Extraction des contours labiaux par algorithmes génétiques multicritères hybrides
|
|
- Ernest Bonin
- il y a 7 ans
- Total affichages :
Transcription
1 Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Page 1 I. Présentation II. État de l art III. Nos algorithmes IV. Implémentation - Sommaire - multi-énergies initialisation positionnement Contours actifs génétiques apport 1 : Application de Pareto apport 2 : hybridation V. Application aux contours labiaux VI. Conclusion et perspectives Présentation Prétraitements Résultats Page 2
2 I. Présentation I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 3 I. Présentation. Analyse du visage Codage du visage pour des applications de visiophonie ou de caractérisation de scènes vidéos (MPEG 4). Analyse de visage pour des applications basées sur les interactions homme-machine, ou des applications de sécurité. Segmentation en milieu bruité Variabilité des conditions de prises de vue Variabilité du sujet. Principe Utilisation des énergies gradient et région Peu de dépendance en l initialisation Page 4
3 I. Présentation - 2. Hypothèses et attendus. Type d applications Images bruitées type environnement réel. Informations à priori pré-segmentation région bruitée estimation du centre de la bouche Page 5 II. État de l art I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 6
4 II. État de l art - 1. Première problématique UTILISATION CONJOINTE DES ENERGIES DE TYPE GRADIENT ET REGION. Bas niveau accroissement région critère d arrêt dépendant des caractéristiques région et de l amplitude du gradient. split and merge multi-entrées recherche des points contours dans plusieurs image sources puis chaînage des points enveloppe convexe caractérisation de l espace RVB par enveloppe convexe des pixels situés de part et d autre des points contours Page 7 II. État de l art - 1. Première problématique [ Suite ]. Haut niveau Contours actifs : potentiels région et gradient. potentiel région local : différence entre les caractéristiques région des pixels courants et des références chromatiques interne et externe au contour.. potentiel région global : intégration des caractéristiques région à l intérieur et (ou) à l extérieur du contour (théorème de green).. Contours région : utilisation des contours de régions issue de présegmentation. Contours actifs statistiques : création d un modèle à partir de la texture et des contours dans une base d images. Page 8
5 II. État de l art - 2. Seconde problématique FAIBLE DEPENDANCE EN L INITIALISATION. Les contours actifs sont conçus pour être déformés dans un voisinage proche : initialisation manuelle initialisation par prétraitements. Snakes classiques Jumping snakes fortes connaissances de l objet à segmenter : lèvres propagation par saut tant que les conditions à priori ne sont pas remplies Gradient Vector Flow diffusion de l énergie gradient pour attirer le contour éloigné ou bien des zones complexe (forte concavité) Page 9 II. État de l art - 2. Seconde problématique [ Suite ]. Snakes classiques [ Suite ] Approches multi résolution. Potentiels multi-résolution. Initialisations successives. Approches stochastiques Optimisation du contour par algorithmes génétiques, recuit simulé, Optimisation du modèle par réseaux de neurones ou méthodes d optimisation Page 10
6 II. État de l art - 3. Notre Positionnement. Algorithme génétique : exploration globale de l image Faible dépendance en l initialisation Évite les minima locaux Corrélation avec notre approche de la seconde problématique. Optimisation multicritère selon Pareto Gestion des énergies sans définition de coefficients de pondération Page 11 III. Nos algorithmes I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 12
7 III. Algorithmes - Notre approche 1. algorithmes génétiques et contours actifs 2. premier apport Pareto : gestion conjointe des énergies 3. Second apport Hybride : accélération du processus Page 13 III. Algorithmes - 2. Contours actifs génétiques. Codage des contours Snake k. Espace des candidats : positions possibles des nœuds dans l image. Déformation : opérateurs génétiques A B L C D E A B C D E Snake k X A + L. Y A Individus de la génération j Opérateur de croisement Opérateur de mutation Individus de la génération j+1. Énergies : valeur des chromosomes ( fitness ) Page 14
8 III. Algorithmes - 2. Contours actifs génétiques [ Suite ]. Évolution du modèle simple : double snakes concentriques Codage : doublement du chromosome Espaces d états : un espace par contour séparation des candidats Énergies : Deux régions distinctes, l objet et le centre. Page 15 III. Algorithmes - 2. Contours actifs génétiques [ Suite ]. Algorithme type Initialisation de la population de N1 individus Évaluation des N1 individus Sélection de N2 parents pour la reproduction Reproduction : obtention de N2 enfants Évaluation des N2 enfants Sélection de N1 individus pour le remplacement FIN OUI Test d arrêt NON Page 16
9 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs : MOGS. Optimisation selon Pareto Dominance : Un point X est dit non dominé s il n existe pas de point X tel que f i (X ) f i (X), quelque soit i=1,, k avec au moins un i tel que f i (X ) < f i (X) phase 1 : Rechercher un ensemble de solutions satisfaisantes appelé frontière de Pareto phase 2 : Intervention du décideur Choix d une solution parmi cet ensemble f 1 Individus dominés Individus non dominés Frontière de Pareto 0 f 2 Page 17 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs [ Suite ]. Sélection des individus selon leur rang. Maintien de la diversité de la frontière de Pareto. Énergies Gradient : intégration de l énergie gradient le long du contour Région. Potentiel d homogénéité : variance de l amplitude région en niveaux de gris. Potentiel quantitatif : proportionnel aux pixels labellisés région et environnement à l intérieur du contour Page 18
10 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs [ Suite ]. Sélection de l individu optimal principe : région homogène entouré par de forts gradients problématique : conservation des extrema de la frontière de Pareto conséquence : caractéristique région non utilisée ou bien potentiel accumulation 1. Sous-espace énergétique région objet / gradient 2. Sélection du meilleur compromis E2: Énergie région objet E1: Énergie gradient Page 19 III. Algorithmes - 4. Hybridation avec snakes classiques : MOGHS. Opérateur de contours actifs Méthode classique de Kass : minimisation de l équation d Euler Lagrange discrétisée par la méthode des différences finies avec. Énergie interne : réglage manuel des coefficients. Énergie externe Gradient : direction de la dérivée seconde Région : direction d amélioration selon la normale au contour Amplitude : proportionnelle à l adéquation du contour courant avec les points contours Page 20
11 III. Algorithmes - 4. Hybridation avec snakes classiques : MOGHS. Opérateur de contours actifs Méthode classique de Kass : minimisation de l équation d Euler Lagrange discrétisée par la méthode des différences finies avec. Énergie interne : réglage manuel des coefficients. Énergie externe Gradient : direction de la dérivée seconde Région : direction d amélioration selon la normale au contour Amplitude : proportionnelle à l adéquation du contour courant avec les points contours Page 21 III. Algorithmes - 4. Hybridation avec snakes classiques [ Suite ]. Intégration problématique : temps de calcul / apport des snakes application : 1. A toute la population initiale 2. Puis selon un cycle (ex: toutes les 10 générations) sur toute la population si elle est de petite taille ( ~5 individus), uniquement sur les individus de rang 1 sinon. Page 22
12 IV. Implémentation I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 23 IV. Implémentation - 1. Méthodologie. Objectif : déterminer la configuration optimale Examiner l influence des différents potentiels énergétiques Examiner l influence des paramètres génétiques. Base de tests : Objets Synthétiques. Algorithmes génétiques multicritères Approche classique ( NSGA 2) Micro algorithmes génétiques intérêt principal : adéquation avec l hybridation Page 24
13 IV. Implémentation - 1. Méthodologie [ Suite ]. Critère de référence : différence de surface entre l objet segmenté et l objet réel. Énergies : Potentiels région : homogénéité, quantitatif Potentiel gradient Nombre de potentiels par contour. Paramètres principaux : Tailles des populations Taux de mutation, taux de croisement cycle de l hybridation, nombre d itération des snakes Page 25 IV. Implémentation - 2. Résultats. Énergies centre de l objet : homogénéité objet : homogénéité + accumulation gradient : dirige la convergence. Paramètres MOGS. population importante (30 individus pour le classique, 10 pour le micro ag).. Taux de mutation décroissant exponentiellement (5% initial) MOGHS. Cycle hybride important (peu d applications). Nombre d itérations fixe équivalent aux snakes seuls Page 26
14 IV. Implémentation - 2. Résultats [ Suite ]. Courbes MOGS MOGHS. Conclusion des tests Meilleure configuration : nsga2 hybride pop 5 cycle hybride de 20 itérations Page 27 V. Application aux contours labiaux I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 28
15 V. Application aux contours labiaux -. Cadre de l étude Codage vidéo, caractérisation de scènes vidéos Interactions Homme / Machine. Modélisation des contours labiaux Points intermédiaires Arc de cupidon Commissure gauche Points intermédiaires Limite inférieure Points intermédiaires Commissure gauche Page 29 V. Application aux contours labiaux - 2. Prétraitements. Prétraitements : Images énergétiques Page 30
16 V. Application aux contours labiaux - 3. Résultats. Exemple de résultats sur M2VTS Page 31 V. Application aux contours labiaux - 3. Autres applications. Exemple d application à des images cardiaques Page 32
17 V. Conclusion et perspectives I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 33 III. Conclusion et perspectives - 1. Conclusion. Positif problématique 1 : initialisation problématique 2 : multi-énergies extraction de l objet en milieu bruité. Négatif temps de calcul : à peu près 10 minutes sous matlab sur P4-1,6 Ghz (~6s en c), avec initialisation aléatoire (différent en flux vidéo) Page 34
18 III. Conclusion et perspectives - 2. Perspectives. Formalisme Gestion dynamique du nombre de nœuds Modification des énergies : champs de Markov Critère d arrêt automatique. Application poursuite des images cardiaques [ collaboration LTSI ] Images satellites de réseaux routiers [ collaboration Supelec Metz] Page 35
Traitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
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 détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
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 détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
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 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
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 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 détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
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 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 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 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 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 détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailUNE APPROCHE D OPTIMISATION-BASEE SUR LA SIMULATION POUR LA CONCEPTION D UN RESEAU DE DISTRIBUTION STOCHASTIQUE MULTI FOURNISSEURS
8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie Évaluation et optimisation des systèmes innovants de production de biens et de services UNE
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 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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
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 détailMEMOIRE DE MAGISTER. Conception de métaheuristiques d optimisation pour la segmentation des images de télédétection
MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DE GENIE ELECTRIQUE ET DE L INFORMATIQUE DEPARTEMENT D ELECTRONIQUE MEMOIRE DE MAGISTER
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans
ANALYSE CATIA V5 1 GSA Generative Structural Analysis 2 Modèle géométrique volumique Post traitement Pré traitement Maillage Conditions aux limites 3 Ouverture du module Choix du type d analyse 4 Calcul
Plus en détailChapitre 22 : (Cours) Numérisation, transmission, et stockage de l information
Chapitre 22 : (Cours) Numérisation, transmission, et stockage de l information I. Nature du signal I.1. Définition Un signal est la représentation physique d une information (température, pression, absorbance,
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 détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailDÉVERSEMENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYMÉTRIQUE SOUMISE À DES MOMENTS D EXTRÉMITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE
Revue Construction étallique Référence DÉVERSEENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYÉTRIQUE SOUISE À DES OENTS D EXTRÉITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE par Y. GALÉA 1 1. INTRODUCTION Que ce
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailSudoClick Reconnaissance de grilles de sudoku pour téléphones portables
SudoClick Reconnaissance de grilles de sudoku pour téléphones portables Patrick Anagnostaras 1 24 mai 2008 Department of Informatics - Master Project Report Département d Informatique - Departement für
Plus en détailContrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle
Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle 1 CEA R & D for Nuclear Energy 5 000 people Nuclear systems
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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
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 détailPour un citoyen mieux informé en transports
Pour un citoyen mieux informé en transports Congrès géospatial international 2012 Serge Kéna-Cohen: Vice Président, Géomatique et isociété, Fujitsu Françoys Labonté: CRIM 16 mai 2012 Petite histoire du
Plus en détailLicence STS mention Mathématiques Parcours Ingénieur Télécom Bretagne (ITB)
Licence STS mention Mathématiques Parcours Ingénieur Télécom Bretagne (ITB) FICHE D IDENTITE DE LA FORMATION Domaine de formation : Sciences, Technologies, Santé Intitulé : Licence Sciences, Technologies,
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
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 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 détailFormation des enseignants. Le tensiomètre. Objet technique modélisable issu de l environnement des élèves
Le tensiomètre Objet technique modélisable issu de l environnement des élèves Un peu d'histoire C'est en 1628 que W. Harvey découvrit la circulation du sang. C'est pourtant seulement en 1730 que la pression
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
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 détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailLe traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD
Le traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD J ai fait le choix d utiliser Pixinsight en utilisant le process icons de l aip v3-21 pour le prétraitement. 1. Prétraitement
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
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 détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
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 détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailANALYSE STATISTIQUE PRÉDICTIVE
Yoshua Bengio Chaire de Recherche du Canada sur les Algorithmes d Apprentissage Statistique, Université de Montréal Charles Dugas ApSTAT Technologies Inc. Et Aviva Canada SALON INTELLIGENCE D AFFAIRE 8
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détail