Indexation multi-vues et recherche d objets 3D
|
|
|
- Lucienne Gauthier
- il y a 8 ans
- Total affichages :
Transcription
1 Indexation multi-vues et recherche d objets 3D 5 Octobre 2010 Encadré par : Francis Schmitt et Hichem Sahbi
2 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations Evaluations Conclusions et perpectives 2
3 Introduction Normalisation Indexation Optimisations Evaluations Conclusion et alignement et recherche et perspective Pourquoi indexer des objets 3D? A cause de la croissance des bases de données 3D introduite par : - Studios de cinéma. - Jeux vidéos. - Industries automobiles. - Logiciels de modélisation grand public
4 Requête visuelle Comment rechercher un objet 3D? Pour rechercher un objet 3D dans une grande base de données. Base de données d objets 3D 4
5 Comment l indexation 3D fonctionne? On cherche à coder dans une description synthétique la forme d un objet 3D objets 3D pré-traitements capture d une information de forme description de la forme codage synthétique 5
6 Quels sont les enjeux? (1/2) Bonne discrimination. Robuste face aux : - Translations, changements d échelle et rotations. - Changements de topologie. - Bruits, déformations... Rapidité de calcul. Automatique. Classe avion 6
7 Quels sont les enjeux? (2/2) Fournir à l utilisateur des moyens d interrogation intuitifs basés sur le contenu. - Mot-clé? ourson - Objet 3D? - Photos? - Dessin au trait? objet 3D 7
8 Etat de l art des méthodes d indexation 3D - Harmoniques sphériques [Vranic et al. 2001] - Transformée de Hough 3D [Zaharia et al. 2001] - Graphe de Reeb augmenté [Tung et al. 2005] Approches 3D/3D - Lightfields [Chen et al. 2003] - Indice de pertinence [Chaouch et al. 2009] - Sélection de vues et approche Bayesienne [Filali- Ansary et al. 2007] Approches 2D/3D Approches 2.5D/3D - Lignes de profondeurs [Chaouch et al. 2004] - Images de profondeurs [Vranic et al. 2004] - Carte de courbures [Assfalg et al. 2003] o c / 8 N
![2003] - Indice de pertinence [Chaouch et al. 2009] - Sélection de vues et approche Bayesienne [Filali- Ansary et al.](/docs-images/42/14910856/images/page_8.jpg "2007] Approches 2D/3D Approches 2.5D/3D - Lignes de profondeurs [Chaouch et al. 2004] - Images de profondeurs [Vranic et al.")
9 Plan Introduction Normalisation et alignement - Sphère englobante - Critère d estimation de la pose Indexation et recherche d objets 3D Optimisations Evaluations Conclusions et perpectives 9
10 Normalisation en position et en échelle (1) Buts : - Assurer une robustesse en position et en échelle. - Garantir la qualité des projections, dans les approches multi-vues 2D/3D. problème de position problème d échelle Solution : - Définir un centre et une échelle adaptées quel que soit le point de vue (sur la sphère unité). 10
11 i Introduction 3 2 π Normalisation Indexation Optimisations Evaluations Conclusion Normalisation Npen 3 nposition et en échelle (2) Md(D Or, D O )= D i,j O r D i,j O 1 c(s) i=0 j=0 Pour la normalisation, nous utilisons le centre c(s) et le diamètre de la sphère Np d(s) minimale engobante de d(o d(s) l objet 3D (algorithme r, O) = min Md(D i,θ de [Fisher et al. 2003]). r, D i ) x n = x c x(s) d(s) 1 Θ 48 i=0,y n = y c y(s) d(s) et z n = z c z(s) d(s) position et échelle originales objet 3D normalisé 11
12 Plan Introduction Normalisation et alignement - Sphère englobante - Critère d estimation de la pose Indexation et recherche d objets 3D Optimisations Evaluations Conclusions et perpectives 12
13 Estimation de la pose (1) Notre choix : - Définir un estimateur permettant de comparer différentes poses afin de sélectionner l orientation la plus adéquate pour chaque objet. Question : - Comment savoir si une pose est plus cohérente qu une autre pour une classe donnée? pose de face pose de dessus pose de biais pose de face avec une rotation 13
14 Estimation de la pose (2) Nous avons cherché un critère permettant de comparer deux alignement : aire = aire = objet initial pose maximisant l aire des projections pose minimisant l aire des projections Comment déterminer l orientation de l objet qui minimise l aire des projections? - S appuyer sur le résultat de plusieurs méthodes pour réduire l espace des possibilités. - Nous choisissons : la pose initiale, l ACP, l ACP Continue [Vranic 2004] et l ACP par normales. [Napoléon et al. EURASIP 2010] 14
15 Estimation de la pose (3) ACPC OU OU OU OU ACPN = = = = 15
16 Réordonnancement des axes Comment garantir que l ordre des axes du repère 3D soit cohérent entre deux modèles? En calculant tous les ordonnancements possibles [Zaharia et al. 2001] (uniquement pour la requête). 16
17 Invariances à la réflexion Comment traiter les réflexions entre les objets pour pouvoir associer une main gauche et une main droite par exemple? la requête). En calculant tous les miroirs possibles (uniquement pour 17
18 Processus de prétraitements originale objet 3D de la base normalisé et aligné ACPC choix de la pose minimisant l aire des projections objet 3D position et échelle ACPN plusieurs alignements requête normalisée normalisé et alignée 18
19 Exemple de résultats objets originaux normalisation (position et échelle) estimation de la pose 19
20 Conclusion sur les prétraitements Etape de normalisation : - Assure une robustesse en translation et en échelle. - Plus adaptée aux méthodes à base de projections que la normalisation par boite englobante [Vranic 2004]. Etape d estimation de la pose : - Proche de la vision humaine [Leek 1998]. - Basée sur un traitement des objets a priori. - Mais dépend fortement de la qualité des alignements estimés. 20
21 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D - Convexités et concavités des contours - Cartes de normales Optimisations Evaluations Conclusions et perpectives 21
22 Approche multi-vues et passage en 2D Nous choisissons des méthodes 2.5D/3D et 2D/3D pour : - Garantir des résultats robustes. - Permettre des requêtes en deux dimensions. Passage en 2D 22
23 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D - Convexités et concavités des contours - Cartes de normales Optimisations Evaluations Conclusions et perpectives 23
24 Descripteur par convexités/concavités (1) Multi-échelles Convexités/Concavités (MCC) Comment décrire de manière pertinente le contour d une silhouette 2D? Par l extraction d informations de convexités/concavités. 24
25 Descripteur par convexités/concavités (2) Nous utilisons le descripteur proposé par [Adamek et al. 2005] : - Extraction du contour. - Echantillonnage uniforme (100 points)
26 Filtrage du contour par un noyau gaussien selon l'abscisse curviligne avec une échelle croissante notée Introduction Normalisation Indexation Optimisations Evaluations Conclusion c(s) Descripteur par convexités/concavités (3) d(s) L information de convexités/concavités correspond au déplacement entre les différents contours. σ 26
27 Ce qui nous donne : Descripteur par convexités/concavités (4) convexités/ concavités échelle abscisse curviligne abscisse curviligne abscisse curviligne convexités/ convexités/ concavités concavités Finalement, nous utilisons deux descriptions synthétiques : - Codage de chaque échelle avec un histogramme de taille 10 (MCC-H). - Codage avec une DCT sur les échelles (MCC). [Napoléon et al. ICIP 2009] 27
28 Descripteur par convexités/concavités (5) Comment mettre en correspondance les descriptions issues de deux silhouettes différentes? 28
29 Pour c(s) comparer c(s) deux Nhistogrammes p σ (MCC-H) nous choisissons d(s) comme mesure de dissimilarité : Np c(s) c(s) d(s) d(s) c(s) d(s) D Or D Or D Or d(s) D O D Or D O Introduction Normalisation D Indexation Optimisations Evaluations Conclusion et alignement O et recherche et perspective H =10 Descripteur par convexités/concavités (6) Md(D Or, D O )= Np i=0 K K j=0 H avec : α - j = D O : le descripteur de la requête Or N p 3 2 σπ 2 3 ) 2 - D O N p : le descripteur de l objet de la base de données Np 3 n - : le nombre Np de K projections. H K N =10 D p Md(D - O Md(D K =10 : le Or, D O )= D i,j O N nombre d échelles. Or, D O )= α j D i,j,k r D i,j O O - r D i,j,k 1 O 1 p i=0 j=0 H =10 : la taille i=0 des j=0 histogrammes k=0 K =10 - N Np H et =10 p : 1 α j = 3 j2 K =10d(O r, O) = minexp( Md(D σ H =10 2 π 2 3 ) 2 r i,θ, D i ) 1 Θ 48 i=0 K =10 σ Np x H = =10 x c x(s) y,y = 3 n c y (S) z c z (S) i,jet z i,j = K H i,j,k i,j,k 1 α j H l=0 D i,j,l O r exp( j2 D i,j,l O 1 29
30 6: Pour i=1ànfaire 7: Pour j=1ànfaire Introduction Normalisation Indexation Optimisations Evaluations Conclusion 8: 9: Fin Pour D(i, j) =M(i, j)+min Descripteur par convexités/concavités (7) D(i 1,j) D(i 1,j 1) D(i, j 1) (insertion) (appariement) (suppression) Pour comparer deux descriptions de convexités/concavités 10: Fin Pour complètes, nous utilisons une 11: Md = D(N 1,N 1) mesure élastique. - Calcul de l appariement de coût minimal avec une déformation temporelle dynamique [Myers et Rabiner 1980]. - Contrainte de proximité en se limitant à une bande diagonale. abscisse curviligne Echelles Points du contour 1 (i) (1, 1) (N, N) (i, j - 1) (i,-1, j - 1) (i - 1, j) Points du contour 2 (j) Echelles abscisse curviligne Figure 6.8 Illustration de l algorithme 6.2 expliquant la déformation temp 30 mique. Cette méthode nous permet de comparer les informations de convexité
31 Descripteur par convexités/concavités (8) Exemple d appariement avec la déformation temporelle dynamique contrainte : 31
32 Descripteur par convexités/concavités (9) Exemple d appariement avec la déformation temporelle dynamique contrainte : 32
33 Descripteur par convexités/concavités (10) Exemple d appariement avec la déformation temporelle dynamique contrainte : 33
34 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D - Convexités et concavités des contours - Cartes de normales Optimisations Evaluations Conclusions et perpectives 34
35 Descripteur par cartes de normales (1) Comment introduire une information de forme plus riche dans les approches par projections 2D/3D? Ajouter des informations de surface telles que la profondeur ou l orientation. Nous nous sommes intéressé a l orientation du maillage. une table vue de dessous un verre vue de dessus 35
36 Descripteur par cartes de normales (2) Nous capturons pour chaque objet un jeu de projections - Celles-ci incluent les informations d orientation à l aide des trois composantes couleurs RVB. Passage en 2.5D 36
37 Le codage synthétique choisi σ correspond à. coefficients basses fréquences de la transformée de Fourier pour les 3 composantes RVB prises séparément. La mesure de dissimilarité 3 2 πentre deux descriptions est : Md(D Or, D O )= Descripteur par cartes de normales (3) σ composante rouge Np i=0 K =10 Introduction Normalisation Indexation Optimisations Evaluations Conclusion α j = H =10 c =24 K j=0 1 Md(D Or, D O )= Md(D Or, D O )= Np i=0 α j H l=0 D i,j,l O r D i,j,l O 1 transformée de Fourier j2 exp( 2 3 ) 2 3 c j=0 Np α j = D i,j O r D i,j O 1 i,θ Np i=0 i c =24 K j=0 1 Md(D Or, D O )= d(o r, O) = α j H l=0 3 2 π exp( 2 min Np i=0 3 c j=0 Np D i O Md( 37
38 c(s) Principe global de comparaison d(s) Comment mettre en Np correspondance la requête avec un objet de la base en prenant en compte les 48 orientations Md(D Or, D O )= Introduction Normalisation Indexation Optimisations Evaluations Conclusion σ K α possibles (rotations + i=0 réflexions) j=0? α i = 1 - En calculant la distance globale entre l objet 3D et chaque 3 2 π groupe de silhouettes de la requête pris séparément. - En sélectionnant celui qui Np minimise 3 n la distance globale. - Ceci quel Md(D que Or soit, D O le )= descripteur. D i,j H k=0 D i,j,k O r i2 exp( 2 3 ) 2 i=0 j=0 O r D i,j D i,j,k O 1 O 1 d(o r, O) = min 1 Θ 48 Np i=0 Md(D i,θ r, D i ) 38
39 Conclusion sur les descripteurs (1) Informations de convexités/concavités (MCC-H et MCC) : - Caractérisation multi-échelles du contours. - Compression par histogrammes et DCT. - Comparaison élastique pour MCC. - Ne contient qu une information 2D. Cartes de normales (CN) : - Ajout d une information d orientation aux silhouettes. - Compression à l aide de la transformée de Fourier. 39
40 Conclusion sur les descripteurs (2) Grâce à l aspect 2D ou 2.5D de nos descripteurs, il devient possible d interroger la base de données avec : - Un objet 3D. - Une ou plusieurs photos. - Un ou plusieurs dessins au trait. Cependant, il existe certaines incompatibilités entre descripteurs et type de requête : Objet 3D Photo Dessin au trait Convexités/Concavités Carte de normales [Napoléon et al. SPIE 2010] 40
41 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations - Elagage - Fusion de résultats Evaluations Conclusions et perpectives 41
42 Optimisations en temps et en pertinence Buts : - Améliorer le temps de réponse du moteur de recherche sans dégrader significativement la pertinence des résultats. - Améliorer la pertinence sans changer les descripteurs choisis. Solutions : - Mettre en place un élagage des objets éloignés de la requête de l utilisateur. - Proposer des opérateurs d agrégation permettant de fusionner deux listes de résultats différentes. 42
43 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations - Elagage - Fusion de résultats Evaluations Conclusions et perpectives 43
44 Description grossière des objets de la base Accélération par élagage Calcul rapide de la distance entre deux descripteurs Estimation de la liste de résultats finale k plus proches objets Description grossière de la requête Liste pertinente des k plus proches résultats Calcul pertinent de la distance entre deux descripteurs Signature robuste des k plus proches objets Description robuste de la requête Liste finale des résultats [Napoléon et al. ICIP 2009] 44
45 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations - Elagage - Fusion de résultats Evaluations Conclusions et perpectives 45
46 Amélioration par fusion de résultats (1) Prenons une requête : et un objet 3D : avion 1 avion 2 Comment fusionner les distances venant de deux descripteurs? l avion 1 est à une distance 0.2 de l avion 2! descripteur 1 Comment fusionner les deux résultats? l avion 1 est à une distance 0.6 de l avion 2! descripteur 2 Solution : - Définir un opérateur d agrégation basé sur une heuristique. 46
47 d(o r, O) = Nous avons utilisés 1 Θ 48 différents opérateurs d agrégations : i=01 Θ 48 - Agrégation pessimiste, optimiste, i=0 équitable. - Agrégation x pondérée par la confiance envers les n = x c x n = x c x(s) x(s),y n = y c,y n = y c O 1 y(s) d(s) y(s) et z n = z d(s),y c n = y c i=0 y(s) et z n = z j=0 c z(s) Np z(s) d(s) différentes sources d(s) d(od(s) r :, O) = d(s) min d(s) Md(D d(s) r i,θ, D i ) n x n = x c x(s) (s 1,...,s n )= a 1 = s 1 où si est la distance fournie par la source i. - Agrégation i 1, par a i+1 = mesure a i +(1+conflit(s 1 de conflit i, s avec i+1 )) s A(s des i+1 1,...,s n )= n sources 2+conflit(s ordonnées selon leur confiance i=1 : i, s i+1 ) 2+conflit(s confiance(s i) i, s i+1 ) i=1 et Md(D Or i=0, Dα j=0 O j )= = D exp( Or D O 1 ) 3 i=0 2 j=0 π Np Introduction Normalisation Indexation Optimisations Evaluations Conclusion Np Amélioration d(o par fusion de résultats (2) r, O) = min Md(D i,θ Np min Md(D i,θ Np 1 Θ 48 r, D 3 n i ) d(o r, O) = min Md(Dr i,θ, D i i=0 Md(D Or, D O )= D i,j O r ) D i,j 1 Θ 48 A(s 1,...,s n )= 1 1 i=0 n n A(s 1,...,s n )= i=1 confiance(s n i=1 confiance(si) confiance(s i) confiance(s 1 n i=1 n i ) s i i=1 confiance(s confiance(s i ) s i x n = x c x(s) a,y 1 = i) s n = y c y(s) 1 i=1 et z i=1 n = z c z(s) d(s) d(s) a 1 = s 1 i 1, a i+1 = a d(s) i +(1+conflit(s i, s i+1 )) s i+ n 2+conflit(s i, s i+1 ) confiance(s i ) s i A(s 1,...,s n )=a n a 1 = s 1 A(s 1,...,s n )=a n A(s avec 1,...,s n )=a n i 1, a i, s j )=s i s j 1 i+1 = a i +(1+conflit(s i, s i+1 )) s i+1 conflit(s i, s j )=s 2+conflit(s i s j 1 i, s i+1 ) i 1, a i+1 = a i +(1+conflit(s i, s i+1 )) s i+1 conflit(s i, s j )=s i s j 1 A(s 1,...,s n )=a n r, D i ) et z n = z c z(s d(s)
48 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations Evaluations Conclusions et perpectives 48
49 Bases de données de test de Princeton 907 objets - 92 classes avion chaise main visage 49
50 Comment la recherche 3D fonctionne? Base de données dʼobjets 3D Indexation Base de données de signatures «hors-ligne» Interface homme-machine Visualisation des résultats Requête utilisateur Liste de résultats Indexation Mise en correspondance de signatures Signature de la requête «en-ligne» 50
51 Evaluation sur la base de Princeton conflit(s i, s j )=s i s j 1 Type NN (%) FT (%) ST (%) DCG (%) Fusion de CN et MCC 2.5D/3D (moyenne pondérée) Fusion de MCC-H et CN 2.5D/3D (moyenne avec conflit) MDLA 2.5D/3D MCC 2D/3D Elagage MCC par MCC-H 2D/3D (k =75) DLA 2.5D/3D CN 2.5D/3D CDLA 2.5D/3D LFD 2D/3D MCC-H 2D/3D EDBA 2.5D/3D AVC 2D/3D DGA 3D/3D EP 2D/3D ESA 2D/3D
52 3DGA 3D/3D EP 2D/3D ESA Evaluation sur 2D/3D Shrec Watertight Introduction Normalisation Indexation Optimisations Evaluations Conclusion Précision Rappel Précision Rappel FT FT ST ST Elagage de MCC avec MCC-H (k =200) - 9 vues Compound-SID-CMVD Compound-SID-CMVD Elagage de MCC avec MCC-H (k =50) - 9 vues Compound-SID-CMVD MR-SPRH-UDR BF-SIFT Elagage de MCC avec MCC-H (k =50) - 3 vues Compact Multi View Descriptor MCC - 9 vues ERG ERG Bag Of Words Concentric Bag Of Words
53 Requêtes 3D avec MCC Base de test de Princeton [Napoléon et al. SPIE 2010] 53
54 Démonstration du prototype iphone Démonstration 54
55 Plan Introduction Normalisation et alignement Indexation et recherche d objets 3D Optimisations Evaluations Conclusions et perpectives 55
56 Conclusions Normalisation et estimation de la pose : - Normalisation adaptée aux méthodes 2D/3D et 2.5D/3D. - Estimation de la pose s inspirant de l étude de la psychophysique et tirant parti de plusieurs méthodes d alignement. Descripteurs de forme : - Description 2D et 2.5D des objets permettant une interrogation par photos et éventuellement par dessins. Processus de recherche : - Accélération du temps par élagage. - Amélioration de la pertinence par fusion des résultats. - Prototypes de moteur de recherches basés sur plusieurs types de requêtes démontrant la faisabilité de notre processus. 56
57 Perspectives Normalisation et estimation de la pose : - Réduire le nombre de permutations d axes. - Améliorer l estimation de la pose en déterminant si l objet possède un alignement privilégié. Descripteurs de forme : - Définir une distance qui est une métrique pour MCC. - Introduire des mesures de dissimilarité plus invariante aux transformations pour CN. Processus de recherche - Organiser la base de données de description à l aide d un arbre de recherche ou d un index pour passer à l échelle. - Mettre en place une campagne de test sur une base de dessins au trait. 57
58 Merci! 1. T. Napoléon et H. Sahbi : From 2D Photography Silhouettes to 3D Object Retrieval : Contributions and Benchmarking, EURASIP Journal on Image and Video Processing - Juin T. Napoléon et H. Sahbi : Sketch Driven Mental 3D Object Retrieval, Electronic Imaging Conference, 3D Image Processing (3DIP) and Applications - Janvier A. Godil, H. Dutagaci, C. Akgul, A. Axenopoulos, B. Bustos, M. Chaouch, P. Daras, T. Furuya, S. Kreft, Z. Lian, T. Napoléon, A. Mademlis, R. Ohbuchi, P. L. Rosin, B. Sankur, T. Schreck, X. Sun, M. Tezuka, A. Verroust-Blondet, M. Walter, Y. Yemez : SHREC 09 Track : Generic Shape Retrieval, Eurographics Workshop on 3D Object Retrieval, ACM SIGGRAPH - Mars J. Hartveldt, M. Spagnuolo, A. Axenopoulos, S. Biasotti, P. Daras, H. Dutagaci, T. Furuya, A. Godil, X. Li, A. Mademlis, S. Marini, T. Napoléon, R. Ohbuchi, M. Tezuka : SHREC 09 Track : Structural Shape Retrieval on Watertight Models, Eurographics Workshop on 3D Object Retrieval, ACM SIGGRAPH - Mars T. Napoléon et H. Sahbi : Content-based 3D object retrieval using 2D views, IEEE International Conference on Image Processing - Novembre T. Napoleon, T. Adamek, F. Schmitt, N.E. O Connor : Multi-view 3D retrieval using multi- scale contour representation, SMI IEEE International Conference on Shape Modeling and Applications - Juin T. Napoleon, T. Adamek, F. Schmitt, N.E. O Connor : Multi-view 3D retrieval using silhouette intersection and multiscale contour representation, SMI IEEE International Conference on Shape Modeling and Applications - Juin
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
VISUALISATION DE NUAGES DE POINTS
ARNAUD BLETTERER MULTI-RÉSOLUTION 1/16 VISUALISATION DE NUAGES DE POINTS MULTI-RÉSOLUTION AU TRAVERS DE CARTES DE PROFONDEUR Arnaud Bletterer Université de Nice Sophia Antipolis Laboratoire I3S - Cintoo
Communications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
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.
Détection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
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
N. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Techniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
MABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
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
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
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.
Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière
Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Principaux contributeurs: Zhang Xiaopeng (CASIA-NLPR-LIAMA Coordinateur Groupe Image) Li HongJun (CASIA-NLPR-LIAMA
LA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Chapitre 22 Optimisation pour diffusion à l'écran, pour le web
1 1 9 9 7 7 Optimisation pour diffusion à l'écran, pour le web Diffusion pour le web........................ 31 Les paramètres avant l exportation................. 31 Optimisation pour le web......................
Création intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
GMEC1311 Dessin d ingénierie. Chapitre 1: Introduction
GMEC1311 Dessin d ingénierie Chapitre 1: Introduction Contenu du chapitre Introduction au dessin technique Normes Vues Traits Échelle Encadrement 2 Introduction Les dessins ou graphiques sont utilisés
La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz.
La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz.fr Quelques exemples 1 La campagne de Russie de Napoléon
Extraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
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
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
Echantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
L alternative, c est malin 1. Comment faire plein de choses pour pas cher sur MacIntosh
L alternative, c est malin 1 ou Comment faire plein de choses pour pas cher sur MacIntosh (Les logiciels : Pages et Keynote de la suite iwork) (Jean Aboudarham 2006) 1 Merci à François Béranger pour qui
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
Traitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
La (les) mesure(s) GPS
La (les) mesure(s) GPS I. Le principe de la mesure II. Equation de mesure GPS III. Combinaisons de mesures (ionosphère, horloges) IV. Doubles différences et corrélation des mesures V. Doubles différences
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
Arbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Utilisation des Points d Intérêts Couleurs pour le Suivi d Objets
Utilisation des Points d Intérêts Couleurs pour le Suivi d Objets Pierre Gabriel, Jean-Bernard Hayet, Justus Piater et Jacques Verly Université de Liège, Département d Électricité, Électronique et Informatique
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Programme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2
Programme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2 Graphistes, photographes, webmasters, ou toute autre personne en charge de la création de visuels pour le web ou le print.
Travailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
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
Infolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
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
Le risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Rétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Chaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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
Etude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Reconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Publier un Carnet Blanc
Site Web de l association des ingénieurs INSA de Lyon Publier un Carnet Blanc Remarque : la suppression des contributions n est pas possible depuis le Front-Office. lbuisset Page 1 18/09/2008 Publication,
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
PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
NUAGE VERT 2008 Dossier Technique. Aide à la production Dossier Nº M2114/48 /2007
NUAGE VERT 2008 Dossier Technique Aide à la production Dossier Nº M2114/48 /2007 Le dispositif technique sur lequel repose Nuage Vert consiste en une caméra thermosensible, un logiciel de tracking en vision
Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Projet : Recalage par maximisation de l information mutuelle
École Polytechnique de Montréal Automne 25, 12 décembre 25 Projet : Recalage par maximisation de l information mutuelle GBM613, Application médicales de l informatique Nom Matricule Groupe Herve Lombaert
Détection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
ANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans
ANALYSE CATIA V5 1 GSA Generative Structural Analysis 2 Modèle géométrique volumique Post traitement Pré traitement Maillage Conditions aux limites 3 Ouverture du module Choix du type d analyse 4 Calcul
L interface Outils, palettes, règles, repères, grille Paramétrer les préférences
Formatrice Conceptions de logos Création de support de com : affiche, flyer... Création de plans, cartes Bien manipuler un ordinateur L interface Outils, palettes, règles, repères, grille Paramétrer les
Technique de compression des images médicales 4D
Technique de compression des images médicales 4D Leila Belhadef 1 et Zoulikha Mekkakia 1 1 Département d Informatique, USTO-MB, BP 1505 El Mnaouer, Oran, Algérie l.belhadef@gmail.com, mekkakia@univ-usto.dz
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
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
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
NOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
pythonocc: une plateforme de développement agile d applications CAO.
pythonocc: une plateforme de développement agile d applications CAO. PyConFR 2009 Cité des Sciences et de l Industrie, Paris Thomas Paviot*, Jelle Feringa* *pythonocc project: tpaviot@gmail.com; jelleferinga@gmail.com
Formats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Utiliser iphoto avec icloud
5 Utiliser iphoto avec icloud Dans ce chapitre Configurer le Flux de photos avec icloud...................... 84 Travailler avec le Flux de photos et iphoto...................... 87 Supprimer des photos.................................
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
Innovations Majeures de la Version 4
Innovations Majeures de la Version 4 Un nouvel environnement SIG avec de puissants outils graphiques. De nouveaux moteurs hydrologiques et hydrauliques plus sûrs et plus performants. De nouveaux modes
pcon.planner 6 Préparer et présenter une implantation en toute simplicité
pcon.planner 6 Préparer et présenter une implantation en toute simplicité Sommaire 1. Installation :... 3 2. Démarrer le logiciel :... 3 3. Interface :... 3 4. Naviguer :... 4 5. Réaliser une implantation
Publier dans la Base Documentaire
Site Web de l association des ingénieurs INSA de Lyon Publier dans la Base Documentaire Remarque : la suppression des contributions n est pas possible depuis le Front-Office. lbuisset Page 1 18/09/2008
Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Chapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
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
Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines
Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines Cyrille Beaudry, Renaud Péteri, Laurent Mascarilla Laboratoire MIA, Univ. La Rochelle Avenue Michel Crépeau
www.imprimermonlivre.com
0 www.imprimermonlivre.com Composition d une couverture avec Word L objectif de ce guide est de vous proposer un mode opératoire pour créer une couverture avec Word. Nous vous rappelons toutefois que Word
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
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
Tatouage, watermarking, MPEG-4, objets vidéo, manipulation, robustesse, ACP, morphing.
Tatouage d objets vidéos résistant aux manipulations Video object watermarking robust to manipulations par Patrick BAS, Benoît MACQ Laboratoire Tele, Bâtiment Stevin, Place du Levant, B-1348 Louvain-la-Neuve,
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Fête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Programme de la 1ère année
Programme de la 1ère année de master informatique Recopié du Syllabus M1 Informatique. 2004-2005 (UPS Toulouse) TC1 - Conception et Programmation Parallèle et Orientée Objet (96h) Objectif : Ce cours a
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
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
TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Pack Fifty+ Normes Techniques 2013
Pack Fifty+ Normes Techniques 2013 Nos formats publicitaires par site 2 Normes techniques 2013 Display classique Pavé vidéo Footer Accueil panoramique Publi rédactionnel Quiz Jeu concours Emailing dédié
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Synthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Formula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
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
PROJETS. Arts Numériques Arts² CORENTIN CLOUET
BAC3 2014-2015 PROJETS Arts Numériques Arts² PROJET PERSONEL : VARIOUS BODIES Projecteur Kinect Miroir MIROIR SHÉMA 2D PRINCIPE Various Bodies est une installation interactive et visuelle. Elle propose
ArcGIS 10 Christophe Tourret Gaëtan Lavenu
ArcGIS 10 Christophe Tourret Gaëtan Lavenu ArcGIS 10 Bureautique Web Mobile 10 9.3.1 Online/Cloud Serveur 9.0 9.1 9.2 9.3 Projets ArcGIS 10 Imagerie Partage Productivité Gestion des données Temporalité
Exemple d application en CFD : Coefficient de traînée d un cylindre
Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Didier Pietquin. Timbre et fréquence : fondamentale et harmoniques
Didier Pietquin Timbre et fréquence : fondamentale et harmoniques Que sont les notions de fréquence fondamentale et d harmoniques? C est ce que nous allons voir dans cet article. 1. Fréquence Avant d entamer
Compression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Resolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Université des Sciences et Technologies de Lille 1 UFR Informatique. Projet scientifique de Master 2 Image, Vision, Interaction.
Université des Sciences et Technologies de Lille 1 UFR Informatique Projet scientifique de Master 2 Image, Vision, Interaction Année 2012/1013 Reconstruction de scène réaliste via Kinect c Amélioration
Etude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Comme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.