Fusion de la DCT-PCA et la DCT-RLDA pour la Reconnaissance de Visages
|
|
- Carole St-Hilaire
- il y a 8 ans
- Total affichages :
Transcription
1 Fusion de la DC-PCA et la DC-RLDA pour la Reconnaissance de Visages Messaoud Bengherabi, Lamia Mezai, Farid Harizi, Abderrazak Guessoum 2, Mohamed Cheriet 3 Centre de Développement des echnologies Avancées Division Architecture des Systèmes et Multimédia Cité 20 Aout, BP, Baba Hassen, Alger bengherabi@yahoo.com, l_mezai@yahoo.fr, harizihourizi@yahoo.fr 2 Université Saad Dahlab de Blida Laboratoire raitement de signal et d imagerie Route De Soumaa BP 270 BLIDA, Algérie guessouma@hotmail.com 3 École des echnologies Supérieur Laboratoire d Imagerie, de Vision et d Intelligence Artificielle 00, Rue Notre-Dame Ouest, Montréal (Québec) H3C K3 Canada mohamed.cheriet@gpa.etsmtl.ca Résumé Dans cet article, nous proposons la fusion en score de deux méthodes de reconnaissance de visage à savoir l analyse en composantes principales (PCA) et l analyse discriminante linéaire régularisée (R-LDA) et ce dans le domaine DC. Des expériences ont été effectuées sur la base de données ORL indique que l'utilisation des techniques de normalisation tel que Min-Max et somme suivie d'une stratégie simple de fusion (somme simple, append, la somme pondérée) confirme les avantages de l'approche proposée en termes de taux d'identification et temps de traitement. Mots clés Analyse en composantes principales (PCA, l analyse discriminante linéaire (LDA), l analyse discriminante linéaire régularisée (R-LDA), reconnaissance de visage, transformée en cosinus discrète bidimensionnelle (2D-DC). Introduction et motivation La biométrie est une discipline qui vise à établir l'identité d'une personne en mesurant l une de ses caractéristiques physiques. La reconnaissance de visages, qui tient une place centrale en biométrie, est une tâche particulièrement difficile et généralement considérée comme un problème ouvert. Elle possède de nombreuses applications dans les domaines de sécurité informatique, de multimédia et aussi en sciences cognitives.
2 2 M. Bengherabi et al. Plusieurs algorithmes de reconnaissance de visage ont été proposés ces dernières années [], chacun repose sur une représentation particulière du visage. Nous pouvons identifier deux types d'approches: l approche globale dans laquelle l'image du visage est considéré comme un vecteur de caractéristique, et l approche locale qui consiste à appliquer des transformations à des endroits spécifiques de l image tel que les coins des yeux, de la bouche, le nez,...etc. L analyse en composantes principales (PCA) est l une des méthodes les plus utilisées dans la reconnaissance de visages, elle a été proposée par M. A. urk et M. P. Pentland [2]. Dans l'identification de visage basée sur la PCA, les images de visage 2D sont transformées en vecteurs colonnes D. Le calcul de la matrice de covariance à base de ces vecteurs est difficile à cause de la grande taille des vecteurs D et le nombre important d'échantillons d apprentissage. En général, le calcul des vecteurs propres d'une grande matrice de covariance prend beaucoup de temps. L analyse discriminante linéaire (LDA) est née des travaux de Belhumeur et al. en 997 [3]. La LDA effectue une véritable séparation de classe et cela en minimisant les variations entre les images d un même individu tout en maximisant les variations entre les images d individus différents. Néanmoins, lorsque le nombre d individus est inférieur à la résolution de l image, il est difficile d appliquer la LDA qui peut faire apparaître des matrices de dispersions singulières. Afin de contourner ce problème, certains algorithmes basés sur la LDA ont été proposées [4;5], le plus connu est la RLDA (Regularized LDA) [5]. La réduction de dimensionnalité employant la PCA ou la LDA nécessite un temps prohibitif lorsque la dimension et le nombre d'échantillons d apprentissage sont importants. Pour cette raison, la réduction de la complexité informatique est fortement exigée. Pour cela, la transformée en cosinus discrète (DC) a été utilisée dans l'identification de visages pour la réduction de dimension [6]. Dans [7], il a été prouvé expérimentalement que la PCA et la LDA peuvent être appliquées sur un nombre réduits de coefficients DC pour réaliser une meilleure reconnaissance avec un gain en temps de calcul et en espace mémoire. Afin d'améliorer le taux de reconnaissance de la PCA et LDA, leur fusion est proposée par G. L. Marcialis et F. Roli en 2002 [8], ils ont remarqué que la LDA et la PCA ne sont pas corrélées car la LDA génère un espace propre significativement différent de la PCA. Les expériences effectuées dans [8] montrent que la fusion de la LDA et de la PCA ont donné de bons résultats. Dans cet article, nous proposons la fusion en score de la DC-PCA et la DC-RLDA. Les méthodes DC-PCA et DC-RLDA sont utilisés au lieu de la PCA et la RLDA, respectivement, afin de réduire le temps d'exécution et d'avoir une meilleure performance. Le reste de cet article est organisé comme suit. La section 2 présente les techniques : PCA, LDA, DC-PCA et DC-RLDA. La section 3 aborde la fusion de la DC-PCA et la DC-RLDA. La section 4 présenté les résultats expérimentaux. Enfin, la section 5 conclue ce papier et donne les perspectives de ce travail. 2 Vue d'ensemble des algorithmes de reconnaissance de visages basés sur la PCA, RLDA 2. Algorithme de reconnaissance de visages basé sur la PCA L idée principale de l algorithme PCA consiste à exprimer nos M images de départ selon une base de vecteurs orthogonaux particuliers (vecteurs propres). Ceci est effectué comme suit :
3 3 ransformer chaque image d apprentissage en vecteur colonne, et concaténer tous les vecteurs d apprentissage pour former une matrice X. Ajuster les données d apprentissage par rapport à la moyenne µ. X = X μ () Calculer la matrice de covariance G = X X (2) Déterminer la matrice des vecteurs propres W ordonnée suivant la matrice des valeurs propres Λ, elle-même triée par ordre décroissant, en résolvant l'équation suivante : GW = ΛW (3) Projeter toutes les images d apprentissage par la matrice W comme suit : Y = W X (4) ransformer chaque image test en vecteur colonne, puis utiliser Eq. (4) pour obtenir le modèle p, puis une mesure de similarité peut être utilisée pour la classification. Afin de mesurer la similarité entre deux vecteurs, nous avons utilisé la distance de Minkowski d'ordre p : p n p L p = xi y i (5) i = el que X = (x,..., x n ) et Y = (y,..., y n ). Dans nos expériences, nous avons utilisé deux distances dérivées de la distance de Minkowski, la première obtenue par p= appelée la distance de Manhattan (L) et la deuxième obtenue par p=2 et appelée la distance euclidienne (L2). 2.2 Algorithme de reconnaissance de visages basé sur la RLDA L'idée de base de la RLDA est de trouver une transformation linéaire qui permet de séparer entre les classes après leurs projections. De plus, la matrice X qui contient les images d apprentissage est composée de C classes et dans chaque classe, on a mi individus. La RLDA est appliqué comme suit : Exprimer la matrice de dispersion inter-classes S B comme suit : Avec : μ i = x j est la moyenne de la i éme classe. mi j i B Φb.Φb S = (6) [ Φ,...,Φ ], Φ = m ( μ μ) Φb = b, b,c b,i i i (7) M μ = xi = mcμc est la moyenne de toutes les classes. M i= M c Déterminer les d vecteurs propres de Φb.Φ b désignés par E d = [ e,..., ed ], où d C-. Calculer les d vecteurs propres U d de S B correspondant aux d plus grandes valeurs propres (Λ b ) par:
4 4 M. Bengherabi et al. U d = ΦbEd, Λ B = U d S BU d (8) 2 Poser H U d Λ = B. Déterminer les vecteurs propres de H S wh notés par P = [ p ],..., p d. S w est la matrice de dispersion intra-classe définie comme: C mi Sw = ( x j μ i )( x j μi ) (9) i= j= Choisir les D vecteur propres important de P (D d). La matrice de projection W est calculée comme suit: 2 W = HP D ( η I + Λw ) (0) Où : I : matrice identité, 0 η : paramètre de régularisation, généralement pris à η=0-4. Projeter les images d apprentissage comme suit : Y = W X () ransformer chaque image test en vecteur colonne, puis utiliser Eq. () pour obtenir p, puis une mesure de similarité peut être utilisée pour la classification 2.3 La PCA et la RLDA dans le domaine DC La complexité de calcul engendrée par la PCA et la RLDA particulièrement quand la résolution des images et la taille de l échantillon d apprentissage sont tous deux grandes, a fait que les chercheurs ont pensé à intégrer une étape qui pourrait diminuer le temps de calcul pour parvenir à un vrai système de reconnaissance de visage, car le temps de réponse est très important dans ce cas. L une des solutions est d utiliser le vecteur de coefficient 2D-DC [7] de l image au lieu d utiliser le vecteur image lui-même (figure ). Figure : Extraction de caractéristiques dans la DC-PCA et la DC-RLDA
5 5 3 L approche proposée Dans cette section, nous présentons notre méthodologie de fusion en score de deux approches de reconnaissance du visage à savoir : la DC-PCA et la DC-RLDA. La figure 2 montre le schéma de la méthode proposée. Il est composé des étapes suivantes: Modélisation des visages basée par les approches : DC-PCA et DC-RLDA; Calcul des vecteurs de distance D DC-PCA et D DC-RLDA de tous les M visages de la base de visages Normalisation des vecteurs de distance Combinaisons des vecteurs de distance suivant une règle de fusion. Figure 2 : Fusion en score de la DC-PCA et DC-RLDA 3. Stratégie de fusion Comme on peut le constater, les deux méthodes DC-PCA et DC-LDA ont la même structure de score. On a un vecteur de taille p qui contient les paramètres correspondant au visage test à reconnaitre et une matrice des modèles Y de taille (p, M) tel que M représente le nombre de visages d apprentissage utilisés, chaque colonne de Y est un vecteur modèle d un individu (classe) de la base. La comparaison entre Y et se fait alors en calculant les distances entre avec chaque colonne de Y, ainsi on disposera d un vecteur de distances D(d,,d M ) de taille M qui représentera les scores à fusionner. 3.2 Normalisation des scores Etant donné que les scores obtenus des différentes techniques de reconnaissance sont hétérogènes, la normalisation de score est indispensable avant de les combiner. Dans ce travail nous avons utilisé deux techniques normalisation Min-Max et Somme. On note le vecteur de distance par d,..., D = d,..., d. D = ( ), et son vecteur normalisé par ( ) d M n n Mn
6 6 M. Bengherabi et al MIN-MAX Cette méthode range les scores dans l intervalle [0,], avec D max et D min sont respectivement le maximum et le minimum de l ensemble D [9], le score normalisé D n est donné par: D Dmin Dn = (2) Dmax Dmin Somme Dans cette méthode, on divise chaque valeur du vecteur par la somme de ses valeurs. D D n = (3) M di i= 3.3 echniques de fusion Soient DDC PCA et DDC RLDA les vecteurs de distance obtenu par la DC-PCA et la DC- RLDA respectivement. ( d,..., d M ) DC RLDA ( d,..., d ) DDC RLDA = (4) DDC RLDA = M (5) Après la normalisation des vecteurs de distances, nous utilisons les méthodes de combinaison des deux vecteurs résultants DDC PCAn et DDC RLDAn («n» est assigné à la normalisation) afin de trouver le vecteur fusionné D. Nous avons utilisé trois méthodes : Fusion 3.3. Somme Simple Dans ce cas, D Fusion est égale à la moyenne des deux vecteurs de distance [9] DDC PCAn et D DC RLDAn. Nous choisissons la classe correspondante à la valeur minimale de D Fusion. ( d + d ) 2,..., ( d + d ) 2) DFusion = n n Mn Mn (6) Append Dans cette méthode, nous regroupons les deux vecteurs DDC PCAn et DDC RLDAn dans un seul vecteur D Fusion comme suit [9], puis nous choisissons la classe correspondante à la valeur minimale de D Fusion : D = DC PCA, d DC RLDA,...,d Fusion d,..., d (7) n Mn n Mn Somme Pondérée Dans ce cas, nous attribuons un poids w à chaque méthode (DC-PCA et DC-RLDA) basé sur leur taux de reconnaissance. Ainsi, le vecteur D Fusion est calculé comme suit [9] : DFusion = ( w.d + w.d,...,w.d w. d ) (26) DC PCA n n Mn + Mn wdc PCA et wdc RLDA sont les poids associés à chaque méthode DC-PCA et DC-RLDA respectivement. Ils sont calculés comme suit :
7 7 w = (8) Afin de calculer wdc RLDA, nous remplaçons DC PCA par DC RLDA dans Eq (8). DC PCA et DC RLDA sont les taux de reconnaissance des techniques DC-PCA et DC-RLDA respectivement. 3.4 Analyse de la diversité des scores Pour avoir une idée sur le degré d amélioration que peut apporter la fusion aux systèmes de reconnaissance, on mesure leur degré de diversité en effectuant des tests sur chaque classificateur séparément et voir la relation entre leurs réponses c'est-à-dire est ce qu il donne les mêmes résultats, ou bien des résultats totalement différents. Pour cela, on a besoin de calculer le Q statistique [0] des approches à fusionner. Etant donné deux classifieurs i et j, on calcule le Q statistique comme suit: N N N N Q, j = i N N + N (9) N el que : N 00 nombre de mêmes fausses réponses données par les deux classificateurs. N nombre de mêmes bonnes réponses données par les deux classificateurs. N 0 et N 0 nombre de réponses mal classifiées par l un d eux et correctement classifiés par l autre. Q i,j varie entre - et. De plus, si le Q i,j est proche de, les classificateurs sont concurrents, quand il est proche de 0, ils sont complémentaires. Le Q statistique entre la PCA, RLDA, DC-PCA et DC-RLDA sont indiqués dans la able. Nous devons mentionner que ces tests ont été effectués sur la base de données de visages ORL (Olivetti Research Laboratory) [] qui sera décrite dans la section suivante. Nous concluons de la able que la meilleure amélioration de la performance peut être obtenue par la fusion de la DC-PCA et de la DC-RLDA. Ainsi, nous sommes motivés par cette vu la performance individuelle de chacune des deux méthodes et leur faible coût de calcul. able : Le Q statistique entre les différentes approches Distance Entre PCA et RLDA Entre DC-PCA et DC-RLDA L
8 8 M. Bengherabi et al. 4 Experimentation et implementation 4. Application developée Pour une intégration possible du module de reconnaissance de visage proposé dans un système biométrique complet, nous avons développé une interface graphique sous Visual C++.NE. Dans laquelle l utilisateur peut choisir l une des méthodes de normalisation et de fusion pour faire des tests sous différentes conditions. Le logiciel développé est présenté dans la figure 3. Figure 3 : Logiciel développé, (a) Identification 4.2 Experimentation et discussion outes les expériences ont été réalisées sur un Pentium III avec,73 GHz et une RAM de 52 Mo. La base de visage ORL (Olivetti Research Laboratory) [] est utilisée pour effectuer des tests. Elle contient 400 images de 40 individus, pour chaque personne, nous avons 0 images de taille 2 92 pixels. Pour certains individus, les images ont été capturées à des moments différents. Les expressions faciales et les apparences faciales varient aussi. Cinq images d une même personne de la base ORL sont présentées dans la figure 4.
9 9 Figure 4 : Cinq images d une même personne de la base ORL. Dans cette expérience, nous avons choisi aléatoirement cinq images par personne pour l apprentissage, et les images restantes pour le test. Ainsi, le nombre total des images d apprentissage et de test est de 200 pour les deux. Ce test est répété dix fois. Nous avons calculé le taux de reconnaissance moyen de chaque méthode : DC-PCA, DC-RLDA et leur fusion. La able 2 montre le taux de reconnaissance des méthodes : PCA, RLDA, DC-PCA et DC- RLDA. Nous remarquons que les méthodes utilisant la DC donnent de meilleures performances. La able 3 illustre la comparaison entre la PCA+RLDA et la DC-PCA+DC-RLDA. Nous pouvons mentionner que la fusion de la DC-PCA avec la DC-RLDA est meilleure que celle de la PCA avec RLDA. Le meilleur taux de reconnaissance de la DC-PCA+DC-RLDA est de 96,75%. De plus, nous pouvons conclure des tables 2 et 3 que la fusion de la DC-PCA et DC-RLDA améliore les performances en la comparant à chaque technique prise individuellement. La fusion qui donne les meilleures performances est la normalisation min-max avec la règle de fusion Somme pondérée et cela en utilisant la norme L 2. Le tableau 4 présente le temps d apprentissage et d identification (nombre d image d apprentissage et d identification est égale à 200), les temps sont calculés avec le logiciel développé sous Visual C++.net. Nous remarquons que le DC réduit considérablement le temps d apprentissage et d identification. able 2 : Meilleurs taux de reconnaissance des méthodes : PCA, RLDA, DC-PCA et DC-RLDA Distance PCA DC-PCA RLDA DC-RLDA L (7coef) (5coef) L (2coef) (7coef) able 3 : Comparaison entre la fusion de la PCA+RLDA et la DC-PCA+DC-RLDA Normalisation Distance MIN-MAX Somme Somme Simple PCA+RLDA Append Somme pondérée DC-PCA+DC-RLDA Somme Simple Append Somme pondérée L L L L
10 0 M. Bengherabi et al. able 4 : emps d apprentissage et d identification emps PCA DC-PCA (5coeff) LDA DC-RLDA (5coeff) PCA+RLDA DC-PCA + DC-RLDA Apprentissage 08 s 9, s 35 s 3,9 s 35 s 3 s Identification 5,4 s 0,9 s,5 s 0,4 s 6,7 s s 5 Conclusion Dans cet article, nous avons présenté la fusion en score de deux techniques de reconnaissance de visage à savoir la DC-PCA avec la DC-RLDA. L avantage majeur de la DC est qu elle permet de réduire l information redondante et peut être utilisé comme une étape d extraction de caractéristiques. Ainsi, la complexité de calcul de la PCA et la RLDA est significativement réduite. De plus, la RLDA a l avantage de séparer les classes entre elles, et elle est efficace pour la réduction de la dimension. Les résultats expérimentaux montrent que la fusion de la DC-PCA avec la DC-RLDA donne de bonne performance comparée à chaque technique prise individuellement en termes de taux de reconnaissance et temps de calcul. Comme perspective, nous proposons de tester la robustesse de la fusion en changement l environnement d éclairage et aussi sur d autres bases de visages References [] W. Zhao, R. Chellappa, P. J. Phillips, A. Rosenfeld, Face Recognition: A Literature Survey, CM Computing Surveys, 2003, pp [2] M. urk, A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol. 3, No., 99, pp [3] J. Lu, K. N. Plataniotis, A. N. Venetsanopoulos, Face recognition using LDA-based algorithms, IEEE rans., Neural Networks, vol.4, pp , January [4] L.-F. Chen, H.-Y. M. Liao, M.-. Ko, J.-C. Lin and G.-J. Yu, A new LDA-based face recognition system which can solve the small samle size problem, Pattern Recognition, vol. 33(0), pp , [5] J. Lu, K. N. Plataniotis, A. N. Venetsanopoulos, Regularized D-LDA for Face Recognition, IEEE International Conference on Acoustics Speech and Signal Processing, 2003, Vol 3, pp [6] Z. M. Hafed and Martin D. Levin, Face Recognition Using the Discrete Cosine ransform, International Journal of Computer Vision, 43(3), 200, pp [7] W. Chen, M. J. Er and S. Wu, PCA and LDA in DC domain, Pattern Recognition Letters, Volume 26, Issue 5, 2005, pp [8] G.L. Marcialis and F. Roli, Fusion of LDA and PCA for Face Recognition, Proceedings of the Workshop on Machine Vision and Perception, 8 th Workshop of the Italian Association for Artificial Intelligence (AIIA'02). [9] R. Snelick, U. Uludag, A. Mink, M. Indovina and A. Jain, Large Scale Evaluation of Multimodal Biometric Authentication Using State-of-the-Art Systems, IEEE ransactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 3, Mar 2005, pp [0] C.A.Shipp and L.I.Kuncheva. Relationships between combination methods and measures of diversity in combining classifiers, Information Fusion, 3:35 48, [] ORL, 992. he ORL face database at the A& (Olivetti) Research Laboratory. Available from: <
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 détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailRevue des algorithmes PCA, LDA et EBGM utilisés en reconnaissance 2D du visage pour la biométrie
Revue des algorithmes PCA, LDA et EBGM utilisés en reconnaissance 2D du visage pour la biométrie Nicolas MORIZET, Thomas EA, Florence ROSSANT, Frédéric AMIEL, Amara AMARA Institut Supérieur d Électronique
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailDétection 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,
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailTechniques 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
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailEtat de l art de la Reconnaissance de Visage.
Chapitre 2 2.1 Introduction De nos jours, il existe des ordinateurs capables d effectuer des tâches faites par l homme, qui demandent de l intelligence. Malgré tout ce progrès, la machine est toujours
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailData 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
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
Plus en détailFORMULATION DES BETONS AVEC AJOUT PAR L UTILISATION DES RESEAUX DE NEURONES
IV ème SNMPE, 15, 16 Mai 2012 Université M Hamed Bougara Boumerdès FORMULATION DES BETONS AVEC AJOUT PAR L UTILISATION DES RESEAUX DE NEURONES R. Rebouh 1, B. Boukhatem 2, M. Ghrici 3, S. Kenai 4 1 Laboratoire
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailAnalyse dialectométrique des parlers berbères de Kabylie
Saïd GUERRAB Analyse dialectométrique des parlers berbères de Kabylie Résumé de la thèse (pour affichage) Il est difficile de parler du berbère sans parler de la variation. Il y a d abord une variation
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailDéveloppements 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
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailCodage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
Plus en détailReconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Plus en détailOptimisation 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
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailEntreposage de données complexes pour la médecine d anticipation personnalisée
Manuscrit auteur, publié dans "9th International Conference on System Science in Health Care (ICSSHC 08), Lyon : France (2008)" Entreposage de données complexes pour la médecine d anticipation personnalisée
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailLa recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif?
La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif? Jérôme Dinet* & Michèle Archambault** *Université Paul Verlaine Metz Equipe Transdisciplinaire
Plus en détailDans ce document, on décrit les indices des prix des biens de la TIC qui sont produits, ainsi que les sources de données et la méthodologie.
Résumé L expansion du secteur de la technologie de l information et des communications (TIC) a rendu nécessaire un plus grand nombre d indicateurs économiques propres à ce secteur. La Division des prix
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailPropriétés du Document EMA. Résumé
Propriétés du Document Source du Document FSN OpenPaaS Titre du Document Définition et exploitation d un référentiel de processus collaboratifs : Rapport de synthèse quant aux référentiels existants Module(s)
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailReconnaissance et suivi de visages et implémentation en robotique temps-réel
Université Catholique de Louvain Ecole Polytechnique de Louvain Mémoire de fin d études Reconnaissance et suivi de visages et implémentation en robotique temps-réel Réalisé par Mathieu Van Wambeke en vue
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailSélection de Caractéristiques pour le Filtrage de Spams
Sélection de Caractéristiques pour le Filtrage de Spams Kamilia MENGHOUR, Labiba SOUICI-MESLATI Laboratoire LRI, Université Badji Mokhtar, BP 12, 23000, Annaba, Algérie. k_menghour@yahoo.fr, souici_labiba@yahoo.fr
Plus en détailExtraction 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailPrésentations personnelles. filière IL
Présentations personnelles filière IL Résumé Liste de sujets de présentations personnelles. Chaque présentation aborde un sujet particulier, l'objectif étant que la lecture du rapport ainsi que l'écoute
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailBig 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
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailBases de données réparties: Fragmentation et allocation
Pourquoi une base de données distribuée? Bibliographie Patrick Valduriez, S. Ceri, Guiseppe Delagatti Bases de données réparties: Fragmentation et allocation 1 - Introduction inventés à la fin des années
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailCaractérisation système d un Botcloud par une analyse en composantes principales
Caractérisation système d un Botcloud par une analyse en composantes principales Badis HAMMI Directeurs de thèse : Guillaume DOYEN, MDC Rida KHATOUN, ECC UTT UTT ICD/ERA, Université de Technologie de Troyes
Plus en détailDocumentation d information technique spécifique Education. PGI Open Line PRO
Documentation d information technique spécifique Education PGI Open Line PRO EBP Informatique SA Rue de Cutesson - ZA du Bel Air BP 95 78513 Rambouillet Cedex www.ebp.com Equipe Education : 01 34 94 83
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAPPLICATION DE RESEAUX DE NEURONES ARTIFICIELS A LA RECONNAISSANCE AUTOMATIQUE DE CARACTERES MANUSCRITS
Faculté Polytechnique de Mons Dissertation originale présentée pour l obtention du grade de Docteur en Sciences Appliquées par Bernard GOSSELIN APPLICATION DE RESEAUX DE NEURONES ARTIFICIELS A LA RECONNAISSANCE
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailBig 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
Plus en détail