Le suivi des caractéristiques faciales en temps réel
|
|
- Pierre Chabot
- il y a 8 ans
- Total affichages :
Transcription
1 Le suivi des caractéristiques faciales en temps réel ABDAT FAIZA Encadrée par : A.Pruski C.Maaoui Laboratoire d Automatique des Systèmes Coopératifs Université de METZ 25 Mars 2008
2 Plan Objectif 1. Détection de visage 2. Localisation des cadres 1. La méthode des ondelettes 2. La méthode de Shi et Thomasi
3 Laboratoire d Automatique des Systèmes Coopératifs Thématique de recherche du LASC Assistance à la Mobilité Communication enrichie et palliative Thérapies cognitives et comportementales
4 Objectif i. Le développement d une application de thérapie ii. basée sur la réalité virtuelle iii. contrôlée par l état émotionnelle du patient qui présente une phobie sociale en utilisant: 1. Les expressions faciales 2. Les signaux physiologiques
5 Schéma global d un système de reconnaissance des expressions faciales Image photo/séquence Vidéo Suivi en temps réel Reconnaissance d expression faciale Expression
6 Organigramme d un système de suivi de points faciaux en temps réel Initialisation: première image Détection de visage avec les descripteurs de HAAR Extraction des caractéristiques faciales Nouvelle image Suivi des points des caractéristiques faciales Avec algorithme pyramidal de Lucas-Kanade Fin
7 Les descripteurs de HAAR Détection de visage -a- Les descripteurs de contour -b- Les descripteurs de ligne -c- Les descripteurs de ligne diagonale -d- Les descripteurs du centre (a) (b) ( c) (d)
8 Les descripteurs de HAAR Détection de visage Rect 0 : w j,0 = -9w j,1 val j = w I + w j,1 x, y j,0 x, y x, y Rect1 x, y Rect0 I Rect 0 : w j,0
9 Cascade de classifieur Détection de visage Complexité du classifieur Entrée Sous-Image F 1 F 2 F N Visage F N-1 Non visage
10 Détection de visage (a) : sequence video (b) : acquisition en temps réel (c) : acquisition en temps réel
11 En utilisant la projection du gradient et le modèle géométrique Localisation des cadres Localisation de l axe des yeux Localisation de l axe médian Localisation de l axe de la bouche Limitation des Régions des CF avec le modèle géométrique
12 En utilisant la projection du gradient et le modèle géométrique Localisation des cadres Localisation de l axe des yeux Localisation de l axe médian Localisation de l axe de la bouche Limitation des Régions des CF avec le modèle géométrique
13 En utilisant la projection du gradient et le modèle géométrique Localisation des cadres Localisation de l axe des yeux Localisation de l axe médian Localisation de l axe de la bouche Limitation des Régions des CF avec le modèle géométrique
14 En utilisant la projection du gradient et le modèle géométrique Localisation des cadres Localisation de l axe des yeux Localisation de l axe médian Localisation de l axe de la bouche Limitation des Régions des CF avec le modèle géométrique
15 Localisation des cadres -a- sequence vidéo -b-acquisition en temps réel
16 La méthode des ondelettes La détection des coins dans le cadre des yeux 1. Séparation entre la zone de l œil et la zone de sourcil 1 1,5-0,5 7,5 7,5 6, , , , ,5 86, ,5 58,5 48,5 32,5 11,5 6 6,5 21,5 5 24,5 15,5 7 5, , , , ,5-25,5-1,5 0,5 2 CA CH ,5 7,5-10,5 13, ,5 23, ,5 6, ,5-14, ,5 22,5-3,5-7,5-2 -5,5-11, ,5-14, , , ,5-25,5-9 -1,5 3 6, , ,5-15, ,5-2 CV CD Décomposition en ondelette du cadre de l œil Les coefficients du détail horizontal CH
17 La méthode des ondelettes La détection des coins dans le cadre des yeux 2. Détection de la pupille ,5 389,5 411,5 431,5 457, , , , ,5 339, ,5 340,5 367,5 426,5 474, ,5 253, ,5 204, , , , , ,5 230,5 264,5 325, ,5 357,5 379,5 372, ,5 273, CA CH 367,5 371, ,5 89, ,5 178,5 220,5 328, ,5 371, ,5 159, , , ,5 298, , , , ,5 311, ,5 414 CV CD Décomposition en ondelette du cadre de l œil Les coefficients d approximations CA
18 La méthode des ondelettes La détection des coins dans le cadre des yeux 3. Détection des coins -11-2,5-7,5-2,5-7,5-4, , ,5 13 2,5 2-1,5-2,5 0-3,5-2,5-12,5-12,5-3,5 0 0,5 39,5 6 2,5 3,5 6 4, , ,5 1-6, ,5-5,5-7,5-23, ,5 8,5 1,5-6, ,5-6, CA CH -7,5 4, ,5 4, ,5-3,5-22,5-18,5 0-12,5 13, ,5 18, , , ,5 1, , , , ,5-8, ,5 0 CV CD Décomposition en ondelette du cadre de l œil Les coefficients de détail
19 La méthode des ondelettes
20 La méthode de Shi et Tomasi Objectif = 2 2,,,,,, j i j i j i j i j i j i y y x y x x D D D D D D A Dans un voisinage N*N Dx et Dy sont calculées avec l opérateur de Sobel le pixel qui a la plus grande valeur Coin
21 de la méthode de Shi et Thomasi appliquée dans tout le cadre La méthode de Shi et Tomasi
22 La méthode de Shi et Tomasi L influence de la taille de la fenêtre qui entoure le coin sur la qualité de la détection
23 Problématique Flux optique Séquences d images E 1, E 2, E 3, Estimer le déplacement des pixels (x,y) (x+ d x,y+ d y ) E1 E2 Exyt (,, ) = Ex ( + d, y+ d, t+ 1) x y
24 Équation d intensité constante Flux optique Ex ( + d, y+ d, t+ d) = Exyt (,, ) E E E Ex ( + d, y+ d, t+ d) = Exy (,, t) + d + d + d x y t ( E) T x y t x y t x y t E E E vx + vy + = 0 x y t v + E = 0 Équation de flux optique t d x, d y, d t sont supposés petits v = (v x, v y ) T
25 Équation du flux optique Flux optique Région avec intensité constante, E=0 Pas d estimation possible Pour un pixel x, on ne peut déterminer v Une équation, 2 inconnues Il faut des contraintes supplémentaires Approches basées T ( ) v + = 0 E E t Sur l intensité Sur les caractéristiques des images (feature-based)
26 Équation du flux optique Approche basée sur l intensité Flux optique Hypothèse: Champ de mouvement d une petite région de l image est constant (Lucas & Kanade) Voisinage de NxN pixels (typ. N=5) Mouvement décrit par v Chaque pixel satisfait l équation de ICste v * arg min ( E) T = v+ E t v V p Q 2
27 Flux optique La fonction à minimiser a des minimums locaux Sensible à la solution initiale La minimisation est lourde -Temps de calcul Solution: approche multi-résolution Basé sur des pyramides Plus rapide: Grande partie du traitement fait à faible résolution Meilleur résultat Initialisation plus facile à faible résolution
28 Algorithme pyramidal de Lucas-Kanade Flux optique iterative L-K upsample iterative L-K... image EJ t pyramide de l image Et image IE t+1 pyramide de l image Et+1
29 Flux optique
30 Flux optique
31 Conclusion Une bonne localisation des caractéristiques faciales avec la méthode de projection du gradient et le modèle géométrique, Amélioration des résultats de la détection des points en combinant les deux méthodes ( ondelette & Shi- Thomasi), Un bon suivi des points avec le flux optique.
32 Perspectives 1. Choix d une méthode de codage 2. Implémentation d une méthode de classification (SVM), 3. La reconnaissance des expressions faciales en temps réel.
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
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 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 détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailAnalyseur d émotions à partir d expressions faciales
- Rapport de stage de fin d études Éffectué dans le laboratoire DOMUS à l Université de Sherbrooke Pour l obtention du Diplôme National d Ingénieur Présenté et soutenu par Wathek Bellah LOUED Analyseur
Plus en détailComportements (The Observer XT) : activité générale du conducteur : (entre autres) mouvements des mains, position, verbalisations.
Ce document récapitule la participation de Noldus Information Technology à l atelier 1 du workshop ERGO IA (30 juin 1 juillet) : Systèmes Innovants basés sur l émotion pour l analyse des risques ferroviaires
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 détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailLaboratoire 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 détailDétection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
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 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 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 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 détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailCours de Java. Sciences-U Lyon. Java - Introduction Java - Fondamentaux Java Avancé. http://www.rzo.free.fr
Cours de Java Sciences-U Lyon Java - Introduction Java - Fondamentaux Java Avancé http://www.rzo.free.fr Pierre PARREND 1 Octobre 2004 Sommaire Java Introduction Java Fondamentaux Histoire de Java Machine
Plus en détailGROUPE DE TRAVAIL «ARTICLE 29» SUR LA PROTECTION DES DONNÉES
GROUPE DE TRAVAIL «ARTICLE 29» SUR LA PROTECTION DES DONNÉES 00727/12/FR WP 192 Avis 02/2012 sur la reconnaissance faciale dans le cadre des services en ligne et mobiles Adopté le 22 mars 2012 Le groupe
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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailL OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES
L OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES Aujourd hui, le numérique est partout. Il se retrouve principalement dans les nouvelles technologies, mais également dans l art, les livres, notre
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailScanner intra-oral Lava C.O.S. numérique. au cabinet dentaire
Scanner intra-oral Lava C.O.S. L empreinte numérique au cabinet dentaire Bienvenue dans le futur 3M ESPE : l expertise de l empreinte Si 3M ESPE est l un des fournisseurs favoris des chirurgiens dentistes
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailVoir le monde à travers un capteur de profondeur
Voir le monde à travers un capteur de profondeur Copyright 2014 pabr@pabr.org Tous droits réservés. (All rights reserved.) Dans ce projet nous installons une caméra à capteur de profondeur sur un casque
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailFormat de RSA groupé en CCAM (219)
GENRSA : Manuel d utilisation Janvier 2012 Format de RSA groupé en CCAM (219) Libellé Taille Début Fin Remarques Numéro FINESS 9 1 9 Numéro de version du format du RSA 3 10 12 219 N d'index du RSA 10 13
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailMANUELS NUMÉRIQUES PROCÉDURE DE TÉLÉCHARGEMENT
MANUELS NUMÉRIQUES PROCÉDURE DE TÉLÉCHARGEMENT Vous venez de télécharger un manuel numérique sur votre poste. Afin de vous faciliter son exploitation, nous avons listé ci dessous les manipulations à faire
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailTechnique de compression des images médicales 4D
Technique de compression des images médicales 4D Leila Belhadef 1 et Zoulikha Mekkakia 1 1 Département d Informatique, USTO-MB, BP 1505 El Mnaouer, Oran, Algérie l.belhadef@gmail.com, mekkakia@univ-usto.dz
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 détailCommencer avec doo sous OS X
Commencer avec doo sous OS X La mise en route de doo est rapide, facile, gratuite et sans risque Avec doo vous pouvez vous connecter et accéder à tous vos emplacements de stockage et à toutes les sources
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailApprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de
Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo Moez Baccouche To cite this version: Moez Baccouche. Apprentissage neuronal de caractéristiques
Plus en détailAlgorithmes récursifs
Licence 1 MASS - Algorithmique et Calcul Formel S. Verel, M.-E. Voge www.i3s.unice.fr/ verel 23 mars 2007 Objectifs de la séance 3 écrire des algorithmes récursifs avec un seul test rechercher un élément
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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 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 détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailPERCEPTION ET PERCEPTION SOCIALE
GOBERT 1 PERCEPTION ET PERCEPTION SOCIALE 1. Perception et perception sociale Perception = processus par lequel l individu organise et interprète ses impressions sensorielles de façon à donner un sens
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailTP, première séquence d exercices.
TP, première séquence d exercices. Benoît Valiron benoit.valiron@lipn.univ-paris13.fr 7 novembre 2010 Introduction Vous écrirez les réponses aux questions courtes sur une feuille à rendre à la fin de la
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
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 création de vêtements, éléments de génétiques, et de maquillage.
La création de vêtements, éléments de génétiques, et de maquillage. La boît@look est un programme fourni avec le jeu qui permet de créer du contenu personnalisé comme des vêtements, des peaux, des cheveux,
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCalage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique
Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Mémoire Maxime Latulippe Maîtrise en informatique Maître ès sciences (M.Sc.) Québec, Canada Maxime
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détail6 - Le système de gestion de fichiers F. Boyer, UJF-Laboratoire Lig, Fabienne.Boyer@imag.fr
6 - Le système de gestion de fichiers F. Boyer, UJF-Laboratoire Lig, Fabienne.Boyer@imag.fr Interface d un SGF Implémentation d un SGF Gestion de la correspondance entre la structure logique et la structure
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
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 détailMéthode d'organisation de la veille juridique
Méthode d'organisation de la veille juridique "Je vois de loin, j atteins de même", Jean de La Fontaine* * L'Oracle et l'impie Journée Juriconnexion 25 novembre 2014 1 Toute activité de veille, pour être
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailObjets et Programmation. origine des langages orientés-objet
Objets et Programmation origine des langages orientés-objet modularité, encapsulation objets, classes, messages exemples en Java héritage, liaison dynamique G. Falquet, Th. Estier CUI Université de Genève
Plus en détailRessources pour l'école maternelle. Vocabulaire Grande section. Thème : le corps humain. Ressources pédagogiques. février 2014
éduscol Ressources pédagogiques Ressources pour l'école maternelle Vocabulaire Grande section février 2014 MEN/DGESCO http://eduscol.education.fr NOTIONS TRAVAILLEES : LE CHAMP LEXICAL LES EXPRESSIONS
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailDE L ALGORITHME AU PROGRAMME INTRO AU LANGAGE C 51
DE L ALGORITHME AU PROGRAMME INTRO AU LANGAGE C 51 PLAN DU COURS Introduction au langage C Notions de compilation Variables, types, constantes, tableaux, opérateurs Entrées sorties de base Structures de
Plus en détailCompression scalable d'images vidéo par ondelettes 2D+t
Comression scalable d'images vidéo ar ondelettes 2D+t Madji Samia, Serir Amina et Ouanane Abdelhak Université des Sciences et de la Technologie Houari Boumediene, Laboratoire de traitement d images et
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 détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailMANUEL TBI - INTERWRITE
MANUEL TBI - INTERWRITE TBIIW TITRE Manuel InterWrite WorkSpace INTITULE Manuel d'utilisation du logiciel InterWrite accompagnant le tableau blanc interactif CALCOMP OBJECTIF Aide mémoire sur les fonctionnalités
Plus en détail1 Année LMD-STSM Algorithmique et Programmation. Série de TD 2
Série de TD 2 Exercice 2.1 Quel résultat produit le programme suivant? Var val, double : entier ; Val := 231 ; Double := Val * 2 ; Ecrire (Val) ; Ecrire (Double) ;. Exercice 2.2 Ecrire un programme qui
Plus en détailSujet de thèse : Suivi d objets en mouvement dans une séquence vidéo
Université PARIS DESCARTES Centre universitaire des Saints-Pères UFR DE MATHÉMATIQUES ET INFORMATIQUE Thèse présentée pour l obtention du grade de Docteur de l université PARIS DESCARTES Spécialité : Informatique
Plus en détailAnalyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines
Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines Cyrille Beaudry, Renaud Péteri, Laurent Mascarilla Laboratoire MIA, Univ. La Rochelle Avenue Michel Crépeau
Plus en détailLa Joconde. (1503-1506, 0,77x 0,53 m) de Léonard de Vinci TEMPS MODERNES
La Joconde (1503-1506, 0,77x 0,53 m) de Léonard de Vinci TEMPS MODERNES La Joconde de Léonard de Vinci est incontestablement le tableau le plus célèbre. Il est conservé au musée du Louvre à Paris et a
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailGUIDE D UTILISATION PARTICIPANT
GUIDE D UTILISATION PARTICIPANT 23 mars 2010 Facilis Service de conférence Web BYS régulier Page 1 Historique des changements Version Date Auteur Changement 1,0 2009-05-29 Richard Thibodeau Version initiale
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détail