Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo
|
|
- Matthieu Gauthier
- il y a 8 ans
- Total affichages :
Transcription
1 Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Christelle Garnier Télécom Lille / LAGIS UMR CNRS 829
2 Contexte Utilisation accrue de caméras dans de nombreux domaines d application : vidéosurveillance, robotique, véhicules autonomes, interaction homme-machine, imagerie du vivant Très grand volume de données vidéo à traiter. Nécessité d automatiser les tâches d analyse visuelle et de développer des systèmes intelligents capables d extraire les informations utiles et de les interpréter de manière autonome. Que fait-on? Développer des modèles et des méthodes pour détecter et suivre de façon automatique, fiable et robuste des objets multiples dans des séquences vidéo issues d une ou plusieurs caméras. 2
3 Problématique : le suivi multi-objets (MOT Objectif : estimer de façon séquentielle les paramètres d objets multiples à partir des observations bruitées délivrées par un ou plusieurs capteurs. Système Nombre d'objets? Caractéristiques des objets? Position Taille Orientation Vitesse Objets d'intérêt : personnes, véhicules, vésicules (état caché Capteurs : caméras (observations bruitées Principales difficultés : nombre croissant d objets (grande dimension, apparitions / disparitions d objets, bruit, fausses détections, complexité de l environnement, nonstationnarité (variation de l environnement, du mouvement et de l apparence des objets, occlusions 3 3
4 Formalisation du problème : le cadre bayésien Modélisation du système dynamique par un modèle de Marov caché Etat caché Observations Loi initiale : p(x 0 Loi de transition : p(x x - x - Système y - Vraisemblance : p(y x x est une chaîne de Marov : x Système y Conditionnellement à l état, les observations sont indépendantes : p(x x -, x -2,, x 0 = p(x x - p(y x, y -,, y = p(y x x + Système y + Estimation de l état caché x à partir de la probabilité a posteriori p(x y : 4 4
5 Outils méthodologiques Méthodes séquentielles de Monte-Carlo (filtrage particulaire Avantages : Capacité à traiter des problèmes complexes non linéaires et non gaussiens, efficacité, caractère très générique. Principe : Approcher de façon discrète la loi à estimer par un ensemble de particules : p ( x y: (j (j p( x y ~ : ω δ ( x x N j= avec N j= ~ω (j = (j ~ω x (j Les particules sont des échantillons pondérés : (j (j { x } N, ~ ω j= x 5
6 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Pour explorer l espace d état (régions candidates pour les objets Pour j= N, tirer un échantillon selon une fonction d importance : x (j ~ π ( x x (j 0:,y : 6 6
7 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Pour explorer l espace d état (régions candidates pour les objets Pour j= N, tirer un échantillon selon une fonction d importance : x (j ~ π ( x x (j 0:,y : Fonction d importance : loi d évolution a priori des objets à suivre : (j (j π( x x,y: p( x x = 0: Modèle de mouvement : - a priori : marche aléatoire, vitesse constante - basé sur une estimation en ligne des paramètres de mouvement. 7 7
8 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Pour évaluer la qualité des régions candidates à partir des observations Pour j= N, évaluer le poids d importance : ω (j ~ (j ω ω = N i= p (j (j (j ( y x p( x x (j (j π ( x x0:,y: (j = ω (j ω (i ω (j p ( y x ( j La qualité est mesurée par la fonction de vraisemblance 8 8
9 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Fonction de vraisemblance : Elle dépend du modèle d observation qui décrit le lien entre l état caché (position, taille des objets et la caractérisation des objets dans l image.. On utilise un modèle d apparence pour caractériser les objets : descripteur de couleur (histogramme RGB, HSV, de contour, de gradients (HOG, SIFT, de texture (ondelettes La vraisemblance est définie à partir d une distance entre modèles d apparence (modèle correspondant à une région candidate et modèle de référence. 9 9
10 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Fonction de vraisemblance : Elle dépend du modèle d observation qui décrit le lien entre l état caché (position, taille des objets et la caractérisation de ces objets dans l image. 2. On utilise un algorithme de détection qui fournit la meilleure région candidate de l espace d état. La vraisemblance est définie à partir de la distance entre une région candidate et cette meilleure région utilisée comme référence. 0 0
11 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Fonction de vraisemblance : Elle dépend du modèle d observation qui décrit le lien entre l état caché (position, taille des objets et la caractérisation de ces objets dans l image. Il est possible de fusionner plusieurs caractéristiques dans la vraisemblance.
12 Outils méthodologiques Application du filtrage particulaire au suivi vidéo SUIVI Proposition Pondération Sélection Pour limiter la dégénérescence des poids. Etape de rééchantillonnage : Les particules de poids fort sont dupliquées, celles de poids faible sont détruites. 2 2
13 Outils méthodologiques Limitation des méthodes séquentielles de Monte-Carlo Difficultés à traiter les problèmes de grande dimension : Le nombre de particules nécessaires augmente de façon exponentielle avec la dimension. Cas du suivi multi-objets. Alternatives proposées en suivi vidéo Méthodes de décomposition de l espace d état (estimation d un objet à la fois Filtres particulaires indépendants [Breitenstein0] Nécessité d algorithmes spécifiques pour gérer les interactions entre objets Méthodes à échantillonnage partitionné [MacCormic00] Décomposition hiérarchique : performances variables suivant l ordre de traitement des objets Méthodes de Monte-Carlo par chaînes de Marov (MCMC Plus efficaces en grande dimension Plus flexibles (grand nombre d algorithmes d échantillonnage : Metropolis- Hastings, Gibbs Non séquentielles, adaptation nécessaire 3 3
14 Outils méthodologiques Principe du MCMC séquentiel [Khan05] A chaque instant, construire une chaîne de Marov {x,, x M } dont la distribution converge vers une loi cible. Loi cible : loi a posteriori p(x y : recherchée. {x, x 2,, x M-N, x M-N+,, x m,, x M } Burn-in Les N dernières valeurs de la chaîne de Marov constituent les particules : ( j { N M } { x m} x j= = m = M N + p (j (j ( x y ~ : ω δ ( x x N j= ~ (j avec ω = N 4 4
15 Outils méthodologiques Principe du MCMC séquentiel [Khan05] Algorithme MH, loi cible : la loi a posteriori p(x y : SUIVI Proposition d une particule Acceptation de la proposition Etant donné x m- Tirer une nouvelle valeur de la chaîne de Marov selon une loi de proposition : x q( x xm ~ Loi de proposition : loi d évolution a priori (modèle de mouvement q ( x xm (j = p( x x 5 5
16 Outils méthodologiques Principe du MCMC séquentiel [Khan05] Algorithme MH, loi cible : la loi a posteriori p(x y : SUIVI Proposition d une particule Acceptation de la proposition Accepter ou rejeter cette valeur selon la probabilité d acceptation : α = min, = x avec la proba. α x m -α avec la proba. x m p p ( ( (j x m y: p x x ( m - (j x y: p( x x 6 6
17 Outils méthodologiques Principe du MCMC séquentiel [Khan05] Algorithme MH, loi cible : la loi a posteriori p(x y : SUIVI Proposition d une particule Acceptation de la proposition Calcul de α filtre à l instant avec d'où p( x y: p( y x p( x y: p( x y: = p( x x p( x y: p( x y: vraisemblance filtre prédit à l instant IR n N N j= p( x ( j x filtre à l instant - N dx N j= δ - (j ( x x 7 7
18 Outils méthodologiques Principe du MCMC séquentiel [Khan05] Algorithme MH, loi cible : la loi a posteriori p(x y : SUIVI Proposition d une particule Acceptation de la proposition Calcul de α α = min, p( p( y y x x m N j= N j= p( x p( x x (j m - x p (j ( (j x m x p (j ( x x Coûteux! 8 8
19 Travaux de recherche Amélioration du suivi en grande dimension Optimisation des liens entre détection et suivi Modélisation : modèles dynamiques et d apparence 9 9
20 Amélioration du suivi en grande dimension Variante du MCMC séquentiel pour le suivi multi-objets [Truong2] Intérêt : - Coût de calculs plus faible que l adaptation séquentielle usuelle [Khan05]. - Possibilité d utiliser des lois d évolution plus complexes. Principe [Septier09] : A chaque instant, construire une chaîne de Marov {x,, x M } dont la distribution converge vers une loi cible. Loi cible : loi conjointe a posteriori p(x,x - y : vraisemblance loi d évolution filtre à l instant - p( x,x y: p( y x p( x x p( x y: N N j= δ (j ( x x loi de proposition
21 Amélioration du suivi en grande dimension Variante du MCMC séquentiel pour le suivi multi-objets [Truong2] Algorithme MH, loi cible : loi conjointe a posteriori p(x,x - y : SUIVI Proposition d une particule Acceptation de la proposition Etant donné { m - x m- } x, Tirer un nouveau couple de la chaîne de Marov selon les lois de proposition : ~ x p( x y : ~ x p( x x N δ N ( j ( x x j= 2 2
22 Amélioration du suivi en grande dimension Variante du MCMC séquentiel pour le suivi multi-objets [Truong2] Algorithme MH, loi cible : loi conjointe a posteriori p(x,x - y : SUIVI Proposition d une particule Acceptation de la proposition Accepter ou rejeter ce couple selon la probabilité d acceptation : α = min, p( x p( x,x m,x y : m y : p( x m p( x x m x p( x p( x m y y : : = min, p ( y x ( y m x p {,x m} { x,x} avec la proba. α avec la proba. -α x m = { x m,x m }
23 Amélioration du suivi en grande dimension Résultats qualitatifs : cas mono-objet Filtre particulaire classique (en vert Méthode MCMC séquentielle (en rouge 000 particules
24 Amélioration du suivi en grande dimension Résultats qualitatifs : cas multi-objets Méthode MCMC séquentielle Détection automatique des nouvelles cibles Gestion des occlusions partielles 500 particules par objet
25 Optimisation des liens entre détection et suivi Approche de type «tracing-by-(softdetection» Intérêt : Augmenter le degré d automatisation des systèmes de suivi. Principe : Détection en continu et utilisation de l information de détection dans l étape de suivi. DETECTION SUIVI 2 grandes familles de détecteurs : - Détecteurs de personnes [Dalal05] (apprentissage supervisé - Détecteurs d objets en mouvement [Stauffer99] [Truong] (modélisation et soustraction de fond
26 Optimisation des liens entre détection et suivi Approche de type «tracing-by-(softdetection» Méthodes usuelles : «tracing-by-(harddetection» - Utilisation d une information binaire (présence/absence d objets. - Détérioration du suivi en cas de fausses détections ou de détections manquées. DETECTION SUIVI
27 Optimisation des liens entre détection et suivi Approche de type «tracing-by-(softdetection» Proposition : utilisation d une information soft (avant décision - Carte de probabilité de présence des objets d intérêt dans l image. - Prise en compte des incertitudes sur la localisation des objets dans l algorithme de suivi. DETECTION SUIVI
28 Optimisation des liens entre détection et suivi Intégration des informations de détection «soft» dans la loi de vraisemblance [Truong2] Intérêt : Quantifier plus précisément la qualité des régions candidates à partir des observations. loi de vraisemblance p det ( y x SUIVI DETECTION Proposition d une particule Acceptation de la proposition p det ( y x = exp λ p ( x x U j κ j ( ( d exp ( λ 2 p d ( x R ( X x R ( X où R(X j est la région candidate définie par X j et p d (x la probabilité qu un pixel x de l image appartienne aux objets d intérêt. - Vraisemblance indépendante de la taille des objets - Vraisemblance couplée avec une vraisemblance couleur classique U j κ j
29 Optimisation des liens entre détection et suivi Intégration des informations de détection «soft» dans la loi de vraisemblance [Truong2] Erreurs de tracing obtenues sur les images successives d une séquence vidéo. Comparaison de 2 méthodes : Filtre particulaire classique (PF Méthode MCMC séquentielle (MCMC avec 2 types de vraisemblance : Vraisemblance couleur Vraisemblance de detection couplée à la vraisemblance couleur (HOG 000 particules
30 Optimisation des liens entre détection et suivi Intégration des informations de détection «soft» dans la loi de proposition (thèse en cours - M. Oulad Améziane Intérêt : - Explorer plus efficacement l espace d état, notamment lorsque la loi d évolution a priori p(x x - est mal connue (mouvement abrupt, changement de caméra - S approcher de la loi de proposition optimale p(x x -, y qui prend en compte les observations courantes. det loi de proposition p( x x, y SUIVI DETECTION Proposition d une particule Acceptation de la proposition
31 Optimisation des liens entre détection et suivi Intégration des informations de détection «soft» dans la loi de proposition (thèse en cours - M. Oulad Améziane F-measure (taux de recouvrement entre l objet et son estimé en fonction du taux de sous-échantillonnage d une séquence vidéo. Comparaison de 4 filtres particulaires : Classique avec la loi d évolution a priori (PF Auxiliaire avec la loi d évolution a priori (APF Classique avec une loi de proposition définie à partir d une detection hard (Boosted PF Classique avec la loi de proposition quasi-optimale définie à partir d une detection soft (Near-optimal 00 particules, séquence Waling 3 3
32 Optimisation des liens entre détection et suivi Intégration des informations de détection «soft» dans la loi de proposition (thèse en cours - M. Oulad Améziane PF (en vert, Boosted PF (en rouge et Near-optimal PF (en noir 00 particules, séquence Running DS = 2 DS =
33 Modélisation Nouveaux modèles dynamiques Intérêt : S adapter aux variations de mouvement et d apparence des objets. Principe : Rendre aléatoires des variables habituellement considérées comme déterministes et faire une estimation conjointe. Vecteur d état : { } X X = j Nmax j= avec N max est le nombre max d objets d intérêt présents dans l image. Chaque objet j est représenté par un rectangle. S j = [ x j,y j, (r x j, (r y ] où x j et y j sont les coordonnées du centre du rectangle j, (r x j et (r y j sont respectivement la largeur et la hauteur du rectangle j à l instant. Evolution suivant une marche aléatoire Gaussienne E j est un indicateur d existence égal à 0 ou à. Il permet de gérer automatiquement l apparition et la disparition des objets dans l image. Evolution suivant une chaîne de Marov X j = j j j j [ S ] T, E, Σ, H
34 Modélisation Nouveaux modèles dynamiques Intérêt : S adapter aux variations de mouvement et d apparence des objets. Principe : Rendre aléatoires des variables habituellement considérées comme déterministes et faire une estimation conjointe. Vecteur d état : { } X X = j Nmax j= avec Σ j est la matrice de covariance du bruit d état, qui définit la taille de la région de recherche autour de l état courant. Evolution suivant une loi de Wishart H j est l histogramme de référence couleur de l objet j. Evolution suivant une loi de Dirichlet X j = j j j j [ S ] T, E, Σ, H Modèles d apparence basés sur une représentation parcimonieuse (post-doc de S. Rousseau dans le cadre du projet ARCIR REPAR
35 Représentation parcimonieuse et suivi vidéo La représentation parcimonieuse peut être utilisée à 2 niveaux dans le tracing 2 grandes familles d approches [Zhang3] : Recherche d objets basée sur une représentation parcimonieuse Modélisation d apparence des objets à suivre basée sur une représentation parcimonieuse
36 Représentation parcimonieuse et suivi vidéo Recherche d objets basée sur une représentation parcimonieuse Construction d un dictionnaire X = {T, B, V} à partir d une collection d imagettes issues des images précédentes. Pour chaque région candidate y, calcul des coefficients u de la représentation parcimonieuse dans le dictionnaire X. Définition de la fonction de vraisemblance à partir des erreurs de reconstruction obtenues en représentant la région candidate à partir du dictionnaire T et du dictionnaire B
37 Représentation parcimonieuse et suivi vidéo Modélisation d apparence basée sur une représentation parcimonieuse Apprentissage d un dictionnaire X à partir d une collection de patchs locaux issus des images précédentes (MOD, K-SVD. Construction du modèle d apparence des objets à suivre à partir des coefficients u de leur représentation parcimonieuse dans le dictionnaire X (matrice coefficients z (vecteur. Pour chaque région candidate y, calcul des coefficients ui de la représentation parcimonieuse dans le dictionnaire X, puis des coefficients zi. Définition de la fonction de vraisemblance à partir d une mesure de similarité entre les coefficients zi de la région candidate et des coefficients z du modèle de référence
38 Représentation parcimonieuse et suivi vidéo Améliorations / Variantes : - Travailler dans l espace des caractéristiques (couleur, gradients, texture plutôt que dans l espace de l image. - Effectuer un apprentissage en ligne du dictionnaire pour tenir compte des variations d apparence des objets au cours du temps. - Combiner les 2 approches. - Considérer l ensemble des régions candidates comme le dictionnaire et calculer une seule représentation parcimonieuse (celle du modèle d apparence pour alléger les calculs
39 Références [Truong2] D.N. Truong Cong, F. Septier, C. Garnier, L. Khoudour and Y. Delignon, "Robust visual tracing via MCMC-based particle filter", ICASSP, Mar [Dalal05] N. Dalal and B. Triggs, Histograms of oriented gradients for human detection, CVPR, [Truong] D.N. Truong Cong, L. Khoudour, C. Achard, and A. Flancquart, "Adaptive model for object detection in noisy and fast-varying environment", ICIAP, Sep. 20. [Khan05] Z. Khan, T. Balch, and F. Dellaert. "MCMC-Based particle filtering for tracing a variable number of interacting targets". IEEE Transactions Pattern Analysis and Machine Intelligence, [Septier09] F. Septier, S. K. Pang, A. Carmi, and S. Godsill. "On MCMC-Based Particle Methods for Bayesian Filtering : Application to Multitarget Tracing", CAMSAP, Dec [Stauffer99] C. Stauffer and W.E.L. Grimson, "Adaptive bacground mixture models for real-time tracing," CVPR, 999. [MacCormic00] J. MacCormic and A. Blae, "A Probabilistic Exclusion Principle for Tracing Multiple Objects", International Journal of Computer Vision, [Breitenstein0] M. Breitenstein, F. Reichlin, E. Koller-Meier, B. Leibe and L. Van Gool, Online multi-person Tracing-by-Detection from a single, uncalibrated camera, IEEE Transactions on Pattern Analysis and Machine Intelligence, Oct [Zhang3] S. Zhang, H. Yao, X. Sun and X. Lu, Sparse coding based visual tracing: Review and experimental comparison, Pattern Recognition,
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 détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
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 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 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 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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
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 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 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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailUtilisation des Points d Intérêts Couleurs pour le Suivi d Objets
Utilisation des Points d Intérêts Couleurs pour le Suivi d Objets Pierre Gabriel, Jean-Bernard Hayet, Justus Piater et Jacques Verly Université de Liège, Département d Électricité, Électronique et Informatique
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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 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 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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 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 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 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 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 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 détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 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 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 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 détailSLAM Visuel 3D pour robot mobile autonome
Master de Sciences Mention «Imagerie, Robotique et Ingénierie pour le Vivant» - Projet de Fin D étude - SLAM Visuel 3D pour robot mobile autonome Romain Drouilly Encadrants ECA Benoit Morisset Pierrick
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
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 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 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 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 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 détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
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 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 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 détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
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 détailSystème complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés
Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés Application à la surveillance apicole SOUTENANCE DE THÈSE
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détailF210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels
Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et
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 détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
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 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
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 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 détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
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 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 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 détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
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 détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailRIE LE RENDU THEO. 2 e trim ÉTAPE DE FINITION BOÎTE DE DIALOGUE. remarques
THEO RIE LE RENDU 2 e trim JANVIER 2008 remarques ÉTAPE DE FINITION Le rendu est la partie finale de notre création, à ce moment on décide que notre 3D est finie et l on en réalise une image 2D Cette image
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
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 détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
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 détailVISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL
VISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL 1 Sotiris Manitsaris 2 Tsagaris Apostolos 2 Vassilios Matsoukas 2 Athanasios Manitsaris 1 Centre de Robotique
Plus en détailFoscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique
S A l (1) G H (2) S S Aptel (1), G Hossu (2), S Foscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique innovation
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailLe polissage par laser
B U L L E T I N T E C H N I Q U E N 4 1 B U L L E T I N T E C H N I Q U E N 4 1 Le polissage par laser Contexte Un traitement de surface est généralement réalisé dans le but d améliorer les caractéristiques
Plus en détail