Reconnaissance du locuteur

Dimension: px
Commencer à balayer dès la page:

Download "Reconnaissance du locuteur"

Transcription

1 Reconnaissance du locuteur Claude Barras! Master, Université Paris-Sud

2 Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 2/46

3 Introduction Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 3/46

4 Introduction Les tâches en reconnaissance du locuteur Vérification le locuteur est-il bien celui qu il prétend? target speaker unknown speaker? Speaker verification accepted rejected (impostor) brique de base pour les autres tâches Identification recherche parmi un ensemble de voix de personnes connues Structuration en tours de parole qui parle, quand? 4/46

5 Introduction Applications Sécurité contrôle d accès (complément d un code, d un badge) accès physique: banques, voitures, entreprises accès distant: consultation de comptes bancaires par téléphone... Police criminelle / identification de suspects? filtrage de voix suspectes (+ validation humaine) fiabilité pour utilisation comme preuve? (position AFCP) Indexation multimédia indexation par locuteur Transcription automatique adaptation des modèles acoustiques à la voix du locuteur 5/46

6 Introduction Paramètres caractéristiques Paramètres acoustiques anatomie des cordes vocales et du conduit vocal pas mesurable directement comme une biométrie physique analyse spectrale à court terme du timbre résonances dans le conduit vocal modulées par le geste articulatoire (biométrie comportementale) Autres sources d information possibles personnalité, éducation, lieu de naissance... prosodie, prononciation... contenu, sémantique transcription 6/46

7 Introduction Paramètres caractéristiques Critères pour choisir de bons paramètres pratiques (faciles à mesurer) robustes (au bruit et au temps) sécurisés (discriminants, résistants à la contrefaçon) Qualité des coefficients spectraux? pratiques (modalité orale non intrusive) peu discriminants, peu robustes Variabilité intra-locuteur intrinsèque: contenu linguistique, humeur, effort vocal externe: réverbération, microphone, bruit de fond 7/46

8 Introduction Modèles de locuteurs Séquence de vecteurs de paramètres acoustiques X = (x 1,..., x t,..., x T ) Modèle par mélange de gaussiennes (GMM) M p(x Θ) = ω i N (x; µ i, Σ i ) apprentissage direct ou adaptation d un modèle générique Adaptation par Maximum a posteriori (MAP) adaptation des vecteurs de moyenne i=1 facteur de pertinence τ ˆµ i = n ie i {x} + τµ i n i + τ 8/46

9 Vérification du locuteur Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 9/46

10 Vérification du locuteur Vérification du locuteur Approche standard GMM-UBM (D. Reynolds, MIT-LL) voix cible signal Paramètres voix de référence Modèle cible Adaptation Modèle de référence accepté + Σ Normalisation score >S rejeté décision par rapport de vraisemblance 10/46

11 Vérification du locuteur Evaluation en vérification du locuteur Erreurs possibles rejet du bon locuteur ( détection manquée ) acceptation d un imposteur ( fausse alarme ) 0.2 Impostors False acceptance True targets False rejection Threshold 0.15 likelihood score 11/46

12 Vérification du locuteur Evaluation en vérification du locuteur Compromis entre les 2 types d erreur Réglage du seuil de décision dépendant de la tâche seuil faible: peu de faux rejets, risque d impostures seuil élevé: peu d impostures, risque de rejeter le bon locuteur Mesure de coût somme pondérée des deux probabilités d erreur C = αp rejet + βp imposture pondérations dépendantes de l application recherche du seuil offrant le coût minimum Taux d égale erreur (EER) 12/46

13 Vérification du locuteur Représentation par courbe DET Courbe DET (Detection Error Tradeoff) compromis entre les deux types d erreur courbe caractérisque quasi-linéaire 100% ROC DET détections manquées coût constant égale erreur détections manquées coût constant égale erreur 0 fausses alarmes 100% fausses alarmes 13/46

14 Vérification du locuteur Campagnes internationales NIST SRE Campagnes d évaluation en reconnaissance du locuteur organisées par l organisme fédéral américain NIST (bis)annuelles depuis 1996 nombre de participants croissant (10 à 50) taille des données croissante (1 à 100Gb) Importance des évaluations + partage des données, compétition, échanges, visibilité travail de mise en place, réduction de la diversité Particularité des évaluation NIST vérification du locuteur, indépendamment du texte en majorité, sur conversations téléphoniques en anglais exemples : référence, imposteur, cible favorise un faible taux d imposteurs: C = P rejet + 9, 9P imposture 14/46

15 Vérification du locuteur Système GMM-UBM de base Paramètres acoustiques 15 coefficients cepstraux + leur dérivée + dérivée de l énergie normalisation cepstrale (moyenne et variance) Modèles de référence (UBM) deux modèles GMM (homme/femme) à 1024 gaussiennes apprentissage quelques dizaines (centaines...) de voix différentes Modèle du locuteur-cible adaptation MAP du modèle de référence (moyenne des gaussiennes, soit paramètres) Score détection des segments de parole (seuil sur l énergie ou VAD) rapport de vraisemblance avec le modèle de référence seuil de détection optimisé sur l ensemble de développement 15/46

16 Vérification du locuteur Normalisation des paramètres acoustiques Le canal téléphonique dégrade la qualité de la voix... Approches standard CMS: Cepstral Mean Substraction Compensation d un canal de transmission linéaire et stationnaire Peut aussi atténuer le spectre moyen du locuteur Généralisation Normalisation de la moyenne et de la variance Globale et court-terme (fenêtre glissante) Meilleure compensation d un bruit additif Améliorations Feature warping: gaussianisation marginale Feature mapping: compensation supervisée du canal 16/46

17 Vérification du locuteur Feature warping Pelecanos & Sridharan, Odyssey 01 transformation non linéaire de la distribution des coefficients cepstraux projette chaque dimension vers une loi normale sur une fenêtre glissante (3 secondes) warping Distribution initiale Distribution gaussienne Gaussianisation (IBM, NIPS 00 et ICASSP 02) optimisation iterative (algorithme EM) 1. transformation linéaire (diagonalisation) 2. gaussianisation marginale court-terme (i.e. feature warping) 17/46

18 Vérification du locuteur Feature warping 50 Features normalization Miss probability (in %) none mean mean+variance variance (3 sec) warping (3 sec) False Alarms probability (in %) 18/46

19 Vérification du locuteur Feature mapping Reynolds, NIST SRE 02 and ICASSP 03 Projette les paramètres dépendants du canal dans un espace indépendant du canal Entraine un modèle indépendant du canal CI (groupe toutes les données) Entraine un modèle dépendant du canal CD i par adaptation MAP Pour chaque phrase de test 1. détecte le canal le plus probable CD k 2. projection inverse des paramètres dans l espace CI CD1 CD2 CDn CI y=t(x) 19/46

20 Vérification du locuteur Feature mapping Fonction de projection pour une trame x, choisit la meilleure Gaussienne i utilise la top-1 Gaussienne de la phase de détection du canal y = (x µ CD k i ) σci i σ CD k i µ CI i approche inverse de la synthèse de modèle de locuteur (SMS) CD1 CD2 CDn CI y=t(x) Cible 20/46

21 Vérification du locuteur Apport de l information prosodique Prosodie (mélodie, rythme, intensité) contient une information caractéristique du locuteur probablement robuste aux variations du canal acoustique peu ou pas prise en compte dans les paramètres spectraux Approches analyse prosodique locale (F 0, log E) segmentation du contour prosodique (pseudo-)syllabes ou minima d énergie modélisation GMM-UBM ou par N-gram valeurs statistiques de F0 sur le segment paramètres modélisant le contour mélodique discrétisation de la variation de la prosodie Expériences performances individuelles loin de celles du système spectral gain relatif entre 5 et 10% en combinaison de tous les système 21/46

22 Vérification du locuteur SVM et modèles d adaptation au locuteur Approche GMM-UBM standard calcul de la vraisemblance des paramètres acoustiques du locuteur à reconnaitre pour le modèle du locuteur cible Classifieurs SVM (Support Vector Machines) classifieurs binaires discriminants dans un espace de très grande dimension nécessite des vecteurs de taille fixe permet la comparaison directe de modèles de locuteurs Méthodes d adaptation au locuteur étudiées adaptation MAP adaptation MLLR (Maximum Likelihood Linear Regression) 22/46

23 Vérification du locuteur Régression linéaire par maximum de vraisemblance Principe de l adaptation MLLR adaptation paramétrique d un modèle transformation affine des vecteurs de moyenne des gaussiennes ˆµ = Aµ + b Application en transcription de parole adaptation de modèles phonétiques génériques regroupement des gaussiennes des modèles en classes de régression une transformation MLLR apprise pour chacune des classes Approche MLLR contrainte (CMLLR) même transformation linéaire A pour la matrice de covariance ˆΣ = AΣA T formulation équivalente dans l espace des paramètres vecteur indépendant du locuteur x t = A 1 ˆx t A 1 b 23/46

24 Vérification du locuteur Le modèle comme paramètre du classifieur Paramètres issus de l adaptation MAP (Campbell, 2006) super-vecteur de gaussiennes (GSV) modèle de locuteur obtenu par adaptation MAP concaténation des vecteurs de moyenne Paramètres MLLR (Stolcke, 2005) super-vecteur à partir des paramètres A et b de la transformation (C)MLLR concaténation des lignes de la matrice une ou plusieurs transformations combinées 24/46

25 Vérification du locuteur Utilisation des super-vecteurs Alternative au classifieur SVM Projection du super-vecteur GSV dans des sous-espaces de dimension réduite Principal Component Analysis (PCA) et Linear Discriminant Analysis (LDA) Joint Factor Analyis (Kenny, 2005) Séparation des espaces de variabilité du locuteur et de la session i-vecteurs (Dehak, 2009)) Total Variability Space y = µ + T θ projection vers 300 dimensions distance entre i-vecteurs: within class variance normalization (WCNN) L approche la plus performance actuellement en reconnaissance du locuteur 25/46

26 Vérification du locuteur Performances et limites Impact considérable des conditions expérimentales durée d enrôlement et de test prompt fixé (mot de passe) ou parole libre environnement calme, communication bruitée sujet collaboratif ou non nombre de locuteurs en identification, types de voix fréquence a priori des imposteurs Limites difficulté théorique d avoir un bon modèle de rejet (connaissance a priori de toute la variabilité possible des voix?) pas de transposition facile des résultats d une condition à une autre certaines voix sont plus faciles à reconnaître que d autres (tests à grande échelle avec des imitateurs?) Déploiement en application réelle combinaison avec d autres modalités d identification 26/46

27 Structuration en tours de parole Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 27/46

28 Structuration en tours de parole Structuration en tours de parole Qui parle, quand? speaker diarization segmentation et regroupement automatique en locuteurs Motivations adapter les modèles acoustiques aux locuteurs pour meilleure une transcription automatique améliorer la lisibilité de la transcription produite indexation en locuteur pour la recherche d information 28/46

29 Structuration en tours de parole Exemple: flux de mots verbatim mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres euh il y a à peu près il y a à peu près plus européen plus européen qu international plus européen qu international tout à fait il faut le dire il y a à peu près dix ans que vous en êtes le chef de file oui euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 29/46

30 Structuration en tours de parole Etape 1: découpage en tours de parole mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres euh il y a à peu près il y a à peu près plus européen plus européen qu international plus européen qu international tout à fait il faut le dire il y a à peu près dix ans que vous en êtes le chef de file oui euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 30/46

31 Structuration en tours de parole Etape 2: regroupement en locuteurs L1 mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres L2 euh il y a à peu près il y a à peu près L3 plus européen plus européen qu international L1 plus européen qu international tout à fait L3 il faut le dire L2 il y a à peu près dix ans que vous en êtes le chef de file L1 oui L2 euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières L1 eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 31/46

32 Structuration en tours de parole Etape 3: identification des locuteurs connus Rony Brauman mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres Alain Duhamel euh il y a à peu près il y a à peu près François-Henri de Virieu plus européen plus européen qu international Rony Brauman plus européen qu international tout à fait François-Henri de Virieu il faut le dire Alain Duhamel il y a à peu près dix ans que vous en êtes le chef de file Rony Brauman oui Alain Duhamel euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières Rony Brauman eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 32/46

33 Structuration en tours de parole Approches Architecture analyse acoustique (paramètres d enveloppe spectrale) détection des zones de parole (décodeur à deux modèles) découpage en segments homogènes contenant un seul locuteur regroupement des segments d un même locuteur dans une classe Difficultés pas de connaissance a priori des voix des intervenants... ni même de leur nombre 33/46

34 Structuration en tours de parole Détection de parole Intérêt utile pour mettre de côté les silences longs les silences courts sont normaux pendant la parole et ne posent pas de problème au système de reconnaissance. nombreux phénomènes acoustiques: musique, bruit de fond... à traiter séparemment Méthodes seuils sur l énergie et les passages par zéro: uniquement pour la détection de silence, mais pas adapté en présence de bruit. approche la plus répandue: classification par maximum de vraisemblance par GMM sur le cepstre du signal 34/46

35 Structuration en tours de parole Détection de parole (2) Architecture d un détecteur par GMM étiquetage de réference sur une base d apprentissage apprentissage d un GMM pour chaque condition acoustique: 2 modèles (parole/non-parole) ou plus en différenciant les conditions acoustiques (parole, parole+musique, parole+bruit, silence, bruit...) voire des modèles par classe phonétique. segmentation au moyen d un décodage par algorithme de Viterbi heuristiques de durée ou d énergie minimum Performances 1 à 2 % de durée de parole manquée en radio-télé d autant plus difficile que le rapport signal-bruit diminue on préfère éviter de perdre des segments de parole et rejeter ultérieurement des segments de non-parole 35/46

36 Structuration en tours de parole Segmentation acoustique Détection des changements de locuteur ou de condition acoustique Méthodes changement de locuteur lors des pauses? pas réaliste... modèles a priori des voix des locuteurs? pas toujours connu d avance... métrique sur le signal sans modèle a priori segmentation combinée à la classification Segmentation sans modèle 2 fenêtres glissantes adjacentes w 1 et w 2 durée typique 1 à 5 sec. estimation d un modèle sur chaque fenêtre Gaussienne (matrice de covariance pleine ou diagonale) ou GMM calcul d une distance entre les 2 modèles rapport de vraisemblance, distance Kullback-Leibler, distance BIC... sélection des pics de la fonction distance 36/46

37 Structuration en tours de parole Classification Méthodes classification agglomérative la plus répandue définition d une mesure de similarité entre classes critère d arret (nombre de classes ou distance maximale) Classification avec le critère BIC 1 Gaussienne à matrice de covariance pleine par classe critère de regroupement BIC = (n i + n j )log Σ n i log Σ i n j log Σ j λp avec la pénalité critère d arret P = 1 2 (d + 1 d(d + 1)) log N 2 BIC >= 0 pénalité BIC locale (N = n i + n j ) ou globale (N = k n k) 37/46

38 Structuration en tours de parole Segmentation et classification conjointe Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi segmentation and GMM reestimation GMM clustering less clusters? Viterbi segmentation with energy constraints Bandwidth and gender identification c-std estimation d un GMM sur chaque segment GMM à 8 composants à matrice de covariance diagonale par segment segment Segmentation/classification itérative des GMM fonction objective de log-vraisemblance pénalisée: N log f (s i M ci ) αn βk i=1 avec f (s i M ci ) la vraisemblance s i de la classe c i, N nb de segments, K nb de classes, α > 0 et β > 0 38/46

39 Structuration en tours de parole Architecture multi-passes de LIMSI Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Combinaison de plusieurs niveaux de modélisation pour les locuteurs 1ère phase: beaucoup de segments courts modélisation directe par une Gaussienne à matrice de covariance pleine classification hiérarchique ascendante regroupement des segments à forte similarité 2ème phase: des classes déjà construites modélisation plus riche par un GMM adapté à partir d un modèle générique 39/46

40 Structuration en tours de parole Architecture multi-passes: BIC Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Regroupement BIC (Bayesian Information Criterion) 1 Gaussienne à matrice de covariance pleine par classe c i N (µ i, Σ i ) critère de regroupement BIC = (n i + n j )log Σ i j n i log Σ i n j log Σ j λ 1 2 (d d(d + 1)) log(n i + n j ) avec n i nombre de trames de c i d dimension des vecteurs critère d arret BIC >= 0 40/46

41 Structuration en tours de parole Architecture multi-passes: CLR Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Regroupement CLR architecture GMM-UBM avec adaptation MAP rapport de log-vraisemblance croisé (CLR) clr(c i, c j ) = 1 n i log f (x i M j ) f (x i UBM) + 1 n j log f (x j M i ) f (x j UBM) avec x i les données de la classe c i, M i le modèle de la classe c i, n i nombre de trames de x i seuil de décision δ 41/46

42 Structuration en tours de parole Evaluation Qualité du regroupement automatique (DER) mise en correspondance bi-univoque optimale entre les classes de l hypothese et les identités de référence fraction du temps qui n est pas attribuée au bon locuteur reference A B hypothesis S1 S2 S3 error SPK FA MS DER = Speaker Error (SPK) + False Alarm Speech (FA) + Missed Speech (MS) Données et campagnes d évaluation Broadcast News anglais système BIC: 15 % d erreur système multi-passes: < 10 % d erreur performances comparables sur le français sensibilité aux réglages de seuils 42/46

43 Recherches en cours Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 43/46

44 Recherches en cours Structuration multi-documents Cadre expérimental classique pas de connaissance a priori sur les locuteurs produit une étiquette par locuteur spécifique au document Objectifs en indexation d archives analyser une collection de documents d une même source produire des étiquettes de locuteurs consistantes Structuration en locuteurs multi-documents 44/46

45 Recherches en cours détection et suivi multi-pitch 45/46 Annotation et détection de voix superposée Intérêt croissant pour la parole superposée rare en parole préparée et actualité ignorée par les systèmes de transcription fréquente en parole spontanée conversations téléphoniques, réunions, talk-shows Pourquoi détecter la parole superposée? pour la mettre de côté erreurs de transcription automatique pour la transcrire? pas nécessairement un contenu essentiel pour comprendre la nature de l acte de communication Comment la détecter? séparation de source ou localisation en situation multi-canal cas fréquent d enregistrement mono-canal réaliser un décodage de la parole superposée complexe et pas toujours nécessaire analyse des zones harmoniques

46 Recherches en cours Reconnaissance multimodale des personnes Défi ANR REPERE organisé par la DGA analyse d extraits d émissions télévisées d actualité test à blanc en janvier 2012 Approche multimodale reconnaissance du visage des personnes structuration acoustique des tours de parole nom des intervenants en incrustation dans la vidéo citation du nom des journalistes et des invités Fusion intégration en amont des différentes modalités prise de décision prenant en compte toutes les sources d information 46/46

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

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

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3)

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3) Organisation de la présentation Reconnaissance automatique des langues RMITS 28 http://www.irit.fr/~jerome.farinas/rmits28/ Jérôme Farinas jerome.farinas@irit.fr Équipe SAMOVA (Structuration, Analyse et

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 code-barre sur la tête?

Un code-barre sur la tête? Un code-barre sur la tête? Les nouvelles tendances des technologies de biométrie. Nouvelles technologies GISIC 2010 Photo Steven Puetzer Prof. Jean Hennebert Université de Fribourg HES-SO Jean Hennebert

Plus en détail

Un code-barre sur la tête?

Un code-barre sur la tête? Un code-barre sur la tête? Les nouvelles tendances des technologies d'identification, de la biométrie à l'internet des objets. Présentation au Groupement Industriel Fribourgeois, Décembre 08 Photo Steven

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

Meeting Room : An Interactive Systems Laboratories Project

Meeting Room : An Interactive Systems Laboratories Project Travail de Séminaire DIVA Research Group University of Fribourg Etude de Projets Actuels sur l enregistrement et l analyse de Réunions Meeting Room : An Interactive Systems Laboratories Project Canergie

Plus en détail

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

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

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail

Percol0 - un système multimodal de détection de personnes dans des documents vidéo

Percol0 - un système multimodal de détection de personnes dans des documents vidéo Percol0 - un système multimodal de détection de personnes dans des documents vidéo Frederic Bechet 1 Remi Auguste 2 Stephane Ayache 1 Delphine Charlet 3 Geraldine Damnati 3 Benoit Favre 1 Corinne Fredouille

Plus en détail

Ministère de l Enseignement Supérieur et de la Recherche Scientifique

Ministère de l Enseignement Supérieur et de la Recherche Scientifique Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École

Plus en détail

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012 Extraction et analyse des mesures haut-débit pour l identification de biomarqueurs : problèmes méthodologiques liés à la dimension et solutions envisagées EA 2415 Epidémiologie, Biostatistique et Santé

Plus en détail

N 334 - SIMON Anne-Catherine

N 334 - SIMON Anne-Catherine N 334 - SIMON Anne-Catherine RÉALISATION D UN CDROM/DVD CONTENANT DES DONNÉES DU LANGAGE ORAL ORGANISÉES EN PARCOURS DIDACTIQUES D INITIATION LINGUISTIQUE A PARTIR DES BASES DE DONNÉES VALIBEL Introduction

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

Rapport : Base de données. Anthony Larcher 1

Rapport : Base de données. Anthony Larcher 1 Rapport : Base de données Anthony Larcher 1 1 : Laboratoire d Informatique d Avignon - Université d Avignon Tél : +33 (0) 4 90 84 35 55 - Fax : + 33 (0) 4 90 84 35 01 anthony.larcher@univ-avignon.fr 14

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance

Plus en détail

Objectif du groupe GT1.1 Fusion de Données

Objectif du groupe GT1.1 Fusion de Données Objectif du groupe GT1.1 Fusion de Données Le groupe travaille dans trois directions Le vocabulaire (piloté par ADVITAM et l aide de SITE) L état de l art (piloté par SYROKKO) Deux applications illustratives

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

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

De l importance de l homogénéisation des conventions de transcription pour l alignement automatique de corpus oraux de parole spontanée

De l importance de l homogénéisation des conventions de transcription pour l alignement automatique de corpus oraux de parole spontanée De l importance de l homogénéisation des conventions de transcription pour l alignement automatique de corpus oraux de parole spontanée Dominique Fohr, Odile Mella, Denis Jouvet LORIA INRIA Nancy France

Plus en détail

Détection de transcriptions incorrectes de parole non-native dans le cadre de l apprentissage de langues étrangères

Détection de transcriptions incorrectes de parole non-native dans le cadre de l apprentissage de langues étrangères Détection de transcriptions incorrectes de parole non-native dans le cadre de l apprentissage de langues étrangères Luiza Orosanu Denis Jouvet Dominique Fohr Irina Illina Anne Bonneau INRIA - LORIA, 615

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

ORA 1531 Phonétique clinique. Phonétique et troubles de la communication

ORA 1531 Phonétique clinique. Phonétique et troubles de la communication ORA 1531 Phonétique clinique Phonétique et troubles de la communication Plan du cours Représentation des troubles Transcription phonétique Analyses acoustiques Méthodes d intervention basées sur la phonétique

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

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

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

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

Une pénalité de groupe pour des données multivoie de grande dimension

Une pénalité de groupe pour des données multivoie de grande dimension Une pénalité de groupe pour des données multivoie de grande dimension Laurent Le Brusquet 1, Arthur Tenenhaus 1,2, Gisela Lechuga 1, Vincent Perlbarg 2, Louis Puybasset 3 & Damien Galanaud 4. 1 Laboratoire

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Classification du genre vidéo reposant sur des transcriptions automatiques

Classification du genre vidéo reposant sur des transcriptions automatiques TALN 2010, Montréal, 19 23 juillet 2010 Classification du genre vidéo reposant sur des transcriptions automatiques Stanislas Oger, Mickael Rouvier, Georges Linarès LIA, Université d Avignon, France {stanislas.oger,

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche Cemagref - CIRAD - ENGREF Master ère année Analyse spatiale, analyse géographique, spatialité des sociétés Master

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014

Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO <jiayin.gao@univ-paris3.fr> 20 mars 2014 Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014 La phonétique acoustique La phonétique acoustique étudie les propriétés physiques du signal

Plus en détail

Elisabeth DELAIS ROUSSARIE UMR 7110 / LLF Laboratoire de Linguistique formelle Université de Paris Diderot

Elisabeth DELAIS ROUSSARIE UMR 7110 / LLF Laboratoire de Linguistique formelle Université de Paris Diderot Elisabeth DELAIS ROUSSARIE UMR 7110 / LLF Laboratoire de Linguistique formelle Université de Paris Diderot JOURNEES IPFC Paris, 5 et 6 décembre 2011 Pour travailler sur l acquisition de la dimension orale

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

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Recherche par le contenu dans des documents audiovisuels multilingues

Recherche par le contenu dans des documents audiovisuels multilingues Recherche par le contenu dans des documents audiovisuels multilingues Georges Quénot * Tien Ping Tan * Viet Bac Le * Stéphane Ayache ** Laurent Besacier * Philippe Mulhem * * Laboratoire d Informatique

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

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

codage correcteur d erreurs convolutionnel 1. Définition...2 2. représentation en treillis...3 3. Décodage : algorithme de Viterbi...3 4.

codage correcteur d erreurs convolutionnel 1. Définition...2 2. représentation en treillis...3 3. Décodage : algorithme de Viterbi...3 4. codage correcteur d erreurs convolutionnel. éfinition.... représentation en treillis...3 3. écodage : algorithme de Viterbi...3 4. istance libre...5 5. iagramme d état. Fonction de transfert...5 6. écodage

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

UV Théorie de l Information. Codes à longueur variable

UV Théorie de l Information. Codes à longueur variable Cours n 5 : UV Théorie de l Information Compression de l information : Codage de source sans distorsion Ex 1 : Code de Shannon Fano Ex 2 : Code de Huffman Ex 3 : Codage par plage Ex 4 : Codage de Lempel

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons

Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center

Plus en détail

Analyse conjointe du signal sonore et de sa transcription pour l identification nommée de locuteurs

Analyse conjointe du signal sonore et de sa transcription pour l identification nommée de locuteurs Analyse conjointe du signal sonore et de sa transcription pour l identification nommée de locuteurs Vincent Jousse Sylvain Meignier Christine Jacquin Simon Petitrenaud Yannick Estève Béatrice Daille LIUM

Plus en détail

ACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE. présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT

ACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE. présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT ACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École Doctorale 503 «Sciences et Technologies de l Information

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

ENSIL Troisième Année ELT

ENSIL Troisième Année ELT IFORMATIQUE APPLIQUEE TD1 Dans le cadre de ces TD, nous procédons à la simulation d'un système de télécommunication numérique. Cette opération va nous permettre d'étudier la performance du système sous

Plus en détail

TECHNOLOGIE DE L OPTIQUE GUIDEE

TECHNOLOGIE DE L OPTIQUE GUIDEE REPUBLIQUE DU CAMEROUN Paix - Travail Patrie --------------------- UNIVERSITE DE YAOUNDE I ---------------------- ECOLE NATIONALE SUPERIEURE POLYTECHNIQUE ---------------------- REPUBLIC OF CAMEROUN Peace

Plus en détail

Propriétés des images numériques Contraintes sur l interprétation

Propriétés des images numériques Contraintes sur l interprétation Propriétés des images numériques Contraintes sur l interprétation M.LOUYS, Traitement d images et problèmes inverses Master Astrophysique, Observatoire de Strasbourg, 2013 Propriétés générales d une image

Plus en détail

Le travail phonétique en classe de FLE: à quel moment? Comment? Pourquoi?

Le travail phonétique en classe de FLE: à quel moment? Comment? Pourquoi? Le travail phonétique en classe de FLE: à quel moment? Comment? Pourquoi? Les métiers du FLE Accueil et scolarisation des primo-arrivants. Université de Mons, 12 décembre 2013 Marina Gioiella marina.gioiella@umons.ac.be

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique

Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique Pierre LEVEAU Mémoire de stage de DEA ATIAM année 2003-2004 Mars - Juillet 2004 Université Pierre et Marie Curie

Plus en détail

Identification de nouveaux membres dans des familles d'interleukines

Identification de nouveaux membres dans des familles d'interleukines Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes

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

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

LES NOUVEAUX PROGRAMMES DE

LES NOUVEAUX PROGRAMMES DE LES NOUVEAUX PROGRAMMES DE MATHÉMATIQUES EN STS M A T H S S T S Animation académique Taverny lundi 24 mars 2014 et Savigny sur Orge vendredi 28 mars 2014 PREMIERS REPÈRES Les programmes de STS ont été

Plus en détail

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

Reconnaissance Vocale

Reconnaissance Vocale La Reconnaissance Vocale Reconnaissance vocale : conversion de la voix en fichier numérique qui permet de décoder un signal acoustique de parole en une suite de mots effectivement prononcés INTRODUCTION

Plus en détail

Étude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP

Étude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP Étude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP Frédéric Aman, Michel Vacher, Solange Rossato, Remus Dugheanu, François Portet,

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 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

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

Efficace et ciblée : La surveillance des signaux de télévision numérique (2)

Efficace et ciblée : La surveillance des signaux de télévision numérique (2) Efficace et ciblée : La surveillance des signaux de télévision numérique (2) La première partie de cet article publié dans le numéro 192 décrit la méthode utilisée pour déterminer les points de surveillance

Plus en détail

(Quelle identité par la parole?) Thèse. présentée à la section. Systèmes de Communication. par. Dominique Genoud

(Quelle identité par la parole?) Thèse. présentée à la section. Systèmes de Communication. par. Dominique Genoud Reconnaissance et transformation de locuteurs (Quelle identité par la parole?) Thèse présentée à la section Systèmes de Communication de l Ecole Polytechnique Fédérale de Lausanne (EPFL) par Dominique

Plus en détail

UE11 Phonétique appliquée

UE11 Phonétique appliquée UE11 Phonétique appliquée Christelle DODANE Permanence : mercredi de 11h15 à 12h15, H211 Tel. : 04-67-14-26-37 Courriel : christelle.dodane@univ-montp3.fr Bibliographie succinte 1. GUIMBRETIERE E., Phonétique

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Morphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations

Morphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations U Université dumaine Faculté des Lettres, Langues et Sciences humaines Morphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations Carole Lailler 1 L interrogation : une modalité

Plus en détail

Thèse. Mathieu RAMONA

Thèse. Mathieu RAMONA Thèse présentée pour obtenir le grade de docteur de l Ecole Télécom ParisTech Spécialité : Signal et Images Mathieu RAMONA Classification automatique de flux radiophoniques par Machines à Vecteurs de Support

Plus en détail

Présentation BAI -CITC

Présentation BAI -CITC Présentation BAI -CITC Expertise reconnue dans des niches technologiques Technologies embarquées Technologies sans contact Technologies d identification et d authentification Sécurité des objets connectés

Plus en détail

Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes

Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes Julien Jacques, Christophe Biernacki Laboratoire de Statistiques et Analyse des Données, Université

Plus en détail

Données biologiques haut-débit :

Données biologiques haut-débit : Données biologiques haut-débit : problèmes méthodologiques liés à la dimension et utilisation des algorithmes génétiques Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

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

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

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Journée Résumé Automatique Multimédia 2011/03/17 Emilie Guimier De Neef Plan de la

Plus en détail

Nommage non-supervisé des personnes dans les émissions de télévision : une revue du potentiel de chaque modalité

Nommage non-supervisé des personnes dans les émissions de télévision : une revue du potentiel de chaque modalité Nommage non-supervisé des personnes dans les émissions de télévision : une revue du potentiel de chaque modalité Johann Poignant, Laurent Besacier, Georges Quénot 1 UJF-Grenoble 1 / UPMF-Grenoble 2 / Grenoble

Plus en détail

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678 Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées

Plus en détail

Introduction à MATLAB R

Introduction à MATLAB R Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

4.3 L exploitation d un document vidéo. Outils pour la classe.

4.3 L exploitation d un document vidéo. Outils pour la classe. 4.3 L exploitation d un document vidéo. Outils pour la classe. Utiliser un document vidéo en classe de langue ce n est pas regarder ensemble la télévision mais le visionner en organisant sa découverte

Plus en détail

TP SIN Traitement d image

TP SIN Traitement d image TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types

Plus en détail

R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale

R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Application en classe de la progression des apprentissages en musique 1 er cycle du secondaire

Application en classe de la progression des apprentissages en musique 1 er cycle du secondaire Application en classe de la progression des apprentissages en musique 1 er cycle du secondaire Quelques définitions des termes utilisés Nommer : Désigner par un nom. Identifier : Déterminer la nature de

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

Extraction de descripteurs musicaux: une approche évolutionniste

Extraction de descripteurs musicaux: une approche évolutionniste Extraction de descripteurs musicaux: une approche évolutionniste Thèse de Doctorat de l Université Paris 6 Spécialité: Informatique Aymeric ZILS Sony CSL Paris, 6 rue Amyot 75005 Paris Laboratoire d Informatique

Plus en détail

Security Center Plate-forme de sécurité unifiée

Security Center Plate-forme de sécurité unifiée Security Center Plate-forme de sécurité unifiée Reconnaissance automatique de plaques d immatriculation Vidéosurveillance Contrôle d accès Solutions innovatrices Tout simplement puissant. Le Security Center

Plus en détail

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence

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

Système de sécurité de périmètre INTREPID

Système de sécurité de périmètre INTREPID TM Système de sécurité de périmètre INTREPID La nouvelle génération de systèmes de sécurité de périmètre MicroPoint Cable combine la technologie brevetée de Southwest Microwave, la puissance d un micro

Plus en détail