dynamique, filtre de Kalman etc. Segmentation Modèle de fond Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 20

21 Mélange de Gaussiennes (GMM) Permet de gérer un fond en mouvement (rideaux, plantes et arbres, drapeaux etc.) Modélisation de la couleur de chaque pixel par plusieurs distributions normales Ev. plusieurs distributions de fond Ev. plusieurs distributions de forme (objets) Pour chaque pixel et chaque composante: Moyenne Variance Poids [Grimson and Stauffer, 1999] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 21

22 Extensions aux caméras PTZ : carte globale «Pan / Tilt / Zoom» Foxstream / LIRIS Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 22

23 L état de l art aujourd hui Intégration des informations de haut niveau (retour des étapes suivantes) Prise de décision au niveau globale Intégration de la direction du mouvement Apprentissage automatique Reconnaissance automatique et suppression des ombres [Li Guan] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 23

24 Résultats Vidéo d entrée GMM Par bloc Mouvement [Wolf and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 24

25 Caméras non-traditionnelles Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 25

26 Caméras «Temps de Vol» (dite «3D») Sortie : des images en «profondeur» Pour chaque pixel : quelle est la distance entre la caméra et la surface «visible» sur le pixel? Développées récemment Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 26

27 Caméras «Temps de Vol» Plusieurs principes possible, e.g. lumière pulsée : pulsation de lumière de durée extrêmement courte (~ 70ns) Observation de la réflexion, mesure du délai Exemple de caméra: «ZSense», 3DV Systems Résolution spatiale : 320x240 Résolution en profondeur : 8 bit Dynamique : 70cm à 3m (variable) Fréquence : 30Hz Couplée avec une caméra couleur traditionnelle Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 27

28 MS Kinect (Xbox) Sortie le 4 novembre 2010 Microsoft Research Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 28

29 Une alternative : MS Kinect Caméra conçue par PrimeSense Estimation de la profondeur par projection de lumière structurée Couplée avec une caméra couleur traditionnelle Résolution en profondeur : 11 bit Dynamique : 1.2m à 7m Résolution spatiale : couleur 640x480, profondeur: 320x240 Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 29

30 Plateforme «VOIR» LIRIS Robot «Pekee II» MS Kinect : exemples Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 30

31 Reconnaissance de comportements Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 31

32 Méthode 1 : Descriptions 2D du mouvement Objectif : traduction du mouvement d une personne en deux images 2D discriminantes [Bobick and Davis, 2001] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 32

33 Descriptions 2D du mouvement Motion energy image (MEI): image binaire Quel sont les endroits en mouvement? Motion history images (MHI) : image en niveau de gris Quel pixel a changé quand? [Bobick and Davis, 2001] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 33

34 Descriptions 2D : classification Description statistique de chaque MEI et de chaque MHI : vecteur F i de caractéristiques (7 moments de Hu) Apprentissage : pour chaque classe d actions et pour chaque vue: - Moyenne F des vecteurs F i - Matrice de covariance Σ des vecteurs Classification : calcul de la distance entre un nouveau vecteur et la moyenne F, en tenant compte de Σ Intro Donneés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 34

35 Méthode 2 : Modèles statistiques du mouvement humain Modélisation de l évolution temporelle d une silhouette binaire [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 35

36 Modèles statistiques Extraction de caractéristiques de forme de chaque silhouette : moments der Zernike Décomposition de la forme en différents moments décrivant des niveaux de détail: Hautes et basses «fréquences» [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 36

37 Modélisation temporelle un vecteur de caractéristiques Y t par instant t Classification par modèles de séquences (HMM, CRF etc.) [Taylor et al. 2008] Intro Donneés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 37

38 «Validation» du modèle Création de frames artificielles à partir de Un modèle des séquences probabiliste appris à partir d une base de vidéos d apprentissage Un amorçage de 6 frames qui ne font pas partie de la base d apprentissage [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 38

39 Quelques résultats (1) [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 39

40 Quelques résultats (2) [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 40

41 Suivi de personnes et d objets Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 41

42 Problème : Suivi d objets Détecter des objets dans la vidéo et les suivre, même face à des occultations. Retrouver des trajectoires (ou est allé une personne ) Détection frame par frame n est pas suffisant en cas d occultation Solution : Intégrer des informations sur la dynamique des objets (vitesses etc.) Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 42

43 Suivi d objets : principe Modèle d apparence Détection/reconnaissance d un objet Mise à jour : position Dynamique : Le suivi peut intégrer la dynamique de la position de l objet de l image des caractéristiques Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 43

44 Localisation d objets Solution 1 : recherche directe dans l image Solution 2 : suivi de changements dans la scène (segmentation fond/forme) Problème : ev. petite taille de l objet dans l image ASSIST Project, Univ. Of Massach. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 44

45 Détection de chutes Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 45

46 Détection de chutes ASSIST Project, Univ. Of Massach. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 46

47 Schéma typique Segmentation fond/forme Suivi de la personne Calcul de caractéristiques Détection de la chute Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 47

48 Méthodes Classification de la pose, fitting d un modèle de type «stick figure» Sans modèle de pose : Extraction de caractéristiques Deux modes : Frame par frame, ou Modèle de séquences (HMM etc.) Problème : dépend du point de vue Kinect Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 48

49 Orientation du corps L orientation du corps est une caractéristique importante Une normalisation de l image est nécessaire [Thome et al., 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 49

50 Prise de décision par séquence HMM hiérarchique [Thome et al., 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 50

51 [Thome et al., 2009] Intégration de plusieurs vues Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 51

52 Technologies sans segmentation fond / forme Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 52

53 Points d intérêt spatiaux (SIFT) : Utilisation : Détection de points «saillants» et «stables» dans une image Vidéo: Lukáš Mach Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 53

54 Points d intérêt spatio-temporels Objectif : étendre le concept des points d intérêts à la dimension temporelle Détecter des primitives parcimonieuses dans l espacetemps Les coins spatio-temporels: Coins spatiaux Vecteur de vitesse change de direction Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 54

55 Bags of words (sacs de mots) Inspiré de la classification statistique de documents textuels: Un document contient des «mots», tirés d un dictionnaire («codebook») Un document est décrit par les fréquences de parution de chaque mot Traduction de ce principe aux images et vidéos : extraction de «mots visuels» [Laptev, 2005] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 55

56 Apprentissage, étape 1: Caractéristiques Détection de points d intérêts spatio-temporels Extraction de caractéristiques autour de chaque (e.g. histogramme des gradients point) un vecteur par point [Laptev, 2005] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 56

57 Apprentissage, étape 2: Création d un codebook Un vecteur par point Clustering Codebook Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 57

58 Classification d une nouvelle Détection de points d intérêts spatiotemporels Extraction de caractéristiques ensemble de vecteurs Chaque vecteur : projection sur le codebook (plus proches voisins) vidéo ensemble de mots (symboles) Création d un histogramme (sac de mots) Classification par SVM, réseau de neurones etc. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 58

59 Approche hiérarchique & localisation Reconnaissance d activités complexes Modèle structuré (du même type!) Chaque caractéristique correspond à une action élémentaire [Ryoo and Aggrawal 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 59

60 Conclusions La vision peut apporter des solutions pratiques (absence de bracelet et d autres outils électroniques) Détection de chutes Localisation d objets perdus Vérification de prise de médicaments Découverte de syndromes de maladies (troubles de sommeils etc.) Verrous scientifiques : robustesse et grande fiabilité dans toute situation (éclairage, point de vue, taille de l objet etc.) Les nouveaux capteurs amélioreront les systèmes de vision de type «indoor» Prochaine révolution : la robotique mobile (??) Ri-man Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 60

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

Utilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Détection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO

Détection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont

Plus en détail

Reconnaissance de gestes : approches 2D & 3D

Reconnaissance de gestes : approches 2D & 3D Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email

Plus en détail

N. Paparoditis, Laboratoire MATIS

N. Paparoditis, Laboratoire MATIS N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS

Plus en détail

Sujet de thèse : Suivi d objets en mouvement dans une séquence vidéo

Sujet de thèse : Suivi d objets en mouvement dans une séquence vidéo Université PARIS DESCARTES Centre universitaire des Saints-Pères UFR DE MATHÉMATIQUES ET INFORMATIQUE Thèse présentée pour l obtention du grade de Docteur de l université PARIS DESCARTES Spécialité : Informatique

Plus en détail

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.

Plus en détail

Glossaire technique Veditec

Glossaire technique Veditec Glossaire technique Veditec 3D/2D DNR (digital noise réduction) La technologie DNR est un système de réduction numérique de bruit ayant pour but de réduire le bruit sur l image. Elle permet d obtenir des

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

Mesure agnostique de la qualité des images.

Mesure agnostique de la qualité des images. Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire

Plus en détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration

Plus en détail

Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12

Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité

Plus en détail

Solution Vidéo Surveillance

Solution Vidéo Surveillance Solution Vidéo Surveillance Objectifs de la solution : Mettre sous surveillance électronique un lieu sensible de votre établissement : o L entrée du bureau d études o L entrée du stock de matière première

Plus en détail

Multivac Vision System (MVS) : Détection visuelle d objets et inspection qualité. * Le meilleur de l emballage

Multivac Vision System (MVS) : Détection visuelle d objets et inspection qualité. * Le meilleur de l emballage Multivac Vision System (MVS) : Détection visuelle d objets et inspection qualité * * Le meilleur de l emballage MVS Composants Domaines d application Données techniques Automatisation efficace de la production

Plus en détail

Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de

Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo Moez Baccouche To cite this version: Moez Baccouche. Apprentissage neuronal de caractéristiques

Plus en détail

Hiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin

Hiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie

Plus en détail

PROJET BIGDATART DOSSIER DE PRESENTATION

PROJET BIGDATART DOSSIER DE PRESENTATION PROJET BIGDATART DOSSIER DE PRESENTATION Le projet BigDatArt est une installation scientifico-artistique centrée autour des notions d images et de BigData. Ce que je propose dans mon projet et d'inverser

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

Relever les défis des véhicules autonomes

Relever les défis des véhicules autonomes EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,

Plus en détail

Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines

Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines Cyrille Beaudry, Renaud Péteri, Laurent Mascarilla Laboratoire MIA, Univ. La Rochelle Avenue Michel Crépeau

Plus en détail

á Surveillance en temps réel á Contrôle PTZ á Enregistrement

á Surveillance en temps réel á Contrôle PTZ á Enregistrement &DPpUDV5pVHDX /RJLFLHOVG $GPLQLVWUDWLRQ *XLGHG XWLOLVDWLRQUDSLGH ,)RQFWLRQQDOLWpV $)RQFWLRQQDOLWpVGH%DVH á Surveillance en temps réel á Contrôle PTZ á Enregistrement %)RQFWLRQQDOLWpVVSpFLDOHV á Surveillance

Plus en détail

Opérations de base sur ImageJ

Opérations de base sur ImageJ Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement

Plus en détail

Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1

Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1 Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets

Plus en détail

Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique

Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,

Plus en détail

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Une comparaison de méthodes de discrimination des masses de véhicules automobiles p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans

Plus en détail

Détection de chute à l'aide d'une caméra de profondeur

Détection de chute à l'aide d'une caméra de profondeur Université de Montréal Détection de chute à l'aide d'une caméra de profondeur par Ryane Alla Département d informatique et de recherche opérationnelle Faculté des arts et des sciences Mémoire présenté

Plus en détail

µrv : Realité Virtuelle

µrv : Realité Virtuelle µrv : Realité Virtuelle Edgar-Fernando ARRIAGA-GARCIA Charles-Henri BABIAUD Clément GRELLIER Quentin PETIT Jérôme Ricoeur Florent VIOLLEAU INSA Rennes 21 septembre 2011 1 / 15 Objectifs pour cette semaine

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

Détection des deux roues motorisés par télémétrie laser à balayage

Détection des deux roues motorisés par télémétrie laser à balayage MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie

Plus en détail

SmartCam HD. Guide d utilisation

SmartCam HD. Guide d utilisation SmartCam HD Guide d utilisation Index P.04 Mise en route à partir d un PC (Windows) P.07 Panneau de contrôle (Windows) P.11 Contrôle PTZ (Windows) P.12 Paramétrer enregistrement vidéo (Windows) P.14 Paramétrer

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

Connecte les Foules. Réinvente les Rituels.

Connecte les Foules. Réinvente les Rituels. Connecte les Foules. Réinvente les Rituels. Les gens oublieront ce que vous avez dit, ils oublieront ce que vous avez fait, MAIS ILS N OUBLIERONT JAMAIS CE QU ILS ONT RESSENTI REIVENTER LES RITUELS NOTRE

Plus en détail

La visio-conférence holographique : Pourquoi? Comment?

La visio-conférence holographique : Pourquoi? Comment? La visio-conférence holographique : Pourquoi? Comment? Francis Felix Labo LSIS / Arts & Métiers Paritech (ENSAM) 2 Cours des Arts et Métiers 13100 Aix-en-Provence Thierry Henocque AIP-Primeca Dauphiné

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire

Plus en détail

VISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL

VISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL VISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL 1 Sotiris Manitsaris 2 Tsagaris Apostolos 2 Vassilios Matsoukas 2 Athanasios Manitsaris 1 Centre de Robotique

Plus en détail

Modules Multimédia PAO (Adobe)

Modules Multimédia PAO (Adobe) Modules Multimédia PAO (Adobe) Pré-requis : Bonne maîtrise de la manipulation d'un PC (environnement Windows ou Mac) et de la navigation Internet. Disposition pour le graphisme recommandée. Mémoire visuelle,

Plus en détail

Dynamique de la Gestuelle

Dynamique de la Gestuelle Université de Caen Basse-Normandie Département d Informatique Master 2 Recherche En Informatique Spécialité Traitement Automatique de l Image et de la Langue - IMALANG Mémoire de Stage de Fin d Etude Dynamique

Plus en détail

Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS

Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS Année 2004 THESE Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS En vue de l obtention du titre de Docteur de l Institut National Polytechnique de Toulouse Spécialité : Informatique

Plus en détail

L évaluation d algorithmes d analyse vidéo Quelques pistes

L évaluation d algorithmes d analyse vidéo Quelques pistes L évaluation d algorithmes d analyse vidéo Quelques pistes Jean-François GOUDOU 1, Louise NAUD 1, Laurent GIULIERI 2, Jaonary RABARISOA 3, Olivier PIETQUIN 4, Dana CODREANU 5, Dijana PETROVSKA 6 1 THALES

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Systèmes d information et bases de données (niveau 1)

Systèmes d information et bases de données (niveau 1) Systèmes d information et bases de données (niveau 1) Cours N 1 Violaine Prince Plan du cours 1. Bibliographie 2. Introduction aux bases de données 3. Les modèles 1. Hiérarchique 2. Réseau 3. Relationnel

Plus en détail

Capacité étendue d utilisation en réseau

Capacité étendue d utilisation en réseau Fiche technique n VIBOFF_1A_f Emonitor Odyssey introduit une nouvelle conception de la maintenance conditionnelle (prédictive) en automatisant les opérations de routine afin d améliorer les vitesses de

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés

Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés Application à la surveillance apicole SOUTENANCE DE THÈSE

Plus en détail

Codage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur

Codage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de

Plus en détail

Groupe Eyrolles, 2006, ISBN : 2-212-11959-3

Groupe Eyrolles, 2006, ISBN : 2-212-11959-3 Groupe Eyrolles, 2006, ISBN : 2-212-11959-3 annexe B Piano Corner, (c) 2005 par Zsolt Stefan : http://deeppixel.uw.hu/gallery.html YafRay, le moteur de rendu photoréaliste Dès sa création, par une équipe

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Améliorer les performances du site par l'utilisation de techniques de Web Mining

Améliorer les performances du site par l'utilisation de techniques de Web Mining Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire

Plus en détail

AÉRIENNE UNE STRATÉGI. Organisation. n de l aviation. Montréal, 19 1.1. SOMMAIRE et à moyen terme. la surveillance. fusion de. tions du 5.3.

AÉRIENNE UNE STRATÉGI. Organisation. n de l aviation. Montréal, 19 1.1. SOMMAIRE et à moyen terme. la surveillance. fusion de. tions du 5.3. Organisation n de l aviation civile internationale NOTE DE TRAVAIL AN-Conf/12-WP/146 31/10/12 Français et anglais seulement 1 DOUZIÈME CONFÉRENCE DE NAVIGATION AÉRIENNE Montréal, 19 30 novembre 2012 Point

Plus en détail

Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains

Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques

Plus en détail

Le projecteur qu il vous faut pour vos jeux vidéos

Le projecteur qu il vous faut pour vos jeux vidéos www.optoma.fr GT720 Le projecteur qu il vous faut pour vos jeux vidéos 3D 3D-XL La révolution est en marche : Faites en partie! A vous les jeux 3D et les films en 3D! Le vidéoprojecteur Optoma GT720, NVIDIA

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

Start me quick! Français

Start me quick! Français Start me quick! Français Descriptif de la caméra: Contenu de l emballage: Installation de la caméra: Capteur de luminosité Lampe indicatrice Lentille de la caméra Lampes de l éclairage infrarouge Charnière

Plus en détail

EMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006

EMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006 EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant

Plus en détail

Vérification audiovisuelle de l identité

Vérification audiovisuelle de l identité Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire

Plus en détail

un nouvel œil pour l analyse de mouvement

un nouvel œil pour l analyse de mouvement un nouvel œil pour l analyse de mouvement L entreprise EyeNetics La S.A.R.L. EyeNetics a pour objectif de simplifier l utilisation des systèmes d analyse de mouvement. Dans cette optique nous avons conçu

Plus en détail

Une fréquence peut-elle être instantanée?

Une fréquence peut-elle être instantanée? Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012

Plus en détail

Détection d activité à l aide de Kinect 2.0

Détection d activité à l aide de Kinect 2.0 Travail de Bachelor 2014 Détection d activité à l aide de Kinect 2.0 Etudiant : Martin Tazlari Professeur : Yann Bocchi Déposé le : 28 juillet 2014 HES-SO Valais-Wallis rue de la Plaine 2 3960 Sierre +41

Plus en détail

Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon

Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon Version 4.10 PDF-CIT-D-Rev1_FR Copyright 2011 Avigilon. Tous droits réservés. Les informations présentées sont sujettes à modification

Plus en détail

http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre

http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre TRAP : TRAITEMENT DES SIGNAUX DE PAROLE http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre Institut de la Communication Parlée Les différents

Plus en détail

Arborescence et interface

Arborescence et interface Architecture de l information et réseaux (EDM 2530) Automne 2012 UQAM Cours / 04 Arborescence et interface Geoffroi Garon et Martin Lessard Déroulement Partie 1 Ab Arborescence Ev1 Pause Partie 2 Interface

Plus en détail

Synthèse d'images I. Venceslas BIRI IGM Université de Marne La

Synthèse d'images I. Venceslas BIRI IGM Université de Marne La Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

Utilisation du logiciel ImageJ gratuit

Utilisation du logiciel ImageJ gratuit Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre

Plus en détail

SLAM Visuel 3D pour robot mobile autonome

SLAM Visuel 3D pour robot mobile autonome Master de Sciences Mention «Imagerie, Robotique et Ingénierie pour le Vivant» - Projet de Fin D étude - SLAM Visuel 3D pour robot mobile autonome Romain Drouilly Encadrants ECA Benoit Morisset Pierrick

Plus en détail

Sommaire. Bertrand PECUCHET

Sommaire. Bertrand PECUCHET Sommaire I. Introduction... 2 II. Présentation de la Kinect... 3 1. Caractéristiques :... 4 III. Focus sur les différents capteurs de la Kinect... 5 1. Le capteur RGB... 5 2. Capteur et émetteur Infrarouge...

Plus en détail

Caractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault

Caractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault Page 1 25 octobre 2012 Journée «Contrôle non destructif et caractérisation de défauts» Caractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault Henri Walaszek sqr@cetim.fr Tel 0344673324

Plus en détail

Interception des signaux issus de communications MIMO

Interception des signaux issus de communications MIMO Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus

Plus en détail

F210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels

F210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et

Plus en détail

Intelligence artificielle et les défis en robotique mobile et autonome

Intelligence artificielle et les défis en robotique mobile et autonome Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique

Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Mémoire Maxime Latulippe Maîtrise en informatique Maître ès sciences (M.Sc.) Québec, Canada Maxime

Plus en détail

TS Physique Satellite à la recherche de sa planète Exercice résolu

TS Physique Satellite à la recherche de sa planète Exercice résolu P a g e 1 Phsique atellite à la recherche de sa planète Exercice résolu Enoncé Le centre spatial de Kourou a lancé le 1 décembre 005, avec une fusée Ariane 5, un satellite de météorologie de seconde génération

Plus en détail

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en

Plus en détail

Géométrie discrète Chapitre V

Géométrie discrète Chapitre V Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

Logiciel MAXPRO NVR SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU

Logiciel MAXPRO NVR SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU Le logiciel MAXPRO NVR d Honeywell est un système IP ouvert de surveillance flexible et évolutif. Grâce à la prise en charge des caméras haute définition (HD) d Honeywell

Plus en détail

Compte-rendu re union Campus AAR 3 mars 2015

Compte-rendu re union Campus AAR 3 mars 2015 Compte-rendu re union Campus AAR 3 mars 2015 Table des matières Liste d actions... 2 I. Environnement d analyse : INA, Armadillo... 3 a. Connexion de l outil INA avec API Armadillo... 3 b. Outil d analyse

Plus en détail

Les images et les animations sur le web. Guérineau Chloé BTS2 Année 2001/2012

Les images et les animations sur le web. Guérineau Chloé BTS2 Année 2001/2012 Les images et les animations sur le web Guérineau Chloé BTS2 Année 2001/2012 Sommaire I) Les images sur le web 1) Qu est ce qu une image? Les images numériques, destinées à être visualisées sur les écrans

Plus en détail

Surveillance IP. Voir c est croire. Imp. GT 01 34 52 18 88

Surveillance IP. Voir c est croire. Imp. GT 01 34 52 18 88 Surveillance IP Voir c est croire Imp. GT 01 34 52 18 88 Imp. GT 01 34 52 18 88 D-Link IP Surveillance Chez D-Link nous savons que dans un climat exigeant les PME, le secteur de l éducation et le secteur

Plus en détail

11 Février 2014 Paris nidays.fr. france.ni.com

11 Février 2014 Paris nidays.fr. france.ni.com 11 Février 2014 Paris nidays.fr Construire l enregistreur de données autonome de demain Marc-Junior LARROUY, Ingénieur d Applications, National Instruments France Contenu Introduction à l enregistrement

Plus en détail

Abdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole

Abdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012

Plus en détail

Communications immersives : Enjeux et perspectives

Communications immersives : Enjeux et perspectives Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,

Plus en détail

PROJETS. Arts Numériques Arts² CORENTIN CLOUET

PROJETS. Arts Numériques Arts² CORENTIN CLOUET BAC3 2014-2015 PROJETS Arts Numériques Arts² PROJET PERSONEL : VARIOUS BODIES Projecteur Kinect Miroir MIROIR SHÉMA 2D PRINCIPE Various Bodies est une installation interactive et visuelle. Elle propose

Plus en détail

Industrie 4.0 L usine connectée

Industrie 4.0 L usine connectée En partenariat avec Industrie 4.0 L usine connectée Les nouveaux métiers de l industrie 4.0: Méthodologie de conception des certifications Mardi 29 avril 2014 Séminaire ISA-France / Espace Hamelin Jean-Luc

Plus en détail

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions

Plus en détail

L'astrophotographie au Cercle

L'astrophotographie au Cercle L'astrophotographie au Cercle Introduction générale à l'astrophotographie Le matériel Les différents domaines: imagerie sur trépied, du ciel profond... Réaliser des images sur trépied Réaliser des images

Plus en détail

Transmission d informations sur le réseau électrique

Transmission d informations sur le réseau électrique Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en

Plus en détail

De la mesure à l analyse des risques

De la mesure à l analyse des risques De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De

Plus en détail

Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE

Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R

Plus en détail

BACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE

BACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE BACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE ÉPREUVE DE SCIENCES DE L INGÉNIEUR ÉPREUVE DU VENDREDI 20 JUIN 2014 Session 2014 Durée de l épreuve : 4 heures Coefficient 4,5 pour les candidats ayant choisi un

Plus en détail

TP Blender n 2 : Importation d un modèle SketchUp et animation

TP Blender n 2 : Importation d un modèle SketchUp et animation TP Blender n 2 : Importation d un modèle SketchUp et animation Service de Conception Géométrique Université de Liège Aérospatiale et Mécanique Conçu avec Blender 2.66 et SketchUp 8 De SketchUp à Blender

Plus en détail