Acquisition et gestion de contenus numériques multimédia

Dimension: px
Commencer à balayer dès la page:

Download "Acquisition et gestion de contenus numériques multimédia"

Transcription

1 08/10/2014 Acquisition et gestion de contenus numériques multimédia Introduction Valérie Gouet-Brunet et Michel Crucianu IGN / CNAM 8 Octobre 2014 Contenu du cours Introduction : motivations, paradigmes de recherche, descripteurs, indexation, applications Descripteurs d'images : descripteurs génériques globaux et locaux, descripteurs spécifiques Structures d'index multidimensionnels : Malédiction de la dimension, SR-tree, VA-file, LSH et variantes, indexation dans un espace métrique Recherche itérative, reformulation de requêtes Descripteurs de textes Recherche pluri-modale Catégorisation de bases d images 2 Valérie Gouet-Brunet / IGN 1

2 08/10/2014 Contexte Démocratisation de l imagerie numérique Grand public PC familial multimédia Appareil photo, magnétoscope numériques Numérisation et stockage de l information Plus pérenne que les bandes magnétiques Accès à l information plus facile Exemple 1 : IGN (plusieurs téraoctets pour la numérisation streetview du 12 ème arrdt de Paris) Exemple 2 : INA ( h de vidéos numérisées, h en 2015) Évolution des réseaux de communication Internet Télévision numérique Océan d images (fixes, animées) 3 Besoins des utilisateurs Avoir un aperçu du contenu de la base d images Partitionnement de la base résumé visuel de la base Naviguer dans la base «Chemins» pour la navigation Résumés alternatifs Détecter et reconnaître des composantes d images (visages, véhicules, ) Retrouver des images suivant différents critères Recherche d une image spécifique ou d un ensemble d images Recherche d une partie d image ou d un objet dans les images 4 Valérie Gouet-Brunet / IGN 2

3 08/10/2014 Indexation par le texte Par quoi indexer : mots-clés, graphes conceptuels, réseaux sémantiques Mots-clés : tournesol, soleil, Sud Approche la plus ancienne et la plus répandue Inconvénients Ambiguïté inhérente Subjectivité de l indexation Dépendance de la langue Coût de l annotation manuelle Dépendance du contexte Qualité de l annotation très variable 5 Indexation par le texte Agence photographique de la RMN Valérie Gouet-Brunet / IGN Dailymotion 6 3

4 08/10/2014 Indexation par le contenu visuel Indexation : extraction automatique de descripteurs significatifs et compacts, qui seront utilisés pour la recherche dans la collection ou pour la structuration de la collection Extraction de caractéristiques visuelles Signature (descripteur, index, empreinte) 7 Indexation par le contenu visuel Indexation : extraction automatique de descripteurs significatifs et compacts, qui seront utilisés pour la recherche dans la collection ou pour la structuration de la collection Prise en compte directe du contenu visuel mais manifestation possible du fossé sémantique Valérie Gouet-Brunet / IGN 8 4

5 08/10/2014 Indexation par le contenu visuel Recherche/ Détection / Reconnaissance Recherche d images, de parties d images ou d objets similaires Détection d objet est-ce que l objet X est présent dans l image? Reconnaissance d objet quel objet (ou classe d objet) est dans l image? Requête Recherche dans un grand volume de données? 9 Indexation par le contenu visuel Descripteurs des contenus visuels Domaine à l intersection de multiples disciplines Problème : bases d images volumineuses et/ou descripteurs coûteux Analyse d images Fouille de données Méthodes d accès pour les bases d images Statistique, Apprentissage automatique CBIR Content-Based Image Retrieval Bases de Données Variantes Psychologie, Neurosciences Théorie de l Information Interaction Homme-Machine CBCD (Content-Based Copy Detection), CBVR (Content-Based Video Retrieval), etc 10 Valérie Gouet-Brunet / IGN 5

6 08/10/2014 Domaines d application Applications scientifiques Imagerie satellitaire, aéroportée Exemples : OCS, suivi de l évolution de la végétation, évaluation de l impact des feux de forêt IGN Imagerie terrestre (streetview) Exemple : localisation basée image pour l aide à la navigation pédestre IGN IGN Imagerie médicale Exemple : quelles images indiquent une pathologie (but éducatif ou diagnostic) 11 Domaines d application Botanique Exemple : aide à l identification automatique de plantes Sécurité Exemples : biométrie (empreintes, iris), vidéosurveillance Pl ntnet M. Slaughter Valérie Gouet-Brunet / IGN 12 6

7 08/10/2014 Domaines d application Internet Exemples : commerce électronique, annotation et filtrage Web2.0 Design, publicité, architecture Like.com Exemples : rechercher texture spécifique pour l industrie textile, illustrer une publicité par une photo adéquate, détecter des tendances Audiovisuel Exemples : détection de copies (droits), retrouver un plan spécifique d un programme, annotation automatique de vidéos 13 Le CBIR dans l industrie Valérie Gouet-Brunet / IGN 14 7

8 08/10/2014 Définitions : descripteur, signature Descripteur d image Méthode d extraction du contenu visuel de l image (pertinent pour l application) Exemple : histogramme couleur Mesure de similarité associée Exemple : intersection d histogrammes Signature d image Vecteur numérique représentant le contenu visuel de l image Exemple : 1 vecteur de dimension 216 pour l histogramme couleur Espace de description (de représentation) des images 1 image = 1 ou plusieurs points dans un espace multimensionnel Espace de recherche dans la base d images Structuration de l espace de description pour une recherche efficace (index) 15 Définitions : index Qu est ce qu un index? Analyse d images Recherche d images par contenu visuel Bases de données En bases de données : l index d une base est une structure de données (multidimensionnelle) permettant de structurer la base pour un accès efficace aux données «Indexer une base d images» En image : l index d une image est sa signature «Indexer une image» 16 Valérie Gouet-Brunet / IGN 8

9 08/10/2014 Indexation d une image Traitement off-line Choix d un espace de représentation Calcul des descripteurs de l image dans cet espace Exemple : histogramme couleur de l image Définition d une mesure de similarité dans cet espace 17 Indexation d une base d images Construction de l index Stockage efficace des descripteurs en machine Structuration du nuage de points dans l espace des caractéristiques, pour réduire ultérieurement le coût de la requête Compromis entre Stockage des données (mémoire) Recherche dans l ensemble des données (temps de réponse) Index multidimensionnels B-tree, Kd-tree, R-tree, X-tree tables de hachage VA-files 18 Valérie Gouet-Brunet / IGN 9

10 08/10/2014 Architecture générale d un SRI SRI = Système de Recherche d Images Architecture client-serveur 19 Les SRI les mieux connus Quelques systèmes industriels QBIC (IBM, 1995) : ImageFinder (Attrasoft) : Excalibur (Excalibur Technologies, 1996) : Virage (Virage Technologies, 1996) : Milpix (2007) : Idée Inc. (Visual Search Lab, Piximilar, TinEye) : Polar Rose (face recognition) : Reuters Labs (video search) : Bing (Microsoft, 2009) : Quelques systèmes académiques Ikona (INRIA Rocquencourt IMEDIA) : Blobworld (Université de Californie Berkeley) Photobook (Massachussetts Institute of Technology) Viper (Université de Genève Computer Vision Group) SIMPLIcity (Stanford University) 20 Valérie Gouet-Brunet / IGN 10

11 08/10/2014 Principales difficultés 1. L invariance de la description Invariance possible à Translation, rotation image Changement de point de vue Changement d échelle Changement d illumination (interne, externe) Occultations Arrière-plans différents Caméras différentes (grand angulaire, etc.) Images de mauvaise qualité (processus d acquisition non maîtrisé, codage JPEG, etc.) Identifier les contraintes liées à l application Exemple : forts changement d échelle? D illumination? En inférer les changements auxquels les descripteurs doivent être invariants (ou au moins robustes) et les changements par rapport auxquels ils doivent être discriminants 21 Principales difficultés 2. La dimension de la description Dimension de la signature / Nombre de signatures par image Exemple 1 : images décrites par un histogramme couleur décrit par un vecteur de dimension 216 recherche dans un espace de dimension 216 contenant points Exemple 2 : images décrites par 20 régions décrites par un vecteur de dimension 40 recherche dans un espace de dimension 40 contenant 10 millions ( ) de points Déterminer le plus petit ensemble de grandeurs invariantes Problématique du passage à l échelle (bien connue en bases de données) 22 Valérie Gouet-Brunet / IGN 11

12 08/10/2014 Types de bases d images Bases génériques Contenu hétérogène (bases grand public, Internet, archives généralistes) 23 Types de bases d images Bases spécifiques Spécifiques à un domaine d application Contenu homogène (visages, empreintes digitales, imagerie satellite, monnaies ) 24 Valérie Gouet-Brunet / IGN 12

13 08/10/2014 Un exemple de descripteur L histogramme couleur Modélisation de la distribution des couleurs Couleur moyenne Histogramme des couleurs Moments Au préalable : choix d un espace de représentation des couleurs RVB, CMY, HSV, Lab, Luv, 25 Un exemple de descripteur L histogramme couleur Une signature couleur : l histogramme couleur Échantillonnage des couleurs de l image Ex : image codée sur 24 bits échantillonnée en 216 couleurs (= 6 6 6) Calcul de l histogramme pour chaque couleur : h(c) c 26 Valérie Gouet-Brunet / IGN 13

14 08/10/2014 Un exemple de descripteur L histogramme couleur Mesures de similarité entre histogrammes couleur Intersection d histogrammes Distances L 1 L 2 généralisée L 27 Un exemple de descripteur L histogramme couleur Acquisition et gestion de contenus numériques multimédia / Introduction 28 Valérie Gouet-Brunet / IGN 14

15 08/10/2014 Paradigmes de recherche Initialisation de la recherche (problème de la page zéro) Recherche par l exemple Recherche itérative avec contrôle de pertinence Recherche par composition à partir d un thésaurus visuel 29 Initialisation de la recherche Initialisation aléatoire Présentation d un échantillon aléatoire d images Problème : les images montrées ne sont pas représentatives de la base Exemple : base Columbia (1440 images, 20 objets sous 72 points de vue) 30 Valérie Gouet-Brunet / IGN 15

16 08/10/2014 Initialisation de la recherche Résumés visuels 1. Partitionner la base en classes Nombre de classes en général inconnu 2. Présenter à l utilisateur un bon représentant pour chaque classe Fournit un résumé de la base Facilite la recherche d une bonne image de départ Partitionnement et choix de représentants : traitements off-line 31 Recherche par l exemple Objectif : retrouver les images similaires à une image exemple Paradigme le plus répandu et le mieux traité actuellement, de nombreuses applications y ont recours Méthode 1. Choix d un exemple (requête) par l utilisateur (image, partie d image) 2. Comparaison du descripteur de la requête avec ceux de la base Calcul de distances entre la requête et la base Parfois plusieurs descripteurs exemples (cas des descripteurs locaux ou des premières méthodes de contrôle de pertinence) 3. Recherche des images les plus proches Retourner l image la plus proche Retourner les k images les plus proches Retourner les images situées à une distance inférieure à une distance donnée ε p 32 Valérie Gouet-Brunet / IGN 16

17 08/10/2014 Recherche par l exemple globale Réponses classées par ordre de similarité visuelle décroissante Requête (ici l image entière) 33 Recherche par l exemple locale Requête (ici une partie d image) Valérie Gouet-Brunet / IGN 34 17

18 08/10/2014 Contrôle de pertinence Objectif : retrouver un ensemble d images pertinentes par rapport à la recherche en cours (caractérisées en général par des relations de similarité plus complexes) Principe : raffinement itératif exploitant les réponses de l utilisateur (qu on peut voir comme une recherche avec reformulation de requête) Étapes lors de chaque itération : 1. Le système montre des images candidates à l utilisateur 2. L utilisateur marque certaines des images comme étant des exemples positifs («ce que je cherche ressemble à ça») ou négatifs («ce que je cherche ne correspond pas à ça») 3. Le système affine son estimation de l ensemble d intérêt 35 Contrôle de pertinence : exemple Objectif : retrouver des peintures de Cézanne Disponible : description globale (couleur, texture, forme) Exemples positifs Exemples négatifs 36 Valérie Gouet-Brunet / IGN 18

19 08/10/2014 Contrôle de pertinence : exemple (2) Réponses après plusieurs itérations : 12 images de peintures de Cézanne sur la première page 37 Composition à partir de thésaurus Principe : construction d un représentant de l image mentale (la requête) par composition de prototypes de régions (thésaurus de régions) Exemple : recherche d un paysage urbain Formulation de la requête Composition logique correspondante Catégorie «régions à dominante verte» 38 Valérie Gouet-Brunet / IGN 19

20 08/10/2014 Composition à partir de thésaurus (2) Résultat de la requête Exemples d images rejetées 39 Valérie Gouet-Brunet / IGN 20

Bases de données multimédia

Bases de données multimédia Bases de données multimédia Séance 1 : Introduction à la recherche par contenu visuel dans les banques d images Valérie Gouet-Brunet 5 octobre 2011 Plan de la séance Contexte, Motivations Domaines d application

Plus en détail

Bases de données multimédia

Bases de données multimédia Bases de données multimédia Séance 1 : Introduction Michel Crucianu (Cnam) Valérie Gouet-Brunet (IGN) http://cedric.cnam.fr/~crucianm/bdm.html Contenu du cours Introduction : motivations, applications,

Plus en détail

Bases de données multimédia

Bases de données multimédia Bases de données multimédia Séance 1 : Introduction à la recherche par contenu visuel dans les banques d images Valérie Gouet-Brunet valerie.gouet@cnam.fr 17 Octobre 2007 Plan de la séance Contexte, Motivations

Plus en détail

La Grille, moyen fondamental de l analyse

La Grille, moyen fondamental de l analyse Fiche méthodologie #1 La Grille, moyen fondamental de l analyse Cette rubrique présente des notes et documents publiés par Philippe Latour, enseignant au Master Géomarketing et stratégies territoriales

Plus en détail

Indexation 3D à partir de vues 2D

Indexation 3D à partir de vues 2D Indexation 3D à partir de vues 2D Thibault Napoléon 1 Télécom ParisTech - TSI Qu est ce que l indexation 3D? Recherche dans une grande base de donnée 3D Recherche par le contenu (la forme, la couleur...)

Plus en détail

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU

MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DE GENIE ELECTRIQUE ET D INFORMATIQUE DEPARTEMENT AUTOMATIQUE MEMOIRE DE MAGISTER en

Plus en détail

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION Laboratoire Systèmes de Vision Embarqués CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION RT LIST DTSI - LSVE CEA/SACLAY 91191 GIF-SUR-YVETTE CEDEX

Plus en détail

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques Nouvelles de l AS fouille d images Émergence de caractéristiques sémantiques Patrick GROS Projet TEXMEX IRISA - UMR 6074, CNRS, université de Rennes 1, INSA Rennes, INRIA L AS fouille d images Qu est-ce

Plus en détail

Présentation des Images et introduction a la reconnaissance des formes

Présentation des Images et introduction a la reconnaissance des formes Master Info 1 Image et RF Présentation des Images et introduction a la reconnaissance des formes Plis fòs ba pengwen là! Objet de ce cours? Comprendre comment est acquise / stockée une image. Quelles mesures

Plus en détail

MPEG-7 et la description des contenus vidéo. Quelques Acronymes Et QQ A E A C Autres Codes. Plan. Philippe Joly

MPEG-7 et la description des contenus vidéo. Quelques Acronymes Et QQ A E A C Autres Codes. Plan. Philippe Joly MPEG- et la description des contenus vidéo Philippe Joly Cet exposé faisait très largement référence aux documents de travail émanant du groupe MPEG disponibles sur le web. Les références aux sites concernés

Plus en détail

Recherche d images similaires à partir de descripteurs couleurs

Recherche d images similaires à partir de descripteurs couleurs Descripteurs couleurs Recherche d images similaires à partir de descripteurs couleurs Romain Bachy supervisé par Emi Aldea Romain Bachy Master 2 IMA - UPMC 20 janvier 2010 Romain Bachy Master 2 IMA - UPMC

Plus en détail

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Ce cours est très proche du cours diffusé

Plus en détail

Indexation d'images. Cours Master IA&D. Techniques du traitement d'images. Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique

Indexation d'images. Cours Master IA&D. Techniques du traitement d'images. Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique Indexation d'images Cours Master IA&D Techniques du traitement d'images Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique Indexation - Introduction Le sujet de ce cours est la recherche

Plus en détail

Fusion de classifiers visuels et textuels pour un système de recherche d images

Fusion de classifiers visuels et textuels pour un système de recherche d images Fusion de classifiers visuels et textuels pour un système de recherche d images Sabrina Tollari, Hervé Glotin, Jacques Le Maitre Université du Sud Toulon-Var Giens, 16 juin 2004 1 Plan Problématique Du

Plus en détail

Journée Rencontres Académiques SCS

Journée Rencontres Académiques SCS Journée Rencontres Académiques SCS 24/01/2012 Prof. Frédéric Precioso Knowledge Extraction, Integration & Algorithms (KEIA) http://keia.i3s.unice.fr/ 2 /35 Permanents Célia Pereira da Costa, Christel Dartigues,

Plus en détail

Présentation d'arago, le portail de la photographie en ligne www.photo-arago.fr

Présentation d'arago, le portail de la photographie en ligne www.photo-arago.fr Présentation d'arago, le portail de la photographie en ligne www.photo-arago.fr Le Ministère de la Culture et de la Communication a confié à la Rmn-Grand Palais, en liaison avec la mission de la photographie

Plus en détail

Module 3 : Introduction à la Modélisation SOUS MODELER

Module 3 : Introduction à la Modélisation SOUS MODELER Module 3 : Introduction à la Modélisation SOUS MODELER 1 Techniques prédictives Passé pour prédire l avenir 2 Concepts de la modélisation Données test / apprentissage Généralement créées par l utilisateur

Plus en détail

Construire le nombre à la maternelle IEN maternelle Créteil - Josette Denizart- Annie Talamoni- Annette Breiloux

Construire le nombre à la maternelle IEN maternelle Créteil - Josette Denizart- Annie Talamoni- Annette Breiloux Construire le nombre à la maternelle IEN maternelle Créteil - Josette Denizart- Annie Talamoni- Annette Breiloux 1 Éléments institutionnels l Historique : du calcul à des activités mathématiques complexes

Plus en détail

PERCOL Reconnaissance de personnes dans des contenus audiovisuels 2. QCOMPERE Consortium Quaero pour la Reconnaissane Multimodale des Personnes

PERCOL Reconnaissance de personnes dans des contenus audiovisuels 2. QCOMPERE Consortium Quaero pour la Reconnaissane Multimodale des Personnes Présentation des projets financés au titre de l édition 2010 du Programme «Contenus et interactions» Défi Multimédia : REconnaissance de PERsonnes dans des Émissions audiovisuelles (REPERE) ACRONYME et

Plus en détail

Description du projet

Description du projet Polytech Paris Sud > Et4 Informatique > Recherche d information dans les textes Description du projet Ce projet est à réaliser en groupes de 4 ou 5 étudiants et sera à rendre collectivement. Le rendu sera

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

Bases de données multimédia VIII indexation vidéo & audio

Bases de données multimédia VIII indexation vidéo & audio Bases de données multimédia VIII indexation vidéo & audio ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Plan Spécificité du problème Filtrage temporel Détecteur spatio-temporels Aggrégation temporelle

Plus en détail

Décrets, arrêtés, circulaires

Décrets, arrêtés, circulaires Décrets, arrêtés, circulaires TEXTES GÉNÉRAUX MINISTÈRE DE L ÉDUCATION NATIONALE, DE LA JEUNESSE ET DE LA VIE ASSOCIATIVE Arrêté du 8 février 2011 fixant le programme pour le cycle terminal de la série

Plus en détail

SAS ENTERPRISE MINER : LA MIGRATION DE PROJETS

SAS ENTERPRISE MINER : LA MIGRATION DE PROJETS SAS ENTERPRISE MINER : LA MIGRATION DE PROJETS Après une présentation rapide des modes d utilisation de SAS Enterprise Miner et de ses versions, depuis celle intégrée au sein de SAS au client Java, l objet

Plus en détail

Modélisation objet avec UML

Modélisation objet avec UML Modélisation objet avec UML Le développement des systèmes est une tâche d une grande envergure et un investissement important pour toute entreprise. La modélisation des systèmes déjà existants ou d un

Plus en détail

Vers une intégration pédagogique des TICE

Vers une intégration pédagogique des TICE Formation F3MITIC Vers une intégration pédagogique des TICE Scénario lié aux modules 1 et 2A Marc EBNETER Gilbert LIPPUNER André VIEKE 28 septembre 2001 - Version: 1.00 Discipline ou domaine: pédagogie

Plus en détail

Synthèse d images. et modélisation des images numériques

Synthèse d images. et modélisation des images numériques Synthèse d images et modélisation des images numériques Introduction L infographie qui a une certaine époque était un domaine limité de l informatique, du moins dans ses applications, est devenue maintenant

Plus en détail

Techniques d indexation d images Médicales par

Techniques d indexation d images Médicales par Techniques d indexation d images Médicales par contenu Souad Meziane Tani, Abdelhafid Bessaid To cite this version: Souad Meziane Tani, Abdelhafid Bessaid. contenu. 011. Techniques d indexation

Plus en détail

Google améliore la recherche d images

Google améliore la recherche d images Google améliore la recherche d images Soucieux de conserver sa position de leader dans le secteur des moteurs de recherche sur Internet, Google se montre très actif ces derniers temps et intègre de nouveaux

Plus en détail

Devis d évaluation de programme

Devis d évaluation de programme Direction des études Devis d évaluation de programme Tourisme 1 er décembre 2009 www.cegepgranby.qc.ca 235, rue St-Jacques C.P. 7000, Granby (Québec) J2G 3N1 Téléphone : (450) 372-6614 Télécopieur : (450)

Plus en détail

Journal Officiel de la République Tunisienne 27 novembre 2009 N 95. Page 3704

Journal Officiel de la République Tunisienne 27 novembre 2009 N 95. Page 3704 Arrêté du ministre de l'enseignement supérieur, de la recherche scientifique et de la technologie du 29 octobre 2009, fixant le régime des études et des examens applicable à l institut supérieur des arts

Plus en détail

Java : Programmation Impérative

Java : Programmation Impérative 1 Java : Programmation Impérative Résumé du cours précédent (I11) Paradigme impératif Algorithmique simple Découpage fonctionnel Qu est-ce qu un programme informatique? / un langage de programmation? /

Plus en détail

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement II1 - Premier semestre de la première année (S1) Module Crédits Nombre d heures Cours intégrés

Plus en détail

BRGM/RP RP- 54 787 - FR

BRGM/RP RP- 54 787 - FR Aide à la mise au point d une méthodologie de traitement de la couverture territoriale SPOT 5 pour le calcul des superficies dégradées par l ancienne activité minière en Nouvelle-Calédonie Rapport final

Plus en détail

T.S.A T E S T S E N I O R A T T I T U D E S. Un test de personnalité spécifiquement conçu pour le recrutement et le bilan professionnel des seniors

T.S.A T E S T S E N I O R A T T I T U D E S. Un test de personnalité spécifiquement conçu pour le recrutement et le bilan professionnel des seniors T.S.A T E S T S E N I O R A T T I T U D E S Un test de personnalité spécifiquement conçu pour le recrutement et le bilan professionnel des seniors Une analyse fonctionnelle de l image de soi et des compétences

Plus en détail

Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux

Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux Innovation dans l évaluation de la ressource : nouvelles techniques de caractérisation Regefor 2015 INRA Champenoux Alexandre Piboule, Anne Jolly ONF - Département Recherche, Développement et Innovation

Plus en détail

Bases de données multimédia VII Bag of words

Bases de données multimédia VII Bag of words Bases de données multimédia VII Bag of words ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Video-Google! LA référence : Josef Sivic and Andrew Zisserman «Video Google: A Text Retrieval Approach to

Plus en détail

Compétences du B2i collège et activités documentaires

Compétences du B2i collège et activités documentaires Compétences du B2i collège et activités documentaires Aujourd hui, les activités de recherche documentaire intègrent nécessairement l utilisation de l informatique, du multimédia et de l Internet. Lors

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Initialisation automatique du recalage 2D/3D pour la réalité virtuelle et augmentée

Initialisation automatique du recalage 2D/3D pour la réalité virtuelle et augmentée Initialisation automatique du recalage 2D/3D pour la réalité virtuelle et augmentée IRISA - Equipe TEMICS 6 Fevrier 2008 1/18 Problématique : Recalage vidéo 2D et modèle 3D Problématique Avec : Le modèle

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

Concours «Bâtiments Biosourcés 2015» pour les étudiants en architecture Règlement

Concours «Bâtiments Biosourcés 2015» pour les étudiants en architecture Règlement Concours «Bâtiments Biosourcés 2015» pour les étudiants en architecture Règlement Présentation générale Les matériaux biosourcés sont par définition des matériaux issus de la biomasse végétale et animale

Plus en détail

Les caractéristiques d une ressource pédagogique et les besoins d indexation qui en résultent

Les caractéristiques d une ressource pédagogique et les besoins d indexation qui en résultent Les caractéristiques d une ressource pédagogique et les besoins d indexation qui en résultent La vision du côté TICE (technologies de l information et de la communication pour l enseignement) Note : compte-rendu

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 D1 RECRUTEMENT DES ASSISTANTS INGÉNIEURS...2 D1.1 Assistant cartographe (nouveau programme)...2 D1.2 Assistant en production et

Plus en détail

INDEXATION DE DOCUMENTS AUDIOVISUELS. Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008

INDEXATION DE DOCUMENTS AUDIOVISUELS. Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008 INDEXATION DE DOCUMENTS AUDIOVISUELS Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008 Présentation MCF informatique Université Claude Bernard Lyon 1 Equipe

Plus en détail

MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE

MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine : Sciences, Technologies, Santé Nature de la formation : Mention Niveau d'étude

Plus en détail

INTÉGRATION ET STRATÉGIE D ENTREPRISE. ADM-21916 Sections A et H

INTÉGRATION ET STRATÉGIE D ENTREPRISE. ADM-21916 Sections A et H FACULTÉ DES SCIENCES DE L ADMINISTRATION PLAN DE COURS Hiver 2004 Le 8 janvier 2004 INTÉGRATION ET STRATÉGIE D ENTREPRISE ADM-21916 Sections A et H Professeure : Mélanie Roussy 6240, Pavillon Palasis-Prince

Plus en détail

GENERIC: UN SYSTEME POUR LA RECHERCHE D IMAGE BASEE SUR LES ATTRIBUTS VISUELS ET LES CONNAISSANCES

GENERIC: UN SYSTEME POUR LA RECHERCHE D IMAGE BASEE SUR LES ATTRIBUTS VISUELS ET LES CONNAISSANCES GENERIC: UN SYSTEME POUR LA RECHERCHE D IMAGE BASEE SUR LES ATTRIBUTS VISUELS ET LES CONNAISSANCES R.Oulad Haj Thami 1 T.Filali Ansary 2 M.Daoudi 3 H.Chaarani 4 1 LI, équipe IHM, Université Mohamed V-Souissi,

Plus en détail

SECTION 2 BILAN DES COMPÉTENCES

SECTION 2 BILAN DES COMPÉTENCES SECTION 2 BILAN DES COMPÉTENCES Bilan des compétences INTRODUCTION... 3 LES OBJECTIFS DU BILAN DES COMPETENCES... 3 LE DEROULEMENT DE VOTRE BILAN DES COMPETENCES... 3 LE BILAN DES COMPETENCES DU PROGRAMME...

Plus en détail

business center mode d emploi

business center mode d emploi business center mode d emploi p.03 Mon audience mesurée p.20 Ma mise à jour p.30 Ma gestion Je pilote mon audience depuis mon tableau de bord J actualise mon site Internet Je consulte ma commande en détail

Plus en détail

L apprentissage : une formation en alternance

L apprentissage : une formation en alternance Formation de formateurs en alternance nouvellement recrutés de CFA-BTP Direction de la formation L apprentissage : une formation en alternance L apprentissage permet une insertion progressive des jeunes

Plus en détail

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A.

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A. 1 CM Lundi 04-01-2016 De 09h à 10h15 Techniques d'expressions vectorielles (DS) Pratique Lundi 04-01-2016 De 12h30 à 13h45 C2i 1 (DS) Pratique Mardi 05-01-2016 De 12h30 à 13h45 Traitement d'images numériques

Plus en détail

LISTE DES COMPETENCES BACHELIER EN INFORMATIQUE DE GESTION

LISTE DES COMPETENCES BACHELIER EN INFORMATIQUE DE GESTION Administration générale de l'enseignement et de la Recherche scientifique Commission de concertation de l Enseignement de Promotion sociale LISTE DES COMPETENCES BACHELIER EN INFORMATIQUE DE GESTION COMMISSION

Plus en détail

8TRD147: Animation et images par ordinateur

8TRD147: Animation et images par ordinateur 8TRD147: Animation et images par ordinateur Introduction au traitement numérique des images Y. Chiricota Département d informatique et de mathématique Université du Québec à Chicoutimi / Certaines des

Plus en détail

Introduction. 1. ADSL : Asymetric Digital Subscriber Line. 2. Video On Demand (VOD).

Introduction. 1. ADSL : Asymetric Digital Subscriber Line. 2. Video On Demand (VOD). Introduction Si l on parle aisément de «révolution industrielle» pour caractériser les conquêtes techniques qui n ont cessé de se multiplier entre les XVIII e et XX e siècles, on peut parler de la même

Plus en détail

Département de la Drôme

Département de la Drôme Département de la Drôme Mise en place des Programmes Personnalisés de Réussite Educative. Comment cibler les élèves? Les procédures de choix des élèves sont essentielles Certaines interprétations peuvent

Plus en détail

Examen de Bases de données multimédia 5 février 2014 durée : 2h00

Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Documents autorisés : transparents du cours, notes de cours. Calculatrice non autorisée. Bonus = points en plus hors barème. EXERCICE 1.

Plus en détail

LST Informatique Après le S2

LST Informatique Après le S2 LST Après le S2 C.Blanc, C. Pannier Le 29 avril 2004 Semestre 2 Semestre 3-4 Licence MIAGE Licence S&T IUT Licence Pro SIL MASTER MIAGE BAC +5 MASTER BAC +5 Vie Active Diplomé BAC + 3 2 Semestre 2 Semestre

Plus en détail

DESCRIPTION DE COURS. Nom du cours : Mathématiques 8. Nom de l enseignante : Mme Dianne L. Doucet. Année Scolaire : 2009 2010

DESCRIPTION DE COURS. Nom du cours : Mathématiques 8. Nom de l enseignante : Mme Dianne L. Doucet. Année Scolaire : 2009 2010 DESCRIPTION DE COURS Nom du cours : Mathématiques 8 Nom de l enseignante : Mme Dianne L. Doucet Année Scolaire : 2009 2010 1. Description du cours : Le programme de mathématiques de la 8 e année vise à

Plus en détail

[2016][AA1] Consignes

[2016][AA1] Consignes [2016][AA1] Consignes Consignes pour le bilan architecture d'août 2014 {EPITECH.} 2016_AA1_Consignes.docx Description du document Titre [2016][AA1] Consignes Date 07/12/2014 Auteur Responsable E-Mail Julien

Plus en détail

UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image

UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image Responsable de la mention ou du parcours : Mireille Garreau, Co-responsable TB : Valérie Burdin

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL Département des sciences comptables. PLAN DE COURS SCO4524 CONTRÔLE INTERNE Automne 2008

UNIVERSITÉ DU QUÉBEC À MONTRÉAL Département des sciences comptables. PLAN DE COURS SCO4524 CONTRÔLE INTERNE Automne 2008 UNIVERSITÉ DU QUÉBEC À MONTRÉAL Département des sciences comptables PLAN DE COURS SCO4524 CONTRÔLE INTERNE Automne 2008 Professeur : Coordonnateur : À déterminer Claude Pilote R-4665 X 7944 pilote.claude@uqam.ca

Plus en détail

REGLEMENT DU CONCOURS D IDEES : IMAGINEZ LA BIBLIOTHEQUE UNIVERSITAIRE DU XXIème SIECLE

REGLEMENT DU CONCOURS D IDEES : IMAGINEZ LA BIBLIOTHEQUE UNIVERSITAIRE DU XXIème SIECLE REGLEMENT DU CONCOURS D IDEES : IMAGINEZ LA BIBLIOTHEQUE UNIVERSITAIRE DU XXIème SIECLE Date d ouverture : lundi 2 mars 2015 Date limite de dépôt des projets: vendredi 29 mai 2015 Comité de sélection :

Plus en détail

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Projet GIZ-CRTS Formation en Télédétection spatiale et SIG CRTS, 18-21 janvier 2016 Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Abderrahman

Plus en détail

Indexation et recherche visuo-textuelle des bases de données images

Indexation et recherche visuo-textuelle des bases de données images Indexation et recherche visuo-textuelle des bases de données images Hadi Akram LRSD, Département d informatique, Faculté des Sciences, Université Ferhat Abbas-Sétif 1, Algérie. akram_ha9@yahoo.fr Hadi

Plus en détail

INDEXATION des IMAGES

INDEXATION des IMAGES INDEXATION des IMAGES Marine Campedel www.tsi.enst.fr/~campedel mars 2005 Plan du cours Généralités Méthodes Indexation textuelle Indexation par le contenu Récupération de l information (retrieval) Feedback

Plus en détail

L appel. Définition et fonctions : Organisation et contenus :

L appel. Définition et fonctions : Organisation et contenus : L appel Définition et fonctions :! Il s agit d un moment de «mise en place et de rappel des repères temporels de la vie collective» mais surtout d un moment où la reconnaissance des uns et des autres est

Plus en détail

Ingénierie Informatique parcours CAMSI : conception d'architectture de machines et de systèmes informatiques

Ingénierie Informatique parcours CAMSI : conception d'architectture de machines et de systèmes informatiques Université de TOULOUSE 1/ parcours CAMSI : conception d'architectture de machines et de systèmes informatiques L1 S1 Informatique 1 7 L1 S1 Mathématiques 1 6 L1 S1 Outils mathématiques L1 S1 Physique 1

Plus en détail

Préparation et réalisation d une leçon 1-Introduction :

Préparation et réalisation d une leçon 1-Introduction : Préparation et réalisation d une leçon 1-Introduction : J enseigne les sciences physiques depuis 30 ans. En mai 2003 j ai découvert le tableau blanc interactif (TBI). Convaincu du potentiel de cet outil

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Veille technologique en télécommunications

Veille technologique en télécommunications Veille technologique en télécommunications Khalid EL HIMDI Ismail KASSOU Hamid MACHCHOUR 1 Techniques d analyse de contenus L analyse de contenus est au cœur de la gestion du cycle de vie de l information

Plus en détail

Docteur en linguistique informatique et Directeur Général de Pertinence Mining

Docteur en linguistique informatique et Directeur Général de Pertinence Mining NOS PARTENAIRES Network Telecom Security Solutions En partenariat technique avec Conseil, formation et accompagnement Création, Gestion et Stratégie Management et sécurité de l'information stratégique

Plus en détail

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) )

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) El)Mustapha)Mouaddib)(mouaddib@u:picardie.fr)) O.)Labbani:Igbida,)P.)Merveilleux)et)R.)Marie) Contexte' Projet'ANR'R.Discover' Travaux'soutenus'par':'

Plus en détail

Eléments de programmation d une séquence sur la pratique de la photographie

Eléments de programmation d une séquence sur la pratique de la photographie «Quoi qu elle donne à voir et quelle que soit sa manière, une photo est toujours invisible : ce n est pas elle qu on voit» Roland Barthes «Photographier me permet de me souvenir, de fouiller dans ma mémoire,

Plus en détail

Chapitre 1: Introduction aux images numériques éi

Chapitre 1: Introduction aux images numériques éi Université Tunis Elmanar Institut Supérieur d Informatique Cours : Traitement d images Chapitre 1: Introduction aux images numériques éi présenté par: Mohamed Sahbi Bahroun Année Universitaire 2011/2012

Plus en détail

International Organization for Standardization) Au sein de l ISO, un Comité Technique dédié aux industries graphiques et à l édition : le TC130

International Organization for Standardization) Au sein de l ISO, un Comité Technique dédié aux industries graphiques et à l édition : le TC130 International Organization for Standardization) Au sein de l ISO, un Comité Technique dédié aux industries graphiques et à l édition : le TC130 ISO 12647 est une norme déclinée suivant cette nomenclature

Plus en détail

Recherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014

Recherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014 Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes

Plus en détail

Analyse multivariée approfondie

Analyse multivariée approfondie Analyse multivariée approfondie Enseignants: NIANG N. et RUSSOLILLIO G. Maître de conférences Statistique Appliquée Laboratoire CEDRIC CNAM http://www.cnam.fr et d autres intervenants extérieurs au Cnam

Plus en détail

L approche des nombres en maternelle

L approche des nombres en maternelle L approche des nombres en maternelle I. Du côté théorique et didactique: A. Le nombre ça sert à quoi? a) Les nombres servent à mémoriser les quantités et à construire ainsi des collections ayant le même

Plus en détail

Digital Workplace et Gestion des connaissances Concepts et mise en oeuvre

Digital Workplace et Gestion des connaissances Concepts et mise en oeuvre Avant-propos 1. Objectif du livre 17 2. Illustrations des exemples de ce livre 18 2.1 Office 365 comme plateforme technologique pour une digital workplace 18 2.2 SharePoint et Yammer à l honneur 18 3.

Plus en détail

Informatique Répartie

Informatique Répartie INSA - ASI InfoRep : Conception de Systèmes Répartis 1/27 Informatique Répartie Conception d Architectures Réparties Alexandre Pauchet INSA Rouen - Département ASI BO.B.RC.18, pauchet@insa-rouen.fr INSA

Plus en détail

Programmation des systèmes réparties

Programmation des systèmes réparties Programmation des systèmes réparties Frédéric Gava (MCF) gava@univ-paris12.fr LACL, bâtiment P2 du CMC, bureau 221 Université de Paris XII Val-de-Marne 61 avenue du Général de Gaulle 94010 Créteil cedex

Plus en détail

Appel à propositions n PTD/10/071 Annexe I, page 18

Appel à propositions n PTD/10/071 Annexe I, page 18 Annexe I, page 18 23 INSTALLATIONS ELECTRIQUES 237 237.7 SYSTEME ANTIVOL POUR BIBLIOTHEQUE 1. GENERALITES Cet appel à propositions comprend la fourniture, le montage, le raccordement et la mise en service

Plus en détail

L ESSENTIEL DU PLAN MARKETING OPÉRATIONNEL

L ESSENTIEL DU PLAN MARKETING OPÉRATIONNEL GUÉNAËLLE BONNAFOUX CORINNE BILLON Sous la direction de NATHALIE VAN LAETHEM L ESSENTIEL DU PLAN MARKETING OPÉRATIONNEL LES ESSENTIELS DU MARKETING L ESSENTIEL DU PLAN MARKETING OPÉRATIONNEL En alternant

Plus en détail

Référencement naturel et outils Google

Référencement naturel et outils Google Référencement naturel et outils Google Mardi 15 mars de 9h30 à 12h30 : Mauléon Jeudi 17 mars de 9h30 à 12h30 : Hasparren Offices de Tourisme de la Montagne Basque Soule / St Jean Pied de Port-Baïgorry

Plus en détail

Accessibilité des ERP existants : le diagnostic. Michel JANODY CETE de Lyon / DVT / Pôle de compétence «accessibilité»

Accessibilité des ERP existants : le diagnostic. Michel JANODY CETE de Lyon / DVT / Pôle de compétence «accessibilité» Accessibilité des ERP existants : le diagnostic Michel JANODY CETE de Lyon / DVT / Pôle de compétence «accessibilité» I- Une loi pour améliorer les conditions de vie des personnes handicapées La loi n

Plus en détail

Contributions pour la Recherche d Images par Composantes Visuelles

Contributions pour la Recherche d Images par Composantes Visuelles Contributions pour la Recherche d Images par Composantes Visuelles Julien Fauqueur To cite this version: Julien Fauqueur. Contributions pour la Recherche d Images par Composantes Visuelles. Interface homme-machine

Plus en détail

1. Conception. Système d'information. En général, les couches peuvent être définies comme suit:

1. Conception. Système d'information. En général, les couches peuvent être définies comme suit: Polytech'Marseille 1 er Semestre 2013 Département Informatique, Réseaux & Multimédia 4ème année Mohamed Quafafou (mohamed.quafafou@univ-amu.fr) Système d'information C O N C E P T I O N - A R C H I T E

Plus en détail

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE Responsable du parcours: Prof Hoai An LE THI Département d Informatique, UFR MIM Tel. 03 87 31 54 41, email lethi@univ-metz.fr Informatique décisionnelle

Plus en détail

La problématique de la. Réalisation d une maquette géospatiale urbaine 3D pour la gestion du vieux bâti

La problématique de la. Réalisation d une maquette géospatiale urbaine 3D pour la gestion du vieux bâti Réalisation d une maquette géospatiale urbaine 3D pour la gestion du vieux bâti Le cas du quartier El Amir, ville d Oran (Algérie) Madina Asmaa Missoumi, Ingénieur d État en aménagement du territoire Département

Plus en détail

Bibliothèque de Traitement d Images en Niveaux de Gris

Bibliothèque de Traitement d Images en Niveaux de Gris TP Bibliothèque de Traitement d Images en Niveaux de Gris Étudiants : Besnier Alexandre Taforeau Julien Version 1.2 Janvier 2008 2008 Rapport TP - Version 1.2 i Table des matières Introduction 1 1 Objectif

Plus en détail

Les paysages en géographie

Les paysages en géographie Les paysages en géographie Les paysages en géographie «Le programme de géographie au Cycle 3 a pour objectif de décrire et de comprendre comment les hommes vivent et aménagent leurs territoires» identifier

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

Architecture des bases d images généralistes organisées en clusters

Architecture des bases d images généralistes organisées en clusters Architecture des bases d images généralistes organisées en clusters Z.Guellil 1 et L.Zaoui 2 1,2 Université des sciences et de la technologie d Oran MB, Université Mohamed Boudiaf USTO -BP 1505 El Mnaouer

Plus en détail

Calculs parallèles et Distribués. Benmoussa Yahia Université M hamed Bougara de Boumerdès yahia.benmoussa@gmail.com

Calculs parallèles et Distribués. Benmoussa Yahia Université M hamed Bougara de Boumerdès yahia.benmoussa@gmail.com Calculs parallèles et Distribués Benmoussa Yahia Université M hamed Bougara de Boumerdès yahia.benmoussa@gmail.com Calculs parallèles et Distribués Introduction Parallélisation sur mémoire distribuée.

Plus en détail

Recommandations relatives à la soumission de propositions en réponse à l avis d offre de participation TIGER

Recommandations relatives à la soumission de propositions en réponse à l avis d offre de participation TIGER Recommandations relatives à la soumission de propositions en réponse à l avis d offre de participation TIGER 1 INTRODUCTION 2 2 FORMAT ET CONTENU DE LA PROPOSITION 2 2.1 PAGE DE GARDE 4 2.1.1 Titre 4 2.1.2

Plus en détail

Informatique Répartie

Informatique Répartie INSA - ASI InfoRep : Client-Serveur 1/36 Informatique Répartie Architectures Client-Serveur Alexandre Pauchet INSA Rouen - Département ASI BO.B.RC.18, pauchet@insa-rouen.fr INSA - ASI InfoRep : Client-Serveur

Plus en détail

Guide utilisateur de l annuaire

Guide utilisateur de l annuaire Guide utilisateur de l annuaire Innovant, évolutif et performant, l annuaire en ligne IMPRESA-WEB a été développé avec les dernières technologies et dispose de nombreuses fonctionnalités pour permettre

Plus en détail

Typologie des fonctionnalités textométriques selon un point de vue utilisateur : illustration par leurs implémentations dans des logiciels

Typologie des fonctionnalités textométriques selon un point de vue utilisateur : illustration par leurs implémentations dans des logiciels EDITION DU 19 NOVEMBRE 2009 Typologie des fonctionnalités textométriques selon un point de vue utilisateur : illustration par leurs implémentations dans des logiciels Bénédicte Pincemin (éditeur) Les différents

Plus en détail

Solutions SMART pour la formation Optez pour des sessions de formation interactives et collaboratives

Solutions SMART pour la formation Optez pour des sessions de formation interactives et collaboratives Solutions SMART pour la formation Optez pour des sessions de formation interactives et collaboratives Dynamisez vos formations! Boostez votre productivité Fonctionnement de la formation SMART Les solutions

Plus en détail