PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011"

Transcription

1 Projet Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection de personnes, Reconnaissance de visages, Fusion de données, multimodalité Date : Septembre 2009 Septembre 2010 Chefs de projet : Houda Chabbi Drissi, EIA FR François Tièche, ARC Auteur : Houda Chabbi Drissi Houda Chabbi Drissi TIC 1/23

2 Jonathan Gilgen TIC 2/23

3 Sommaire 1. Avant propos Introduction Processus de reconnaissance de visages via PCA Application aux images couleurs Phase d apprentissage Phase de reconnaissance Conclusions sur PCA 2D Application aux images de la TOF Image à niveau de gris Distances Deux applications du PCA sur les images de la TOF Recalage des données distance 3D Chargement des données 3D Phase d apprentissage Phase de reconnaissance Conclusions sur PCA 3D Synthèse générale sur le PCA appliqué aux images couleurs et TOFs Conclusion de notre étude : Houda Chabbi Drissi TIC 3/23

4 1. Avant propos Rappelons le contexte de l application globale du projet thermobio: Le présent rapport synthétise les travaux effectués autour de la reconnaissance et l identification appliquées aux images 2D et les images obtenues par la TOF (niveau de gris et 2,5D). Ces travaux ont été développés également à travers un travail d étudiant de l EIF [10] dont ce rapport est en parti extrait. Houda Chabbi Drissi TIC 4/23

5 2. Introduction Le présent document présente les différentes techniques de PCA utilisées sur les 3 images à dispositions obtenu à travers une caméra normale et ceux obtenus par la caméra TOF. L algorithme pour la reconnaissance/identification utilisé dans ce travail est connu. Il s agit de l analyse des composantes principales (abrégé en ACP en français ou PCA en anglais). Ce projet se base sur le sur le rapport «Eigenfaces for Recognition» de M.Turk et M.Pentland [1]. On implémente cet algorithme pour les images 2D et est adapté afin de pouvoir identifier un visage à travers les images obtenues avec une caméra 3D ToF (Time of Flight) de type SR4000 du fabriquant Mesa Imaging AG. L approche de cet algorithme est connue. Il est obligatoire de passer par deux phases. La première phase est la phase d apprentissage et la deuxième est la phase de reconnaissance. Le but est de diminuer la taille des données traitées afin de simplifier et accélérer les calculs pour une reconnaissance. Pour les deux phases, il est nécessaire d avoir des images en entrée contenant uniquement le visage des personnes présentées sous les mêmes conditions (éclairage, prise de vue, âge, ) et dans des conditions à respecter. C est pour cette raison qu il est nécessaire de passer par une phase de «crop» des images pour restreindre l image à la zone du visage. Cette étape utilise la librairie FaceSDK de Luxand[2][3] qui permet de détecter des visages dans des images et ensuite de restreindre la zone sur ce visage. Pour le modèle 3D, le prétraitement comprend une phase complémentaire qui consiste à recaler les données 3D des différents visages de personnes dans un même repère. Ce document retrace le travail accompli ainsi que la démarche et les choix opérés durant le projet. Nous pouvons retrouver dans ce document les points importants suivants : Processus de reconnaissance de visages via PCA Application aux images couleurs Applications aux images de la TOF Houda Chabbi Drissi TIC 5/23

6 3. Processus de reconnaissance de visages via PCA Le processus de reconnaissance de visages avec l algorithme d analyse en composantes principales se déroule dans l ordre suivant : 1. Une phase de prétraitement des images sources afin de se focaliser sur le visage. 2. Une phase d apprentissage qui consiste à identifier les différents visages de la base de données. 3. Fournir l image d un visage que l on a préalablement prétraitée afin de procéder à une reconnaissance 4. Une phase de reconnaissance qui nous informe à qui correspond la personne. L Illustration 1 représente le processus de reconnaissance des visages : Illustration 1: Processus de reconnaissance de visages Dans notre cas, le principe de l algorithme de prétraitement est identique pour les données 2D que 3D. La détection de visages et analyse de la zone du visage se fait dans l image 2D pour un prétraitement 2D et dans l image à niveau de gris fourni par la caméra ToF pour un prétraitement 3D. La seule différence entre l outil de prétraitement 2D et 3D est que dans le cas d un prétraitement 3D, on restreint, en plus, les données du fichier de distances et de la carte de confiance à la zone du visage. Houda Chabbi Drissi TIC 6/23

7 Ecole d ingénieur et d architecte de Fribourg, Suisse Biométrie 3D Septembre 2009 Septembre 2010 Illustration 2: Schéma de fonctionnement de l'algorithme de prétraitement L Illustration présente un exemple de résultat de l outil de prétraitement sur une image couleur: Illustration 3: Prétraitement via Luxand sur une image couleur Houda Chabbi Drissi TIC 7/23

8 L Illustration présente un exemple de résultat de l outil de prétraitement sur une image couleur: Illustration 4: Prétraitement via Luxand sur une image de la TOF Houda Chabbi Drissi TIC 8/23

9 4. Application aux images couleurs Dans le cas de la 2D, l algorithme PCA utilise les images obtenues par une caméra 2D. Le chargement et traitement de ces images se fait avec les valeurs à niveau de gris (de 0 à 255) de l image de visage. 4.1 Phase d apprentissage Le but de la phase d apprentissage est de calculer le sous espace des visages et de calculer les visages propres [7][1][8][9]. Nous possédons une base de données contenant P images de visages de personnes. Chaque image a une résolution de MxN pixels. L Illustration 52 représente l algorithme général de la phase d apprentissage Illustration 52: Algorithme de la phase d'apprentissage Nous allons tout d abord charger les images de la base de données sous forme de vecteurs images. L Illustration représente les images de notre base de données de visages. Houda Chabbi Drissi TIC 9/23

10 Illustration 6: Récupération des images en vecteurs Nous obtenons donc P vecteurs de dimension MxN. Avec ces vecteurs, nous allons tout d abord calculer l image moyenne. Le principe est de calculer la moyenne de chaque pixel pour chaque image de personne. L Illustration représente l image moyenne que l on a calculée. Illustration 7: Image moyenne Après avoir calculé l image moyenne, il faut calculer les vecteurs variances par rapport à la moyenne. Dans cette partie, il s agit mesurer la dispersion des images autours de l image moyenne. A partir de ces vecteurs variances, il nous est capable de reconstruire la matrice des covariances et de calculer les valeurs et vecteurs propres. Les vecteurs propres comportent les composantes principales de chaque visage et à partir d eux, nous pourrons reconstruire nos visages. Chaque vecteur ressemble à un visage fantôme que l on appelle visage propre (eigenfaces en anglais). L Illustration nous montre les visages propres tirés des vecteurs propres. U 1 U 2 U 3 U 4 U 5 U 6 Houda Chabbi Drissi TIC 10/23

11 Illustration 8: Représentation des visages propres 4.2 Phase de reconnaissance L Illustration montre l algorithme adopté pour une phase de reconnaissance. Illustration 9: Algorithme de la phase de reconnaissance Une image peut se trouver dans 3 catégories différentes : Illustration 10: Catégories des images Houda Chabbi Drissi TIC 11/23

12 Le principe général est de déterminer si l image test correspond bien à un visage et ensuite à quelle personne, dans le sous espace de données, elle se rapproche le plus. L Illustration présente le principe d une reconnaissance. Nous pouvons voir les étapes suivantes : 1. Projeter l image test dans le sous espace et reconstruire l image 2. Déterminer si l image d origine est un visage ou non 3. Déterminer si le visage est un visage connu de la base ou s il s agit d un inconnu 4. Donner le résultat de la personne qui correspond le mieux. Illustration 11: Principe de reconnaissance L Illustration représente un exemple de répartition des projections de personnes tests dans le sousespace de données et leur reconstruction. Dans cet exemple, nous pouvons observer les possibilités suivantes : 1. La distance entre l image reconstruite et l image d origine dépasse le seuil visage/nonvisage permis et donc il ne s agit pas d un visage 2. Le seuil visage/non visage n est pas dépassé, cependant les distances entre toutes les projections et la projection de l image test dépassent le seuil connu/inconnu, ce qui signifie que la personne est une inconnue, elle ne se trouve pas dans la base d apprentissage. 3. Le seuil n est pas dépassé et la distance minimale entre les projections est plus petite que le seuil. La personne correspondante est la personne étant la proche, dans notre cas la personne p3. Houda Chabbi Drissi TIC 12/23

13 4.3 Conclusions sur PCA 2D La base utilisée : Illustration 12: Répartition des possibilités de reconnaissance La base de données d images 2D et 3D comprend 22 personnes. Les données ont été capturés grâce à l outil «CameraExtractor» de Jonathan Gilgen développé dans cette école. La capture s est déroulée comme suit : 1. La personne se place devant les caméras 2D et 3D (fixées l une à côté de l autre). 2. La position est ajustée afin d obtenir les mêmes conditions pour chacune des personnes. 3. Enregistrement d un stream du visage de la personne dans différentes positions. 4. Extraction des images 2D et 3D nécessaires pour les tests. 5. Ci dessous, nous pouvons voir un exemple de 4 images capturées de personnes différentes. La première ligne montre les images 2D capturées et la deuxième correspond aux images à niveau de gris fourni par la caméra ToF. Les résultats : Voici les résultats de reconnaissance obtenus : Illustration 13: Exemple de capture de la base de données Houda Chabbi Drissi TIC 13/23

14 Reconnaissance correcte 66 Erreur de reconnaissance 9 75 Avec ce test, nous atteignons un taux de reconnaissance de 88%. L outil a commis 9 erreurs de reconnaissance. Ces erreurs de reconnaissance apparaissent dans les situations où le visage n a pas exactement les mêmes conditions de capture que la phase d apprentissage. Les limites du PCA 2D: Les conditions de poses de la personne : problème qui se présente est la pose de la personne. Pour simplifier la base de données de visages, il faut prendre les visages directement de faces. Dans le cas où les visages sont inclinés ou de profil, l algorithme peut poser problèmes. La solution est de prendre toutes les personnes dans toutes les positions possibles. L Illustration montre différentes poses qui peuvent poser problème à l algorithme. Illustration 14: Pose de visages Les conditions de luminosités : L Illustration 3 montre un exemple d un visage sous différentes conditions de lumières où la reconnaissance peut poser problèmes: Illustration 3: Exemple avec différentes luminosités Houda Chabbi Drissi TIC 14/23

15 Les expressions humaines : L Illustration présente des visages avec des expressions différentes qui peuvent poser problème au bon fonctionnement de l algorithme. Illustration 15: Visages avec expressions Houda Chabbi Drissi TIC 15/23

16 5. Application aux images de la TOF Pour la 3D, la caméra ToF nous rend différentes informations mais celles qui nous intéressent sont l image à niveau de gris, la carte de confiance et le fichier des distances. La caméra ToF a une résolution de 176*144 pixels. Pour les données 3D, en plus d effectuer le prétraitement d image, il faudra procéder à un recalage des données afin que tous les visages se trouvent dans le même repère et puissent être utilisé par l algorithme PCA 3D. 5.1 Image à niveau de gris La caméra ToF est capable de retourner une image à niveau de gris de la scène qu elle observe. Cette image est utilisée par l outil de prétraitement afin de détecter le visage et découper la zone. L Illustration représente une image à niveau de gris résultant de la caméra ToF. Illustration 16: Image à niveau de gris de la ToF 5.2 Distances La caméra ToF fournit un fichier contenant les données de distances codé sur 16 bits. La valeur 0x0000 correspond à la face avant de la caméra et la valeur 0xFFFF correspond à la distance maximale que la caméra peut capturer. Dans le cas de la caméra ToF utilisée, la distance maximale est de 5 mètres. Ces données de distances sont utilisées par l algorithme PCA 3D pour remplacer les images 2D de la première version de l algorithme. Voici un exemple de contenu d un fichier de distance que la caméra ToF capture : La caméra ToF fournit également la «Confidence Map» ou carte de confiance. Elle représente le taux de confiance de la mesure de distance pour chaque pixel. Une confiance faible correspond à un signal de réflexion faible ou un mouvement brusque dans la scène. Les valeurs de cette carte de confiance sont codées sur 16bits. La valeur 0x0000 représente le taux de confiance le plus bas et inversement, la valeur 0xFFFF représente le taux de confiance maximal. Houda Chabbi Drissi TIC 16/23

17 Cette carte de confiance est utilisée lors d une phase d apprentissage ou de reconnaissance afin de savoir préalablement si l image de visage fourni a un taux de confiance suffisant pour être utilisée. Voici un exemple de contenu d une carte de confiance fourni par notre caméra ToF : Deux applications du PCA sur les images de la TOF En fait nous avons testé l application du PCA sur les deux types d images délivrés par la TOF : PCA sur l image à niveau de gris : sur laquelle nous avons appliqué directement l algorithme développé pour la caméra couleur. PCA sur l image de distance : où seul les données sont préparées et traitées différemment mais l approche PCA reste la même que celle sur les images couleurs. 5.4 Recalage des données distance 3D Le but du recalage des données de distances est d obtenir le meilleur contraste des distances sur le visage pour chaque personne. Le principe de cette phase est de récupérer les valeurs de distances qui se trouvent 5cm devant et derrière la valeur médiane. Illustration 17: Recalage par rapport au visage Nous avons vu précédemment que le fichier de distances contient des valeurs qui varient entre 0 et (16bits). Nous savons que la caméra peut capturer une distance maximale de 5m et qu il s agit d une échelle linéaire. Nous pouvons donc convertir nos 5cm dans les valeurs de la caméra comme suit : 5000 mm correspond à mm correspond à environ 655 Houda Chabbi Drissi TIC 17/23

18 Nous obtenons donc une zone de distances entre valeur_médiane 655 et valeur_médiane+655. L outil va convertir les distances dans cette zone entre 0 et 255 pour que tous les visages soient dans le même repère. Les valeurs inférieures à la zone auront la valeur 0 et les valeurs supérieures auront la valeur 255. L Illustration représente une image qui a été reconstruite à partir d un fichier de distances recalées afin de se faire une idée du traitement effectué. Illustration 18: Image reconstruite à partir des distances recalées 5.5 Chargement des données 3D Le chargement des données 3D s effectue en différentes étapes décrite ci dessous. Illustration 19: Etapes du chargements des données 3D Houda Chabbi Drissi TIC 18/23

19 5.6 Phase d apprentissage Approche semblable à celle exposée dans la section sur les images couleurs. Le tableau ci dessous montre un exemple de résultat sur les vecteurs propres générés par la phase d apprentissage sur les images de distance. U1 U2 U3 U4 U5 Illustration 20: Vecteurs propres 5.7 Phase de reconnaissance Approche semblable à celle exposée dans la section sur les images couleurs. 5.8 Conclusions sur PCA 3D La base utilisée : idem à celle exposée dans la section sur les images couleurs. Les résultats : Résultat sur les niveau de gris de la TOF Voici les résultats de reconnaissance obtenus : Reconnaissance correcte 73 Erreur de reconnaissance 2 75 Avec ce test, nous atteignons un taux de reconnaissance de 97%. L outil a commis 2 erreurs de reconnaissance. Ces erreurs de reconnaissance apparaissent dans les situations où le visage n a pas exactement les mêmes conditions de capture que la phase d apprentissage. Résultat sur les niveau de gris de la TOF Voici les résultats de reconnaissance obtenus : Reconnaissance correcte 59 Erreur de reconnaissance Houda Chabbi Drissi TIC 19/23

20 Avec ce test, nous atteignons un taux de reconnaissance de 79% par rapport au nombre total d images. L outil a commis 15 erreurs de reconnaissance. Houda Chabbi Drissi TIC 20/23

21 6. Synthèse générale sur le PCA appliqué aux images couleurs et TOFs Les quelques tests menés sur une configuration semblables à celle que nous voulions mener dans le projet thermobio nous donne les résultats suivant : nb de rejets (taux de confiance trop bas) nb visage reconnu correctement nb erreur de reconnaissance images 2D image à niveau de gris ToF images 3D Les meilleurs résultats de reconnaissance sont obtenus avec l algorithme 2D. Le taux de réussite par rapport au nombre total d images s élève à 88% pour les images capturées avec la caméra 2D et 97% avec les images à niveau de gris de la caméra ToF. Le taux de réussite de reconnaissance atteint avec l algorithme 3D s élève à 79% par rapport au nombre total de visages tests. Ces taux sont obtenus avec la base de données actuelle. Ils vont changer d après les reconnaissances que l on réalise. Nous pouvons tirer la conclusion que l approche PCA fonctionne plutôt bien pour les images à niveau de gris et moins sur celle de profondeur. Houda Chabbi Drissi TIC 21/23

22 7. Conclusion de notre étude : Ayant, pour l instant, écarté dans notre réflexion l utilisation de la calibration dont les résultats sont instables, nous préconisons l approche suivante : une utilisation combinée de l application de PCA sur tous les types d images. Pondérés avec les résultats de l utilisation du SIFT 2D Autre réflexion important : le meilleur moyen de garantir les résultats reste une prise de vue contrôlée de la pose des personnes. Houda Chabbi Drissi TIC 22/23

23 8. Bibliographie [1] M. T. a. A. Pentland, "Eigenfaces for Face Detection/Recognition". [2] FaceSDK Luxand. [Online]. [3] J. Gilgen, "Spécification de Luxand," [4] Cognotics. Reconnaissance faciale avec PCA. [Online]. [5] N. Turenne, "Analyse en Composantes Principales (PCA principal component analysis)," [6] C. D. &. M. Saerens, "Analyse en composantes principales". [7] P. Buddharaju. Face Recognition using PCA (Eigenfaces) and LDA(Fisherfaces). [Online]. [8] M. Laforest, "Applications des mathématiques: Reconnaissance des visages". [9] Facial Recognition using Eigenfaces: Obtaining Eigenfaces. [Online]. [10] A. Menoud, " Reconnaissance de visage 3D via PCA" Projet de Bachelor juillet Houda Chabbi Drissi TIC 23/23

Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011

Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra

Plus en détail

Installation de la librairie VISP et création du projet

Installation de la librairie VISP et création du projet ESIR3-IN Travaux Pratiques VO 2012-2013 PREAMBULE Copier les données des TPs 1. créez un répertoire VO dans votre homedir cd ~/ mkdir VO cd VO 2. copier le dossier contenant toutes les données pour les

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES 1 TABLE DES MATIERES TABLE DES MATIERES... 2 I PERCEPTRON SIMPLE... 3 I.1 Introduction... 3 I.2 Algorithme... 3 I.3 Résultats... 4 1er exemple

Plus en détail

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

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

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Reconnaissance de Forme Statistique

Reconnaissance de Forme Statistique Reconnaissance de Forme Statistique James L. Crowley Deuxième Année ENSIAG Deuxième semestre 2002/2003 Séance 6 24 et 26 mars 2003 Reconnaissance de Visage et le Analyse en Composantes Principales (PCA)

Plus en détail

Comment gérer les profils ICC d entrée

Comment gérer les profils ICC d entrée Comment gérer les profils ICC d entrée Modifier les profils par défaut 2 Modifier les profils dans FileManager 3 Pour aller plus loin (utilisateurs avancés) 5 Modifier les profils dans le module d impression

Plus en détail

Angle de champ. Définition et méthodes de calcul

Angle de champ. Définition et méthodes de calcul Angle de champ Définition et méthodes de calcul Angle de champ Les techniques de photographie panoramique et haute définition consistent à assembler un grand nombre de photos afin de couvrir une plus grande

Plus en détail

Méthodes de Résolution de problèmes En Intelligence Artificielle

Méthodes de Résolution de problèmes En Intelligence Artificielle Méthodes de Résolution de problèmes En Intelligence Artificielle Résolution de Problèmes et Intelligence Artificielle Résoudre des puzzles Jouer aux échecs Faire des mathématiques Et même conduire une

Plus en détail

TP 7 : Manipulation d images.

TP 7 : Manipulation d images. Lycée Masséna TP 7 : Manipulation d images. On va voir deux choses dans ce TP : les tableaux Numpy, qui sont très pratiques pour les opérations terme à terme entre tableaux de nombres à plusieurs dimensions.

Plus en détail

API08 : Evaluation ergonomique d une IHM

API08 : Evaluation ergonomique d une IHM API08 : Evaluation d une IHM Résumé Twitter : les aspects positifs et négatifs de l interface Web par Ewan C. BURNS L objectif de ce document est de proposer une évaluation de l IHM web proposée par Twitter.

Plus en détail

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses LES ABEILLES D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses 1. Présentation de la trame : Recherche et synthèse d infos Notion d optimisation Intérêt et

Plus en détail

Rapport IN52. Sujet : Résolution d un puzzle

Rapport IN52. Sujet : Résolution d un puzzle CARRE Julien PIERNOT Jérôme Rapport IN52 Sujet : Résolution d un puzzle Responsable : M. Ruicheck Y. Automne 2007 1 SOMMAIRE INTRODUCTION...3 I. Description et approche du sujet...4 1. Description 2. Outils

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

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Introduction à l optimisation

Introduction à l optimisation Université du Québec à Montréal Introduction à l optimisation Donnée dans le cadre du cours Microéconomie II ECO2012 Baccalauréat en économique Par Dominique Duchesneau 21 janvier septembre 2008 Ce document

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Statistiques de groupe

Statistiques de groupe Système Méthodologique d Aide à la Réalisation de Tests Statistiques de groupe et analyse des questions de votre épreuve Une unité de soutien de l IFRES Université de Liège L analyse des statistiques de

Plus en détail

Génération d une visualisation personnalisée

Génération d une visualisation personnalisée Génération d une visualisation personnalisée Mohamed Mouine RALI-DIRO Université de montréal mouinemo@iro.umontreal.ca Résumé. Nous présentons une méthode permettant de calculer les besoins et les préférences

Plus en détail

Didacticiel destiné à l apprentissage de modifications colorimétriques sous GIMP.

Didacticiel destiné à l apprentissage de modifications colorimétriques sous GIMP. Didacticiel destiné à l apprentissage de modifications colorimétriques sous GIMP. Lancez le logiciel Gimp, son espace de travail typique contient 3 fenêtres par défaut: au centre la fenêtre principale

Plus en détail

COMPRESSION/DECOMPRESSION D UNE IMAGE BINAIRE

COMPRESSION/DECOMPRESSION D UNE IMAGE BINAIRE Le 29 novembre 2013, Rapport projet TS114 COMPRESSION/DECOMPRESSION D UNE IMAGE BINAIRE Par Marc BELLINGER et Antoine BINON. 2eme année Télécommunications. 1 Introduction : Le but de ce projet est d implémenter

Plus en détail

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension APPRENTISSAGE AUTOMATIQUE Réduction de dimension Malédiction de la dimensionalité Beaucoup de méthodes d apprentissage ne passent pas bien à l échelle pour des données de grandes dimensions: c est la malédiction

Plus en détail

CARACTERISTIQUES A PRENDRE EN COMPTE

CARACTERISTIQUES A PRENDRE EN COMPTE Jean-Pierre L. Consultant logistique spécialiste en entreposage. DIALOGIS METHODE L implantation du picking : enjeu majeur de la mise en oeuvre d une chaîne de préparation mécanisée RESUME L exploitation

Plus en détail

Apprentissage Automatique Numérique

Apprentissage Automatique Numérique Apprentissage Automatique Numérique Loïc BARRAULT Laboratoire d Informatique de l Université du Maine (LIUM) loic.barrault@lium.univ-lemans.fr 16 septembre 2015 1/42 Problème classique Automatique Autre

Plus en détail

- 77 - AIDE AU DIAGNOSTIC DES PATHOLOGIES RETINIENNES PAR TRAITEMENT NUMERIQUE D'IMAGES MOTS CLES : RESUME : T.KONE, P.BUNEL, G.MIMOUN, L.

- 77 - AIDE AU DIAGNOSTIC DES PATHOLOGIES RETINIENNES PAR TRAITEMENT NUMERIQUE D'IMAGES MOTS CLES : RESUME : T.KONE, P.BUNEL, G.MIMOUN, L. AIDE AU DIAGNOSTIC DES PATHOLOGIES RETINIENNES PAR TRAITEMENT NUMERIQUE D'IMAGES T.KONE, P.BUNEL, G.MIMOUN, L.KONATE MOTS CLES : TRAITEMENT NUMERIQUE D'IMAGES, ANGIOGRAPHIE RETINIENNE RESUME : Aujourd'hui

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Guide des normes d identité visuelle

Guide des normes d identité visuelle Guide des normes d identité visuelle Logo et mot-symbole Parti libéral du Canada, 2011. Tous droits réservés. Introduction Guide d utilisation Les présentes lignes directrices définissent les éléments

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Échantillonnage Équipe Académique Mathématiques - 2011

Échantillonnage Équipe Académique Mathématiques - 2011 Échantillonnage Équipe Académique Mathématiques - 2011 Fluctuation des échantillons Considérons une urne «de Bernoulli» (la population) contenant une proportion p de boules blanches, dont on extrait n

Plus en détail

LA CORRECTION RAPIDE AVEC CAPTURE ONE

LA CORRECTION RAPIDE AVEC CAPTURE ONE LA CORRECTION RAPIDE AVEC CAPTURE ONE Capture One est la version grand public de Capture One Pro, un convertisseur Raw de très haut niveau. La version allégée est cependant très riche en fonctionnalités,

Plus en détail

Etude d une installation de cogénération industrielle

Etude d une installation de cogénération industrielle Etude d une installation de cogénération industrielle Objectif du TD : L objectif de ce TD est l étude et la modélisation sous Thermoptim d une installation de cogénération existante, et l influence des

Plus en détail

Analyse d images numériques en microscopie

Analyse d images numériques en microscopie Analyse d images numériques en microscopie Yves Usson Reconnaissance et Microscopie Quantitative, Laboratoire TIMC UMR5525 CNRS Institut d Ingénierie et d Information de Santé (IN3S), La Tronche Traitement

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

Économétrie. Francesco Quatraro M1 EFM 2010/2011 Francesco Quatraro M1 EFM 2010/2011 1 La violation des hypothèses Le modèle des MCO considère que les hypothèses suivantes sont toutes respectées: H1: le modèle est linéaire en x i,t H2: les valeurs x

Plus en détail

Analyse en Composantes Principales (ACP)

Analyse en Composantes Principales (ACP) Analyse en Composantes Principales (ACP) Principal Component Analysis (PCA) Nicolas Stoiber Dynamixyz Contexte : traitement du signal Problématique: comment, dans ce contexte, représenter des entités,

Plus en détail

A. Résolution et codage d une image en noir et blanc

A. Résolution et codage d une image en noir et blanc Nom :. Comment encoder une image Coéquipier :. Objectifs : étudier différents modes d encodage d une image (ou numérisation une image) Une image se caractérise par plusieurs propriétés : a) Sa défintion

Plus en détail

Ce projet se base sur le fait que les images numériques sont composées de pixels (plus ou moins nombreux selon le contexte).

Ce projet se base sur le fait que les images numériques sont composées de pixels (plus ou moins nombreux selon le contexte). Externat Notre Dame Accompagnement personnalisé (Tle S) Période n 2 Ce projet se base sur le fait que les images numériques sont composées de pixels (plus ou moins nombreux selon le contexte). A chaque

Plus en détail

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC

L analyse Factorielle des correspondances. 1/ Préambule descriptif de l AFC L analyse Factorielle des correspondances...2 1/ Préambule descriptif de l AFC...2 Exemples de types de données que l AFC peut aborder:...2 Quelques types de tableaux traités par l AFC...3 2/ Exercice

Plus en détail

Informatique 1ere année, CPBX, TD3

Informatique 1ere année, CPBX, TD3 Informatique 1ere année, CPBX, TD3 Carole Blanc, Paul Dorbec Nous vous rappelons que vous trouverez le site avec le matériel du cours à l adresse http://dept-info.labri.fr/~blanc/ens/cpbx/. En particulier,

Plus en détail

Projet d Initiative en Physiologie Humaine :

Projet d Initiative en Physiologie Humaine : Projet d Initiative en Physiologie Humaine : Caractérisation des modifications d'écoulement au niveau des anévrismes : application au traitement des anévrismes cérébraux par embolisation Par : BES Pierre,

Plus en détail

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante.

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Essai de détermination du nombre de prélèvements à effectuer lors d un diagnostic amiante afin d assurer une représentativité

Plus en détail

Approche empirique du test χ 2 d ajustement

Approche empirique du test χ 2 d ajustement Approche empirique du test χ 2 d ajustement Alain Stucki, Lycée cantonal de Porrentruy Introduction En lisant des rapports, on rencontre souvent des raisonnements du style : «le premier groupe est meilleur

Plus en détail

Nous vous présentons. Mustek Systems, Inc.

Nous vous présentons. Mustek Systems, Inc. Nous vous présentons Mustek Systems, Inc. Les informations contenues dans ce document sont susceptibles de modifications sans avertissement préalable. Les sociétés, noms et données utilisés à titre d exemples

Plus en détail

OUTIL D EXPÉRIMENTATION. Dessin et design industriels. Projet personnel d orientation (PPO)

OUTIL D EXPÉRIMENTATION. Dessin et design industriels. Projet personnel d orientation (PPO) OUTIL D EXPÉRIMENTATION Dessin et design industriels Projet personnel d orientation (PPO) DESSIN ET DESIGN INDUTRIELS Guide des activités Les informations contenues dans ces guides des activités sont données

Plus en détail

Calibración avec point

Calibración avec point Guide de Calibration avec Motic Images Plus 2.0ML & Motic Images Advanced 3.2 Calibración avec point Pas 1: Après avoir activé la fenêtre de capture, sélectionner le mode auto dans l exposition. Il est

Plus en détail

ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE COMITÉ PERMANENT DES TECHNIQUES DE L INFORMATION

ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE COMITÉ PERMANENT DES TECHNIQUES DE L INFORMATION OMPI SCIT/SDWG/9/8 ORIGINAL : anglais DATE : 11 janvier 2008 F ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE COMITÉ PERMANENT DES TECHNIQUES DE L INFORMATION GROUPE DE TRAVAIL SUR LES NORMES

Plus en détail

[Tutoriel : Interfaçage Visual Studio (C#) -Excel]

[Tutoriel : Interfaçage Visual Studio (C#) -Excel] [Tutoriel : Interfaçage Visual Studio (C#) -Excel] Nicolas Chari, Thomas Dordonne, Aloys Fortier, Jonathan Zilmia [Tutoriel : Interfaçage Visual Studio (C#) -Excel] 2 TABLE DES MATIERES Introduction 4

Plus en détail

Reconnaissance des Formes Travaux Pratiques, 1 ère séance /4 - Corrigé partiel -

Reconnaissance des Formes Travaux Pratiques, 1 ère séance /4 - Corrigé partiel - Reconnaissance des Formes Travaux Pratiques, 1 ère séance /4 - Corrigé partiel - Modalités de déroulement o séance en salle Linux o compte-rendu à remettre à l'issue de la séance Objectif de la séance

Plus en détail

L espace virtuel de La Branche Cochrane-Québec

L espace virtuel de La Branche Cochrane-Québec L espace virtuel de La Branche Cochrane-Québec Bonjour cher(ère)s auditeurs et auditrices web! SVP prendre quelques secondes pour tester vos paramètres audio via l assistant situé au haut de la page: Outils

Plus en détail

MATH & MANIPS OU COMMENT INTEGRER DES MANIPULATIONS DANS LES CLASSES POUR FAVORISER L'APPRENTISSAGE DES GRANDEURS ET DE LA PROPORTIONNALITE

MATH & MANIPS OU COMMENT INTEGRER DES MANIPULATIONS DANS LES CLASSES POUR FAVORISER L'APPRENTISSAGE DES GRANDEURS ET DE LA PROPORTIONNALITE MATH & MANIPS OU COMMENT INTEGRER DES MANIPULATIONS DANS LES CLASSES POUR FAVORISER L'APPRENTISSAGE DES GRANDEURS ET DE LA PROPORTIONNALITE Marie-France Guissard, Valérie Henry, CREM, FUNDP Pauline Lambrecht,

Plus en détail

Plan de cours. Programme : Sciences de la nature 200.B0 2-2-2. 2 2/3 unités. Automne 2010

Plan de cours. Programme : Sciences de la nature 200.B0 2-2-2. 2 2/3 unités. Automne 2010 Plan de cours Programme : Sciences de la nature 00.B0 Département : Titre du cours : Code du cours : Mathématiques Probabilités et Statistiques 01-GHC-04 -- /3 unités Automne 010 Éric Brunelle A-10 450-347-5301

Plus en détail

Romain Vernoux. Reconstruction d une scène 3D par stéréovision

Romain Vernoux. Reconstruction d une scène 3D par stéréovision Romain Vernoux Reconstruction d une scène 3D par stéréovision TIPE Informatique 2011 1 Table des matières Introduction 3 I. Modélisation des caméras 4 1. Espace projectif..............................

Plus en détail

Calcul de moyenne de portrait

Calcul de moyenne de portrait Calcul de moyenne de portrait Dupont Maurane & Bourriaud Typhaine TS2 Mon CV. 1 Présentation POURQUOI CE PROJET : Parmi la liste des projets proposés pour le bac, ce sujet m a semblé le plus attrayant.

Plus en détail

Guide de l apprentissage par compétences

Guide de l apprentissage par compétences Guide de l apprentissage par compétences Ou comment mieux appréhender les évaluations du DES de médecine générale 286 rue Vendôme 69003 LYON Tél. 04 78 60 01 47 06 73 07 53 00 - Fax 04 78 60 27 14 administration@isnar-img.com

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

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

Plus en détail

Présentation de quelques techniques de shape-from-x

Présentation de quelques techniques de shape-from-x Présentation de quelques techniques de shape-from-x Jean-Denis DUROU IRIT - Toulouse Jean-Denis DUROU (IRIT - Toulouse) ISIS - 12 avril 2011 1 / 36 Introduction Scannage 3D, reconstruction 3D et shape-from-x

Plus en détail

Interblocages. Chapitre 7. 7.1 Les processus et les ressources

Interblocages. Chapitre 7. 7.1 Les processus et les ressources Chapitre 7 Interblocages 7.1 Les processus et les ressources L exécution d un processus nécessite un ensemble de ressources (mémoire principale, disques, fichiers, périphériques, etc.) qui lui sont attribuées

Plus en détail

par Jean-François Deslandes

par Jean-François Deslandes GUIDE EXCEL POUR LA STATISTIQUE par Jean-François Deslandes Automne 2000 2 Table des matières RAPPORT DE TABLEAU CROISÉ DYNAMIQUE 4 CONSTRUCTION D'UN TABLEAU DE FRÉQUENCE POUR UNE VARIABLE UNIQUE 4 DISTRIBUTION

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

Projet Informatique DESS GRA

Projet Informatique DESS GRA Projet Informatique DESS GRA Etudiants : CHU Kam-Yuen KODAD Ezzoubir Responsable: Erwan Le SAOUT Kam-Yuen CHU & Ezzoubir KODAD 0 Sommaire P.1 Introduction P.2 Partie 1: Méthode d analyse technique P.3

Plus en détail

Word 2000 FR. Mailing - bases

Word 2000 FR. Mailing - bases Word 2000 FR Mailing - bases Word 2000 FR sur Windows 2000 UK Chambre des représentants, BXL 2006 Par PASCAL CAMBIER http://pascal.cambier.eu 1 Table des matières 1 Table des matières... 2 2 Généralités...

Plus en détail

Rapport écrit : recommandations et instructions

Rapport écrit : recommandations et instructions Projet d Elèves Ingénieurs 2007-2008 Restitutions Rapport écrit : recommandations et instructions L importance du rapport écrit est à souligner : destiné à des décideurs, il représente ce qui restera de

Plus en détail

IFT 6145 Vision tridimensionelle Environnement immersifs

IFT 6145 Vision tridimensionelle Environnement immersifs IFT 6145 Vision tridimensionelle Environnement immersifs Sébastien Roy Département d informatique et de recherche opérationelle Université de Montréal Au programme Projection sur grand écran et immersion

Plus en détail

Projet Bibliographique. Caméra linéaire TDI

Projet Bibliographique. Caméra linéaire TDI Projet Bibliographique Caméra linéaire TDI License professionnelle gestion de la production industrielle Spécialité Vision industrielle 1 Sommaire Introduction 3 a)définition d un capteur 4 I] Caméra linéaire

Plus en détail

Contrôle objet du modèle AROME avec le logiciel MODE développé au NCAR

Contrôle objet du modèle AROME avec le logiciel MODE développé au NCAR Toulouse le 08 Octobre 2014 Contrôle objet du modèle AROME avec le logiciel MODE développé au NCAR Travail réalisé par RAZAGUI Abdelhak sous la direction de Joël STEIN Période du 13 septembre au 11 Octobre

Plus en détail

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7 Vision Par Ordinateur James L. Crowley DEA IVR Premier Bimestre 1999/00 Séance 4 26 octobre 1999 Plan de la séance : Techniques Statistiques de la Reconnaissance de Forme Segmentation...2 La Distribution

Plus en détail

Licence Pro Vision Industrielle - année 2010-2011 - 2011

Licence Pro Vision Industrielle - année 2010-2011 - 2011 Licence Pro Vision Industrielle - année 2010-2011 - 2011 Callewaert Axel et Picard Thomas Sommaire Introduction... 3 1. Cahier des charges... 4 2. Solutions mises en place... 6 2.1 Présentation du système

Plus en détail

Mesurer l incidence de BDC sur ses clients

Mesurer l incidence de BDC sur ses clients Équipe de la Recherche et de l analyse économique de BDC Juillet 213 DANS CE RAPPORT Le présent rapport est fondé sur une analyse statistique réalisée par Statistique Canada visant à évaluer l incidence

Plus en détail

PROJET PERSONNEL. démontrer des compétences d organisation illustrant leur gestion du temps et de soi ;

PROJET PERSONNEL. démontrer des compétences d organisation illustrant leur gestion du temps et de soi ; PROJET PERSONNEL Critère A Utilisation du journal de bord démontrer des compétences d organisation illustrant leur gestion du temps et de soi ; communiquer et collaborer avec leur superviseur ; démontrer

Plus en détail

COMPTE RENDU D ACTIVITÉ

COMPTE RENDU D ACTIVITÉ COMPTE RENDU D ACTIVITÉ Benjamin, Ingénieur Docteur R&D Mission au sein d un bureau d études en aéronautique Rapport de mission Avril - Septembre 2015 (6 mois) Lors de ma mission, j'ai pu intégrer l'équipe

Plus en détail

Analyse des données 1: erreurs expérimentales et courbe normale

Analyse des données 1: erreurs expérimentales et courbe normale Analyse des données 1: erreurs expérimentales et courbe normale 1 Incertitude vs. erreur Une mesure expérimentale comporte toujours deux parties: la valeur vraie de la grandeur mesurée et l'erreur sur

Plus en détail

CHAPITRE VI : SYSTEME DE GESTION DE FICHIERS

CHAPITRE VI : SYSTEME DE GESTION DE FICHIERS 56 CHAPITRE VI : SYSTEME DE GESTION DE FICHIERS 6.1 INTRODUCTION : Afin de fournir un accès efficace et pratique au disque, le SE impose un système de gestion de fichiers (SGF) pour permettre de stocker,

Plus en détail

Résumé du chapitre 8 Ressources et interblocage

Résumé du chapitre 8 Ressources et interblocage Résumé du chapitre 8 Ressources et interblocage Jacques Mossière 12 août 2004 1 Introduction Ce chapitre est consacré à l étude d un problème classique dans les systèmes, l interblocage, c est à dire l

Plus en détail

Livre blanc. Contrôler simplement les couleurs. Connaissances de base relatives à la configuration des contrôles de couleurs

Livre blanc. Contrôler simplement les couleurs. Connaissances de base relatives à la configuration des contrôles de couleurs Livre blanc Contrôler simplement les couleurs. Connaissances de base relatives à la configuration des contrôles de couleurs Dans beaucoup de contrôles de couleurs du traitement d images industriel et notamment

Plus en détail

Laboratoire 4 Développement d un système intelligent

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

Plus en détail

MESURES ET INCERTITUDES

MESURES ET INCERTITUDES MESURES ET INCERTITUDES OBJECTIFS DE CE CHAPITRE : Savoir exprimer une mesure avec le bon nombre de chiffres significatifs. Savoir arrondir le résultat d un calcul avec le bon nombre de chiffres significatifs.

Plus en détail

Recommandations concernant la transmission des images d empreintes digitales

Recommandations concernant la transmission des images d empreintes digitales Recommandations concernant la transmission des images d empreintes digitales INTERPOL OS/FTD/IDFP 2012 À usage officiel INTERPOL uniquement P a g e 1 RECOMMANDATIONS CONCERNANT LA TRANSMISSION DES IMAGES

Plus en détail

Mettre en œuvre le Six Sigma

Mettre en œuvre le Six Sigma Caroline Fréchet Mettre en œuvre le Six Sigma CD-Rom de démonstration MINITAB offert QUALITÉ Comment utiliser le Six Sigma avec facilité > Définir et positionner le projet > Mesurer la situation existante

Plus en détail

Projet Gestion De Production

Projet Gestion De Production Projet Gestion De Production Groupe de Projet LALUQUE Florian MONTANVERT Kevin PERS Cyril ROSE Aurélien SAUJOT Steeven Enseignants Responsables LEROUX Stéphane VIDAL Jean- Baptiste Introduction Dans le

Plus en détail

COURBES & SURFACES NURBS Lilian BUZER Dept. Informatique. Modélisation NURBS

COURBES & SURFACES NURBS Lilian BUZER Dept. Informatique. Modélisation NURBS Modélisation NURBS Nous nous proposons dans cette fiche d appréhender la modélisation par les courbes et les surfaces NURBS. Si l interface de Maya est avant tout conçue pour le monde du 7 ème art, les

Plus en détail

Des tables à langer de qualité supérieure

Des tables à langer de qualité supérieure DAN DRYER TABLES À LANGER Des tables à langer de qualité supérieure Le confort et l hygiène pour les zones publiques de change bébé Hygiénique Fiable Economique RESPECTUEUX DE L ENVIRONNEMENT Intemporel

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

GUIDE DE LA PAO. Une équipe prépresse réactive pour le meilleur. Un équipement à la pointe de la technologie FORMAT PDF BIEN PRÉPARER

GUIDE DE LA PAO. Une équipe prépresse réactive pour le meilleur. Un équipement à la pointe de la technologie FORMAT PDF BIEN PRÉPARER Privilégiez le FORMAT PDF GUIDE Une équipe prépresse réactive pour le meilleur DE LA PAO Un équipement à la pointe de la technologie Voir en téléchargement "Générer un fichier PDF optimisé" BIEN PRÉPARER

Plus en détail

Traitement d images. Chapitre I Prétraitements

Traitement d images. Chapitre I Prétraitements Traitement d images Chapitre I Prétraitements 1 2 Introduction Les prétraitements d une image consiste à effectuer des opérations visant à : améliorer sa qualité visuelle restaurer l image en éliminant

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

Plus en détail

La problématique posée pour l analyse : Description du stockage des données:

La problématique posée pour l analyse : Description du stockage des données: Cas d étude : PACES Date de rédaction : 9 novembre 2015 Scénarios : S2 et S3 Auteurs de l analyse : Samy Foudil, Laura Dupuis, Muriel Ney, Nadine Mandran Période de l analyse : printemps 2014 puis été-automne

Plus en détail

pour l application de la Politique du français dans les départements

pour l application de la Politique du français dans les départements pour l application de la Politique du français dans les départements Document préparé par Colette Ruest Animatrice linguistique La matrice de la Politique du français 1 décrit les différents paramètres

Plus en détail

Les résultats de la grande enquête : «L énergie de l accomplissement»

Les résultats de la grande enquête : «L énergie de l accomplissement» Les résultats de la grande enquête : «L énergie de l accomplissement» «Le succès n a rien à voir avec ce que vous gagnez ou accomplissez pour vous. C'est ce que vous faites pour les autres.» Danny Thomas

Plus en détail

FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA

FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA Sauvé Louise Télé-université / SAVIE / SAGE Introduction Une étude de

Plus en détail

Luc PONSONNET Lycée Bonaparte 83000 Toulon Académie de Nice TRAAM 2013-2014 Page 1

Luc PONSONNET Lycée Bonaparte 83000 Toulon Académie de Nice TRAAM 2013-2014 Page 1 Luc PONSONNET - Académie de Nice - TraAM 2013-2014 " L ENORME SAUT DE THIERRY NEUVILLE AU RALLYE DE FINLANDE" Niveau de la classe : première scientifique Testée avec une classe de première scientifique

Plus en détail

Modelmaker by theboxbuilder Manuel d utilisation (Version 1.1 FR)

Modelmaker by theboxbuilder Manuel d utilisation (Version 1.1 FR) Modelmaker by theboxbuilder Manuel d utilisation (Version 1.1 FR) Indice 1. Description...2 2. Design...3 2.1 Sélection du Design souhaité... 4 2.1.1 Recherche... 4 2.1.2 Famillles... 4 2.1.3 Filtres...5

Plus en détail

Commission Réseau Sémantique Universel Étude de cas n 1 : routage postal

Commission Réseau Sémantique Universel Étude de cas n 1 : routage postal Commission Réseau Sémantique Universel Étude de cas n 1 : routage postal La meilleure méthode pour mettre au point une méthode étant de la tester sur le plus grand nombre possible de cas concrets, voici

Plus en détail