M2 SC - Usages du hasard l échantillonnage compressé
|
|
- Léon Savard
- il y a 8 ans
- Total affichages :
Transcription
1 M2 SC - Usages du hasard l échantillonnage compressé Pierre BORGNAT CNRS, Équipe Sisyphe (Signaux, Systèmes and Physique) Laboratoire de Physique de l ENS de Lyon, Université de Lyon ECOLE NORMALE SUPERIEURE DE LYON CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE
2 !"#"$%&'!%$%'()*+","$"-. Acquisition de données numériques / 0-+.1%$"-.2''Shannon Cadre Théorie classique de l échantillonnage sampling theorem : Théorème 3"4'5-+',%67&8'18.,8&5'8.-+#9 de Shannon : «:%$'$98';5*+",$ En prenant des échantillons <%$8=>'5-+')%.' assez denses (à la fréquence 78<48)$&5'<8)-.,$<+)$'$98' de Shannon-Nyquist au moins), on peut reconstruire -<"#".%&'%.%&-#'1%$%? partaitement le signal (ou l image)» $"68,7%)8
3 L échantillonnage de Shannon-Nysquist Soit x(t) un signal analogique à temps continu L échantillonnage régulier idéal consiste à retenir un échantillon tous les τ e pas de temps : x n := x(nτ e ), n Z Théorème de Shannon-Nysquist : si x(t) est un signal à bande limité, i.e., son spectre (par transformée de Fourier) est nul en dehors de [ B, B] et que F e = 1/τ e > 2B alors x n représente exactement x(t), au sens qu on peut reconstruire x(t): x(t) = ( ) π x n sinc (t nτ e ) τ e n Z Remarque : il est possible d obtenir un signal bien échantillonné conjointement en temps et en fréquence avec N points.
4 * +,#&-"$./(0%$1"2'3/4/2%&5'6,4'2%&%./0'2/./'/789%$%.%,# : 9#%6,450)'sample 2/./'/.';)89%$. 4/."'<=>'?,94%"4'(/#2@%2.1A' Acquisition de données numériques Schéma classique $/530" too much data! Une image classique : N = échantillons. De plus en plus (et beaucoup) de données numériques : Photos, vidéos, réseaux de capteurs, wifi,... Augmentation des résolutions, des durées,... Multiplication des modalités : sons, images, RF, IR, UV,... «Avalanche de données»!
5 !"#$%&'( )*+,-"$.%%&/&0&'( Compressibilité Modern Image Representation: des signaux, 2D images,... Wavelets (transformée en ondelettes, bases adaptées, DCT, Temps-fréquence,...) 0#$2. 3#4.0.' 5,.66&5&.7'% 8/09.*:*;< #7= 0 0.% Sparse structure: few large coeffs, many small coeffs Basis for JPEG2000 image compression standard 6$.A9.75( Wavelet approximations: smooths regions great, edges much sharper Fundamentally better than DCT for images with edges Nombre de points du signal = N K 0#$2. nombre de >#/,$*8?@< coefficients significatifs 5,.66&5&.7'% '&-.
6 Compressibilité des signaux, images,... Wavelet Approximation 0!1!2!3!4! x megapixel 1 image 2525k kpixel term approx log(erreur) B-term approx à K termes error Approximation à K termes x K, de l image initiale x : Within 2 digits (in MSE) with 2.5% of coeffs x x K x 2 Original image = f, K-term approximation = f K f f K 2.01 f 2
7 Acquisition!"#$%#&'()'Sampling de données numériques Schéma classique * +,#&-"$./(0%$1"2'3/4/2%&5'6,4'2%&%./0'2/./'/789%$%.%,# : 9#%6,450)'sample 2/./'/.';)89%$. 4/."'<=>'?,94%"4'(/#2@%2.1A : compress 2/./ $/530" compress JPEG JPEG2000.4/#$5%.B$.,4" 4"7"%C" 2"7,534"$$
8 !"#$%#&'()'Sampling!"#$%#&'()'Sampling Acquisition de données numériques * +,#&-"$./(0%$1"2'3/4/2%&5'6,4'2%&%./0'2/./'/789%$%.%,# -"$./(0%$1"2'3/4/2%&5'6,4'2%&%./0'2/./'/789%$%.%,# : 9#%6,450)'sample 2/./'/.';)89%$. Schéma classique 4/."'<=>'?,94%"4'(/#2@%2.1A %6,450)'sample : compress 2/./'/.';)89%$. 4/."'<=>'?,94%"4'(/#2@%2.1A mpress 2/./ $/530" $/530" compress.4/#$5%.b$.,4" compress.4/#$5%.b$.,4" JPEG JPEG2000 JPEG Modern Image Repr JPEG2000 4"7"%C" 2"7,534"$$ 4"7"%C" 2"7,534"$$ Sparse structure: few large coef
9 Questions sur le schéma d acquisition usuel Pourquoi se fatiguer à acquérir (à haute fréquence) N points et en jetter le plus grand nombre pour n en garder que K N? Echantillonnage = opération linéaire Compression = opération non-linéaire les regrouper en une seule? Proposition récente : l echantillonnage compressé essayer d acquérir directement des données compressées? généraliser l opération de mesure
10 Acquisition de données numériques L échantillonnage compressé (Compressed Sensing ou Compressive Sampling) renouvelle l approche de l acquisition de données numériques. Proposition récente : travaux précurseurs (et théoriques) : 2000 à 2005 ; explosion du domaine : depuis 2006 ou 2007 en TSI ou en apprentissage en 2010 : 1/3 de articles de conf. mentionnent ce sujet... Remarque : ici, formulation signaux discrets ; cf. travaux de Vetterli et al. pour questions analogues en temps continu.
11 . :&$240&*'4#$2&'*;3*#"%&*-&,&%42*7#&4'6%&#&,1'8 Modern Image R Acquisition en Compressed Sensing compressive sensing 1%4,'#(1<'1"%& %&0&()& %&0",'1%601 Nombre initial de points : N Nombre de coefficients importants : K Nombre de mesures : M K M N x α Sparse structure: few large y Basis for JPEG2000 image Wavelet approximations: sm Fundamentally better than
12 Coded Acquisition Généraliser l opération de mesure Instead of pixels, take linear measurements signal x y 1 = f, φ 1, y 2 = f, φ 2,..., y M = f, φ M base ou dictionnaire de fonctions φ i mesures linéaire : y i = x, y φ= i, Φf i = 1,..., M Equivalent to transform domainy sampling, = Φx {φ m } = basis functions Example: Exemple big pixels : moyenne sur un gros pixel y m =,
13 Coded Acquisition Généraliser l opération de mesure Instead of pixels, take linear measurements signalyx 1 = f, φ 1, y 2 = f, φ 2,..., y M = f, φ M base ou dictionnaire de fonctions φ i y = Φf mesures linéaire : y i = x, φ i, i = 1,..., M Equivalent to transform domain sampling, y = Φx {φ m } = basis functions Example: line integrals (tomography) Exemple : intégrale sur une ligne (tomographie) y m =,
14 Coded Acquisition Généraliser l opération de mesure Instead of pixels, take linear measurements signalyx 1 = f, φ 1, y 2 = f, φ 2,..., y M = f, φ M base ou dictionnaire de fonctions φ y = Φf i mesures linéaire : y i = x, φ i, i = 1,..., M Equivalent to transform domain sampling, y = Φx {φ m } = basis functions Example: sinusoids (MRI) Exemple : acquisition dans l espace de Fourier (sinusoïde) y m =,
15 Généraliser Sampling Domain l opération de mesure y k =,? Quel choix de Φ pour minimiser le nombre de mesures M? Modern Image Representation: 2D Wavelets La position des K coefficients dépend du signal! Which φ m should we use to minimize the number of samples? Say we use a sparsity basis for the φ m : M measurements = M-term approximation So, should we measure wavelets? Sparse structure: few large coeffs, many small coeffs
16 Principe d acquisition incohérente Idée : chaque mesure doit combiner plusieurs points, sans cohérence entre eux.56789:, En statistique : group testing [Robert Dorfman, 1943] Autre problème jeu : identifer le seau avec les fausses pièces d or!"#$%&'()*+,-.&+/)&0123)+&4,+/&-#3)&2",*56&&.56789:,!"#$%&'()*+,-.&+/)&0123)+&4,+/&-#3)&2",*56&& ;<=>"#:%& Approche à la Shannon : peser 1 pièce par seau N 7),8/&#&2",*& mesures Compression = ;":<9)55,"*& 1 résultat -9":&)#2/&0123)+& *1:0)95&.5?9*8##8),086#"6@%& ;<=>"#:%& 7),8/&#&&"68%*&2":0,*#+,"*& 7),8/&#&2",*& "-&2",*5&-9":&%&&&0123)+5& -9":&)#2/&0123)+& *1:0)95& =123)+&>&?&*1:0)9& Echantillonnage compressé : peser des combinaisons (linéaires) de pièces de tous les seaux peu de mesures =123)+&>& ;":<9)55,"*&?&*1:0)9& =123)+&>&?&*1:0)9&
17 Principe d acquisition incohérente En signal & images : principe d incertitude généralisée Rappel : incertitude à la Gabor-Heisenberg t f 4π Pour des séquences de N points [Donoho, Starck 1989] : on note N t le nombre de points non nuls en temps, N f en fréquence N t + N f 2 N Csq : si x concentré en temps, il est étendu en fréquence Pour d autres bases orthonormale ϕ i et ψ j : cohérence µ ϕ,ψ = max i,j ϕ i, ψ j et on a N ϕ + N ψ 2/µ ϕ,ψ
18 Principe d acquisition incohérente Utilisation : un signal parcimonieux (avec K coefficients non nuls, K petit) dans un domaine est forcément étalé dans un domaine peu cohérent avec le domaine de parcimonie voir [Donoho, 1999], [Candès, Romberg, 2004] on peut le retrouver avec peu de mesures ds ce 2e domaine Signal original K Parcimonieux Signal dans Fourier Espace / Temps Fréquence En poussant au bout de cette logique : un domaine de représentation incohérent avec tous les autres est de mesurer en combinant au hasard les échantillons. idée de base de l échantillonnage compressé
19 "&9;'#%$ Comment peut marcher le Compressed Sensing? Hypothèse x signal K -sparse (parcimonieux)! "#$%&'((((((#)((((*sparse (ou dans une base ou un#%(+&)#),-#./#0%&12 dictionnaire Ψ, (&))89:();&1):(#%();&.:(-09&#% signal x = Ψα et α parcimonieux) Exemple minimal : signal 1D parcimonieux à K éléments,! Samples (Ψ = Id et x = α). 9:&)81:9:%/) );&1): )#$%&' %0%<:10 :%/1#:)
20 Compressive!"#$%&'( ) *+,'-."/"-&0-0$"10,234#$1,00&5%,6-3"'-.&1,3/%7- "389&1,-"-condensed representation :&/+- '42%&//%,-&';41#"/&4'-%400-/+149(+- %&',"1-dimensionality reduction Objectif : mesure condensée du signal, avec seulement M mesures linéaires Comment peut marcher le Compressed Sensing? #,"091,#,'/0 0$"10, 0&('"% '4'<,14,'/1&,0
21 Comment peut marcher le Compressed Sensing? Projection Φ ne peut pas être de rang plein : M < N perte d information en général (infinité de solutions à y = Φx) '$()$*"+,-!"#$%&'$()$*"+,- Cependant : on se limite à des vecteurs parcimonieux. /+"012)3"'$ '")$4566$+&',7 '1+&6 2"65:'9 7 &'8$9"$ 6"919$3'4"+:&)3"'$3'$;1'1+&6 2"65:'9
22 Comment peut marcher le Compressed Sensing?!"#$%&'$()$*"+,- Projection Φ doit être choisie telle que les sous-matrices l: /0123'$$$$$$1"$)4&)$2)1$ 9";68'1 M K sont de rang plein. K 1678&)+2901 En fait : les&+0$:6;;$+&', sous-matrices M 2K de rang plein. la différence de 2 vecteurs parcimonieux est 2::0+0'90$$$$$$$$$$$$$$$$$$70)#00'$)#"$K>1?&+10$@09)"+1$ 2K -parcimonieuse ; $AK 1?&+10$2'$30'0+&; cela préserve l information des vecteurs K -parcimonieux ; c est la Restricted Isometry Property (RIP) d ordre 2K @0$2':"+8&)2"'$2'$K>1?&+10$123'&;1 Question : design? combinatoire, NP-complet,... estricted Isometry Property BC(DE$":$"+=0+$AK
23 2" 4&,'1%&#&2-'******5* Comment peut marcher lerandom Compressed linear Sensing combi? "6*-7&*&2-%(&'*"6 Projection Φ doit prendre de l information un peu partout et ce, à chaque ligne, sans trop de spécificité. 89:*;"&'*2"-*;('-"%-*'-%1/-1%&*"6*'$,%'&*'(<2 > 2"*(26"%#,-("2*="'' Signal original K Parcimonieux Φ matrice aléatoire!? #&,'1%&#&2-' Espace / Temps '$ '(
24 Comment peut marcher le Compressed Sensing?!"#$%&''()&*+,-,*./01('(-("2 Résultat des années 80 (Kashin, Gluskin) : Si on tire Φ au hasard : i.i.d. Gaussien, 3 4&,'1%&#&2-'******5* random linear combinations i.i.d. Bernoulli (±1),... "6*-7&*&2-%(&'*"6 alors Φ a la RIP(2K) avec grande probabilité sous 3 89:*;"&'*2"-*;('-"%-*'-%1/-1%&*"6*'$,%'&*'(<2,='* condition que > 2"*(26"%#,-("2*="'' M = O(K log(n/k )) N #&,'1%&#&2-' '$,%'& '(<2,= 2"2?&%" &2-%(&'
25 Illustration du principe de Compressed Sensing Signal de N = 512 points, parcimonieux avec K = 10 pics. Matrice aléatoire N par M = 128 mesures. Matrice de mesure aleatoire (gaussienne) Signal original K Parcimonieux Espace / Temps
26 Illustration du principe de Compressed Sensing Signal de N = 512 points, parcimonieux avec K = 10 pics. Matrice aléatoire N par M = 128 mesures Signal original K Parcimonieux Signal mesure de DIMENSION reduite Espace / Temps Axe variable mesuree Question : retrouver x en pratique? (P) Etant donné y = Φx (et Φ), trouver x?
27 Reconstruction en Compressed Sensing Φ n est pas de rang plein (seules ses sous-matrices...) Inversion naïve par moindres carrés échoue : ( ) (l 2 ) ˆx = arg min x 2 ou arg min y Φx 2 x:y=φx x 2 + λ x 2 2 Reconstruction en Optimisation l Espace / Temps Exploiter la parcimonie (supposée) du signal et sa géométrie changer de norme de mesure!
28 Reconstruction en Compressed Sensing Parcimonie = chercher les solutions avec le plus petit nombre de coefficients non nuls. x 0 = Card {i : x i 0} ; x 1 = i x i Inversion au min de l 0 est exacte, mais combinatoire (l 0 ) ˆx = arg min x:y=φx x 0 Inversion au min de l 1 est exacte si x est parcimonieux (i.e., x 0 K ) (l 1 ) ˆx = arg min x:y=φx x 1 [Candès, Romberg, Tao (2004) ; Donoho ( )] (aussi : l 1 rend les solutions parcimonieuses [Fuchs 97])
29 Reconstruction en Compressed Sensing (l 1 ) ˆx = arg min x 1 x:y=φx Ce problème se résout bien par Programmation linéaire. Signal mesure de DIMENSION reduite Reconstruction en Optimisation l1 avec égalité Axe variable mesuree Espace / Temps
30 Reconstruction en Compressed Sensing (l 1 ), aussi appelé (BP) pour Basis Pursuit (Donoho 2000): ˆx = arg min x:y=φx x 1 (l 1 ) peut se réécrire en Programmation linéaire : ˆx = arg min (u,v): u + v { u, v 0 (Φu Φv) = y cf. un cours d optimisation...
31 Pourquoi reconstruction marche en l 1? Théorèmes... cf. [Candès, Romberg, Tao; Donoho; Baraniuk, Wakin;...] %&'()*+$!&,-$!"#$L 1!%&'( Regard géométrique )*+*),)$L 1 (%-,.*%+ /$L 0 (01&(2(.$(%-,.*%+$*3 rse random orientation dimension N-M
32 Lien avec les problèmes inverses Problème inverse retrouver l information (ou les sources) à partir des mesures
33 Lien avec les problèmes inverses Tomographie à rayons X (imagerie médicale)
34 Lien avec les problèmes inverses Reconstruction 2D à partir de projections
35 Lien avec les problèmes inverses Autre de problème inverse : déconvolution
36 Approche générale des problèmes inverses Modèle (direct) de mesure y à partir de la source x : y = Φ{x} + bruit Φ = opérateur de convolution, de flou, de tomographie, etc. En géneral, problème mal posé (plus de sources que de mesures) ou au moins mal conditionné (bruit à la mesure est amplifié en un bruit très fort sur l estimation de la source). Stratégie usuelle : combiner une attache aux données avec une régularisation, par exemple : ˆx = arg min x y Φ{x} λ x 2 2 (moindre carré + régularisation de Tikhonov)
37 Lien avec les problèmes inverses Exemple : sur-résolution Image de Saturne par le Hubble Space Telescope (image Eric Thiébaut, CRAL)
38 Lien avec les problèmes inverses Exemples : déconvolution aveugle Image de microscopie confocale (algo. Eric Thiébaut, CRAL) Données du Centre commun de Quantimétrie (Univ. Lyon 1)
39 Lien avec les problèmes inverses Problème initial du compressed sensing ˆx = arg min x:y=φx x 0 Problème relâché : l 1 est la relaxation convexe de l 0 ˆx = arg min x:y=φx x 1 Problème inverse un peu plus général, avec attache aux données moins contraignante ˆx = arg min x:y=φx x 1 + λ y Φx 2 2 Plus généralement : critère variationnel selon problème direct ou approche bayésienne
40 Traiter le bruit en Compressed Sensing Résistance au bruit : (BPDN) pour Basis Pursuit Denoising (Donoho 1998) : 1 (BPDN) arg min x 2 y Φx 2 + λ x 1 problème dual de celui à Contraintes Quadratiques : (QC) arg min x 1 x: y Φx 2 <ɛ Signal mesure de DIMENSION reduite Reconstruction en Optimisation l1 avec QC Axe variable mesuree Espace / Temps
41 Ajouter la compressibilité en Compressed Sensing Résultats théoriques de Candès & Tao. Reconstruction robuste : pour tout x R n, soit ˆx, solution de (l 1 ). Alors, on a x ˆx 1 C x x K 1 et x ˆx 2 C x x K 1 K 1/2 Reconstruction stable : mesure de y = Φx + e où le bruit est t.q. e 2 < ɛ et retrouver ˆx par (QC). Alors, pour tout x R n, on a x ˆx 2 C 1 x x K 1 K 1/2 + C 2 ɛ
42 Acquisition avec de l aléatoire Universalité du CS!"#$%&'()#*+ Propriétés pour Φ : mesures globales, incohérentes On vient de voir une solution : matrices aléatoires, -("./010%('2&%0%"*'13("14%12'%.15/&1'#6"()'1 Adaptation à des signaux parcimonieux sur bases ou '7(&'%1#"1any 4('#' dictionnaires (Ψ) x = Ψα ou x i = φ i, α
43 '7(&'%1#"1any 4('#' Acquisition avec de l aléatoire Universalité du CS Le schéma devient :!"#$%&'()#*+, -("./010%('2&%0%"*'13("14%12'%.15/&1'#6"()'1 '7(&'%1#"1any 4('#' '7(&'% 3/%55#3#%"* $%3*/& "/"8%&/ %"*&#%'
44 Acquisition avec de l aléatoire Universalité du CS Propriété : Matrice aléatoire Base Matrice aléatoire stratégie universelle d encodage, Ψ précisé a posteriori Autres solutions : incohérence de Φ par rapport à Ψ tirage aléatoire de coefficients de Fourier fonctions de mesures à produit scalaire toujours non nul avec tous les signaux parcimonieux ( cf. travaux sur la cohérence entre dictionnaires, en particulier [Tropp & Gribonval]) Sorte de Principe d incertitude à vérifier entre la base de mesure et la base de parcimonie.
45 Algorithmes de reconstruction Le nombre d algorithmes disponibles augmente. Catégories d algorithmes d optimisation (convexe) pour (BP) : y = arg min x:y=φx x 1 méthodes de point intérieur (lent, très précis, analyses théoriques) méthodes de gradient (1er ordre) (rapide, mais convergence...) méthode d homotopie (rapide, exact mais pour petites tailles) Domaine actif : trouver les bonnes méthodes pour pb de grande taille, résistantes au bruit, marchant pour signaux compressibles (et non seulement parcimonieux), convergence prouvable, etc. Deux exemples : MP, IST
46 Algorithme de reconstruction : Matching Pursuit Algorithme itératif 1) Retenir les composantes actives, en cherchant les colonnes de Φ qui sont les plus corrélées avec y 2) Soustraire ces composantes de y donne un résidu y 3) Itérer avec y Les composantes actives sont orthogonales d une itération à l autre Très rapide pour pb de petite taille Pas très précis si plus grande taille (images...) ou avec bruit Amélioration : Orthogonal Matching Pursuit [Mallat & Zhang, 93; Gribonval & Tropp;...]
47 Algorithme de reconstruction : Iterated Thresholding Algorithme itératif 1) À l étape k, projeter x k pour obtenir w k = Φ T Φx k 2) Seuillage de w k donne x k+1, par exemple par Soft Thresholding Marche bien car, pour des signaux parcimonieux, w k grand sur les coefficients actifs, petit ailleurs Méthode de minimisation l 1 Très rapide, très bon pour signaux parcimonieux, ok si approximativement parcimonieux Remarque : ouvre le chemin aux algorithmes proximaux [Daubechies, DeFrise, DeMol 2004; Chambolle 2005; Combettes & Pesquet; Blumensath & Davies;...]
48 Illustration 1 - exemple simulé [Candès, Romberg, Tao, IEEE Info. Theory, 2006] Exemple en tomographie IRM : acquisition dans le domaine fréquentrie, ici d une image fantôme Image originelle (lisse par morceaux) Log de Norme des coefficients de Fourier Axe variable mesuree
49 Illustration 1 - exemple simulé Image ( parcimonieuse) en espace ; donc incohérence vis-à-vis du domaine de Fourier Masque de mesure dans plan de Fourier Log de Norme des coefficients de Fourier mesures Axe variable mesuree
50 Illustration 1 - exemple simulé Reconstruction par (BP) : ˆx = arg min x:y=(fx) Ω x 1 Image originelle (lisse par morceaux) Reconstruction en Optimisation L1 avec egalite
51 Illustration 1 - exemple simulé Reconstruction par (QC) : ˆx = arg min x: (y Fx) Ω 2 <ɛ x 1 Image originelle (lisse par morceaux) Reconstruction en Optimisation L1 avec erreur
52 Illustration 1 - exemple simulé Reconstruction en Variation Totale : (TV )ˆx = arg min x:y=(fx) Ω TV (x) x 1 Image originelle (lisse par morceaux) Reconstruction en Optimisation TV
53 Illustration 2 - caméra à 1 pixel [Duarte et Rice al., Single-Pixel Imaging via CS Compressive Camera Sampling, IEEE Signal Processing Mag., 83, 2008] single photon detector random pattern on DMD array DMD DMD image reconstruction or processing
54 Single Pixel Camera Illustration 2 - caméra à 1 pixel Object LED (light source) Photodiode circuit Lens 2 Lens 1 DMD+ALP Board
55 Illustration Single 2Pixel - caméra Camera à 1 pixel Object LED (light source) Photodiode circuit Lens 2 Lens 1 DMD+ALP Board
56 Illustration Single 2 Pixel - caméra Camera à 1 pixel Object LED (light source) Photodiode circuit Lens 2 Lens 1 DMD+ALP Board
57 Illustration First Image 2 - caméra Acquisition à 1 pixel target pixels measurements (16%) 1300 measurements (2%)
58 Second Image Acquisition Illustration 2 - caméra à 1 pixel 4096 pixels 500 random measurements
59 Illustration Single-Pixel 2 - caméra Camera à 1 pixel single photon detector random pattern on DMD array DMD DMD image reconstruction or processing
60 Remarques finales Autres exemples d applications : Echantillonnage sous-nysquist Tomographie à faible nombre de vue Holographie numérique de particules Astronomie, imagerie ultra-sonore, DNA-arrays, multi-capteurs (dont réseaux de capteurs),... Et bien d autres,... Page de ressource : Pour trouver une bibliographie riche sur le sujet : page CS de Rice University Remerciements à R. Baraniuk, dont les images ont été amplement empruntées pour ce cours
10ème 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 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 détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
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 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 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 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 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 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 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 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 détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en 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 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 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 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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 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 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 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 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 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 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 détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailApplications en imagerie cérébrale (MEG/EEG)
EEG : mesure du potentiel électrique Ordre de grandeur : qq µ-volts Capteurs : électrodes MEG : mesure du champ magnétique Ordre de grandeur : 10 13 Tesla Capteurs SQUID couplés à des bobines VI. Applications
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 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 détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailPhotons, expériences de pensée et chat de Schrödinger: une promenade quantique
Photons, expériences de pensée et chat de Schrödinger: une promenade quantique J.M. Raimond Université Pierre et Marie Curie Institut Universitaire de France Laboratoire Kastler Brossel Département de
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailÉtoiles doubles par Interférométrie des tavelures au T60 du pic du midi
Étoiles doubles par Rappels historiques Analyse Harmonique : la transformée de Fourier FOURIER, Jean Baptiste Joseph (21 Mars 1768, Auxerre, France - 16 Mai 1830, Paris, France) Expérience des trous d
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en 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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
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 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 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 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 détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailLes atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
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 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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
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 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 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 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 détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
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 détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
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 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 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 détailTABLE DES MATIÈRES CHAPITRE I. Les quanta s invitent
TABLE DES MATIÈRES AVANT-PROPOS III CHAPITRE I Les quanta s invitent I-1. L Univers est en constante évolution 2 I-2. L âge de l Univers 4 I-2.1. Le rayonnement fossile témoigne 4 I-2.2. Les amas globulaires
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 détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailUtiliser une WebCam. Micro-ordinateurs, informations, idées, trucs et astuces
Micro-ordinateurs, informations, idées, trucs et astuces Utiliser une WebCam Auteur : François CHAUSSON Date : 8 février 2008 Référence : utiliser une WebCam.doc Préambule Voici quelques informations utiles
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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailQu est-ce qu un ordinateur quantique et à quoi pourrait-il servir?
exposé UE SCI, Valence Qu est-ce qu un ordinateur quantique et à quoi pourrait-il servir? Dominique Spehner Institut Fourier et Laboratoire de Physique et Modélisation des Milieux Condensés Université
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProjet : Recalage par maximisation de l information mutuelle
École Polytechnique de Montréal Automne 25, 12 décembre 25 Projet : Recalage par maximisation de l information mutuelle GBM613, Application médicales de l informatique Nom Matricule Groupe Herve Lombaert
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 détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
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 détail