Bases de données multimédia
|
|
- Martine Lanthier
- il y a 8 ans
- Total affichages :
Transcription
1 Bases de données multimédia Séance 1 : Introduction Michel Crucianu (Cnam) Valérie Gouet-Brunet (IGN) Contenu du cours Introduction : motivations, applications, paradigmes de recherche, descripteurs, indexation, évaluation Descripteurs d images : descriptions de l apparence visuelle, description issue des méta-données Index multidimensionnels : types de requêtes, types de méthodes, index centralisés ou distribués Recherche par similarité, recherche itérative avec contrôle de pertinence, recherche pluri-modale Catégorisation de bases d images : méthodes non supervisées et semi-supervisées, passage à l échelle 5 janvier 2015 Bases de données multimédia 2 CNAM 1
2 Planning prévisionnel 1 : Introduction 2 : Description des images (Valérie Gouet-Brunet) 3 : Structures d index 1 (Valérie Gouet-Brunet) 4 : Structures d index 2 (Valérie Gouet-Brunet) 5 : Structures d index 3 6 : Recherche itérative 7 : Recherche pluri-modale. Catégorisation d images 8 : Exposés des étudiants 5 janvier 2015 Bases de données multimédia 3 Contexte Croissance explosive de la production de contenus numériques Grand public : démocratisation de l imagerie numérique Industrie audiovisuelle : mondialisation des programmes Spécialisés : observation de la terre, vidéosurveillance, imagerie médicale Stockage numérique Forte diminution du coût par gigaoctet Croissance de la vitesse d accès Transmission / diffusion numérique Augmentation des débits Forte diminution du coût démocratisation diffusion / partage Très grands volumes de données multimédia à exploiter Intérêt croissant pour «big multimedia data», «multimedia analytics» 5 janvier 2015 Bases de données multimédia 4 CNAM 2
3 Besoins des utilisateurs Avoir un aperçu du contenu de la base d images Partitionnement de la base résumé visuel de la base Naviguer dans la base d images/vidéos «Chemins» pré-établis pour aider la navigation Résumés suivant des critères complémentaires Retrouver des images suivant différents critères Recherche d une image spécifique ou d un ensemble d images Recherche d une partie d image ou d un objet dans les images Découvrir les contenus redondants dans une base ou dans les réponses à une requête (par ex. variantes clip vidéo sur Youtube) Détecter et reconnaître des composantes (visages, véhicules, piétons, monuments ) et des situations 5 janvier 2015 Bases de données multimédia 5 Domaines d application Audiovisuel Exemples : détection de copies (droits), retrouver un plan spécifique d un programme, annotation automatique de vidéos Sécurité Exemples : biométrie (empreintes, iris), vidéosurveillance M. Slaughter Entrée Entrée Entrée Sortie Sortie Sortie 5 janvier 2015 Bases de données multimédia 6 CNAM 3
4 Domaines d application Internet Exemples : commerce électronique, annotation et filtrage Web2.0 Design, publicité, architecture Exemples : rechercher texture spécifique pour l industrie textile, illustrer une publicité par une photo adéquate, détecter des tendances Art, éducation Exemples : recherche encyclopédique d illustrations, d une œuvre d art spécifique Titre : Trickshot_Lambert Tags : le papillon Chaîne (catégorie) : sport Durée : 00:18 Pris le : 25 février 2007 Lieu : France Like.com Titre : Produce3 Tags : BILLARD POOL CLIP VIDEO POUR LE PLAISIR Durée : 02:23 Pris le : 03 novembre 2006 Lieu : France 5 janvier 2015 Bases de données multimédia 7 Domaines d application Bases d images satellitaires Exemples : suivre l évolution de la végétation, évaluer l impact des feux de forêt INRIA et IFN Bases d images botaniques Exemple : identifier les gènes qui interviennent dans une même chaîne de synthèse protéinique Bases d images médicales Exemple : quelles images indiquent une pathologie (but éducatif ou diagnostic) NASC 5 janvier 2015 Bases de données multimédia 8 CNAM 4
5 Recherche et fouille par le contenu Thématique émergente à l intersection de 3 grands domaines Apprentissage statistique Recherche / fouille par le contenu Analyse du contenu Bases de données 5 janvier 2015 Bases de données multimédia 9 Indexation par le texte Par quoi indexer : mots-clés, graphes conceptuels, Mots-clés : tournesol, soleil, Sud Approche la plus ancienne et la plus répandue Inconvénients Ambiguïté inhérente Dépendance du contexte Subjectivité de l indexation Dépendant de la langue Coût annotation manuelle Incomplétude inhérente Mots-clés : écusson,??? 5 janvier 2015 Bases de données multimédia 10 CNAM 5
6 Indexation par le contenu visuel Extraire automatiquement d une image des descripteurs significatifs et compacts, qui seront utilisés pour la recherche ou la structuration? Prise en compte directe du contenu visuel mais manifestation fréquente du fossé sémantique 5 janvier 2015 Bases de données multimédia 11 Types de bases multimédia Bases génériques Contenu hétérogène (bases grand public, Internet, archives généralistes) En général sans vérité-terrain naturelle Bases spécifiques Spécifiques à un domaine d application Contenu homogène (visages, empreintes digitales, monnaies ) En général avec vérité-terrain naturelle 5 janvier 2015 Bases de données multimédia 12 CNAM 6
7 Bases spécifiques : exemples 5 janvier 2015 Bases de données multimédia 13 Description du contenu visuel Séparation et description de caractéristiques h(c) Image : couleurs, textures, formes Vidéo : couleurs, textures, formes, mouvement c Identification de «composantes» Image : régions homogènes, points d intérêt, configurations ; objets, visages,... Vidéo : shots, régions à mouvement cohérent; scènes, personnes, objets, Manifestation du fossé sémantique (signal signification)! 5 janvier 2015 Bases de données multimédia 14 CNAM 7
8 Description du contenu audio Séparation et description de caractéristiques Temporelles, spectrales Description résumée ou séquence de descriptions Identification de «composantes» Séparation/segmentation voix/musique/bruit, événements sonores (exemples : but, explosion) 5 janvier 2015 Bases de données multimédia 15 Description des images : typologie Descripteurs génériques 1. Description globale (approximative) de l image 2. Description locale (potentiellement plus précise) Description de régions homogènes Description autour de points d intérêt Caractéristiques décrites : couleurs, textures, formes Descripteurs spécifiques Empreintes digitales : minuties Visages : EigenFaces, DSW Tendance actuelle : apprendre (deep learning), sur une grande base, des descripteurs adaptés à un type d images et / ou à un problème particulier à résoudre 5 janvier 2015 Bases de données multimédia 16 CNAM 8
9 Description globale de l image Description des couleurs Description des textures Description des formes Assembler les différents types de description pour décrire de façon plus complète chaque image 5 janvier 2015 Bases de données multimédia 17 Description locale de l image Segmentation en régions Détection de points d intérêt Description des régions Description (autour) des points Descripteurs de la région Descripteurs du point 5 janvier 2015 Bases de données multimédia 18 CNAM 9
10 Description des couleurs Choix d un espace de représentation des couleurs : RVB, CMY, HSV, Lab, Luv Critères : uniformité perceptive, Description par histogrammes couleur Échantillonnage des couleurs de l image Histogramme pondéré pour chaque couleur c : ~ M 1 N 1 1 h ( c) MN i0 j0 w( i, j) Pondération : variabilité ou uniformité locale Mesures de (dis)similarité entre histogrammes Métriques L 1, L 2, etc. Intersection d histogrammes f ( i, j) c h(c) c 5 janvier 2015 Bases de données multimédia 19 Recherche par similarité globale Description globale par histogrammes couleur pondérés Mesure de similarité L 1 5 janvier 2015 Bases de données multimédia 20 CNAM 10
11 Description des textures Principe : analyse spectrale en 2D 1. Basée sur la transformée de Fourier F( u) 2 R I( x) e i u x d x Inadaptée à la caractérisation de régions de forme quelconque 2. Basée sur les ondelettes Mieux adaptée à la caractérisation de régions de forme quelconque (analyse locale) Wf ( a, u, ) 1 ( x) R a x u a ( a,, ) f ( x) ( a,, ) 2 R u u ( x) d x 2 R ( x) d x 0 5 janvier 2015 Bases de données multimédia 21 x n n 1,, p 1 Description des formes Description globale : en général basée sur la détection de contours et la caractérisation de leur orientation Edge Orientation Histogram (EOH) Transformée de Hough Description de la forme d une région : nombreuses méthodes (voir [ZL04]), parmi lesquelles Moments (géométriques, Zernicke, Legendre, etc.) Spectre de la représentation en coordonnées polaires Curvature Scale-Space (CSS) Directional Fragment Histogram (DFH) [YB05] Description d une configuration de points Moments ACP à noyaux [Sah04] 5 janvier 2015 Bases de données multimédia 22 CNAM 11
12 Segmentation en régions homogènes Nombreuses méthodes, avec des objectifs et des domaines d applications différents [PP93] Critères d homogénéité suivant les objectifs, souvent liés à la couleur locale, parfois à la texture locale Segmentation grossière Segmentation fine /biotim/ 5 janvier 2015 Bases de données multimédia 23 Détection de points d intérêt Point d intérêt = site «informatif» de l image Kitchen et Rosenfeld : détecteur de coins sur les contours 2 2 I xx I y 2 I xy I x I y I yy I x maximiser K 2 2 I 3 2 x I y Harris précis niveaux de gris : bonne robustesse 1. Calcul des dérivées premières, après lissage gaussien 2. Calcul de M (avec lissage gaussien) 2 I x I x I y M S I 2 x I y I y 3. Calcul des maxima locaux de 2 det M k trace M, k Harris précis couleur Harris Laplace, etc. /biotim/ 5 janvier 2015 Bases de données multimédia 24 CNAM 12
13 Caractérisation des points d intérêt Description photométrique locale autour d un point d intérêt détecté Objectifs : invariances (transformations affines, changement d illumination, changement de point de vue), parcimonie Descripteurs : Jet local : coefficients de la série de Taylor (jusqu à l ordre n) Invariants différentiels de Hilbert ; R généralisés à la couleur : HCP 2 R ordre 1 : G 2 G B 2 B SIFT [Low04], etc. R G R B 5 janvier 2015 Bases de données multimédia 25 Points d intérêt : exemple 1 Requête Description locale des points d intérêt Recherche par similarité entre ensembles de points 5 janvier 2015 Bases de données multimédia 26 CNAM 13
14 Points d intérêt : exemple 2 Requête 5 janvier 2015 Bases de données multimédia 27 Description par points d intérêt Avantages Recherche de parties ou d objets (élimination de l arrière-plan) Sélection dynamique de la requête (dite partielle) Robustesse aux transformations image Robustesse aux occultations Inconvénients Coûteux en temps de recherche Exemple : images décrites par 300 points d intérêt décrits par un vecteur de dimension 17 recherche dans un espace de dimension 17 contenant 150 millions de points ( ) Nécessité de structurer l espace de recherche avec un index multidimensionnel 5 janvier 2015 Bases de données multimédia 28 CNAM 14
15 Détection et reconnaissance d objets Méthodes en général basées sur Apprentissage supervisé (réseaux de neurones, SVM, boosting) Descripteurs locaux (et configuration spatiale) : robustesse à l occultation partielle et à différentes transformations. Couplage avec la forme Qu est-ce qui change pour la vidéo? Mouvement facilite la détection des objets en mouvement Redondance temporelle détection et reconnaissance plus robustes Des efforts à faire pour Reconnaissance d un nombre élevé de classes d objets (> 100 ) Rapidité de la reconnaissance 5 janvier 2015 Bases de données multimédia 29 Visages : détection Méthodes en général basées sur Apprentissage supervisé (cascade de SVM, boosting [VJ01]) Descripteurs spécifiques (par ex. ondelettes de Haar) Des efforts à faire pour Détection de visages de profil Diminution du taux de faux positifs (sans augmenter excessivement le taux de faux négatifs) 5 janvier 2015 Bases de données multimédia 30 CNAM 15
16 Visages : reconnaissance Méthodes en général basées sur Apprentissage supervisé (réseaux de neurones, SVM, boosting) Descripteurs spécifiques Des efforts à faire pour Reconnaissance de visages de personnes non coopératives Reconnaissance d un nombre élevé de visages différents Reconnaissance de visages de profil 5 janvier 2015 Bases de données multimédia 31 Recherche par contenu : paradigmes Initialisation de la recherche (problème de la page zéro) Requête externe (image fournie par l utilisateur) Résumés visuels Recherche par l exemple Globale, approximative Locale, précise (requêtes partielles) Recherche itérative avec contrôle de pertinence Raffinement itératif exploitant les réponses de l utilisateur Recherche par image mentale Recherche par composition à partir d un thésaurus visuel Recherche itérative d une image cible 5 janvier 2015 Bases de données multimédia 32 CNAM 16
17 Initialisation aléatoire Présentation d un échantillon aléatoire d images Problème : les images montrées ne sont pas représentatives de la base Exemple : base Columbia (1440 images, 20 objets sous 72 points de vue) 5 janvier 2015 Bases de données multimédia 33 Résumés visuels 1. Partitionner la base en classes Nombre de classes en général inconnu 2. Présenter à l utilisateur un bon représentant pour chaque classe Fournit un résumé de la base Facilite la recherche d une bonne image de départ Partitionnement et choix de représentants : traitements hors ligne (off-line) NASC 5 janvier 2015 Bases de données multimédia 34 CNAM 17
18 Recherche par l exemple Objectif : retrouver les images similaires à une image exemple Paradigme le plus répandu et le mieux traité actuellement, de nombreuses applications y ont recours Méthode 1. Choix d un exemple (requête) par l utilisateur (image, partie d image) 2. Comparaison du descripteur de la requête avec ceux de la base Calcul de distances entre la requête et la base Parfois plusieurs descripteurs exemples (cas des descripteurs locaux ou des premières méthodes de contrôle de pertinence) 3. Recherche des images les plus proches Retourner l image la plus proche Retourner les k images les plus proches Retourner les images situées à une distance inférieure à une distance donnée q 5 janvier 2015 Bases de données multimédia 35 Recherche globale par l exemple Requête (ici, l image entière) Réponses classées par ordre de similarité visuelle décroissante 5 janvier 2015 Bases de données multimédia 36 CNAM 18
19 Recherche locale par l exemple Requête (ici une partie d image) 5 janvier 2015 Bases de données multimédia 37 Contrôle de pertinence Objectif : retrouver un ensemble d images pertinentes par rapport à la recherche en cours (caractérisées en général par des relations de similarité plus complexes) Principe : raffinement itératif exploitant les réponses de l utilisateur (qu on peut voir comme une recherche avec reformulation de requête) Étapes lors de chaque itération : 1. Le système montre des images candidates à l utilisateur 2. L utilisateur marque certaines des images comme étant des exemples positifs («ce que je cherche ressemble à ça») ou négatifs («ce que je cherche ne correspond pas à ça») 3. Le système affine son estimation de l ensemble d intérêt 5 janvier 2015 Bases de données multimédia 38 CNAM 19
20 Contrôle de pertinence : exemple Objectif de la recherche : retrouver des portraits Base de 7500 images, dont 110 portraits Disponible : description globale (couleur, texture, forme) 120 dimensions 1 2 o o 3 o o o o o [FCB04] 5 janvier 2015 Bases de données multimédia 39 Composition à partir de thésaurus Principe : construction d un représentant de l image mentale (la requête) par composition de prototypes de régions (thésaurus de régions) Exemple : recherche d un paysage urbain Formulation de la requête Composition logique correspondante Catégorie «régions à dominante verte» 5 janvier 2015 Bases de données multimédia 40 CNAM 20
21 Composition à partir de thésaurus (2) Résultat de la requête Exemples d images rejetées 5 janvier 2015 Bases de données multimédia 41 Fouille par similarité Jointure avec seuil de distance, ensembles D 1,D 2 avec N 1 et respectivement N 2 éléments K x, y xd1, y D2, dx, y complexité O(N 1 x N 2 )? Auto-jointure : D1 D 2 complexité O(N 2 )? (variante sans seuil de distance : jointure top-k) 5 janvier 2015 Bases de données multimédia 42 CNAM 21
22 Architecture générale d un SRM SRM = Système de Recherche Multimédia Architecture client-serveur OFF-LINE Base de contenus multimédia Extraction de signatures Base de signatures Index ONLINE Document multimédia requête Extraction de signatures Recherche par similarité Documents similaires 5 janvier 2015 Bases de données multimédia 43 Quelques SRM Systèmes industriels QBIC (IBM, depuis 1995) : ImageFinder (Attrasoft) : Virage (Virage Technologies, 1996) : Systèmes académiques IMEDIA (INRIA Rocquencourt) : / SAPIR (projet Européen) : Tiltomo : Synthèses : [LSDJ06], [DJLW08] 5 janvier 2015 Bases de données multimédia 44 CNAM 22
23 Indexation d une image Traitement off-line Choix d un espace de représentation Calcul des descripteurs de l image dans cet espace Exemple : histogramme couleur de l image Représentation compacte ( de données, de sémantique) Définition d une mesure de similarité dans cet espace 5 janvier 2015 Bases de données multimédia 45 Indexation d une base d images Volumétrie des données Exemple 1 : images décrites par 20 régions décrites par un vecteur de dimension 40 recherche dans un espace de dimension 40 contenant 100 millions ( ) de vecteurs Exemple 2 : heures de vidéo décrites par des points d intérêt représentés par des vecteurs de dimension 30 recherche dans un espace de dimension 30 contenant env. 20 milliards de vecteurs Nécessité de rendre la recherche efficace (aussi lors des processus de classification, modélisation, décision) Méthodes de structuration (indexation multidimensionnelle) Partitionnement des données : R-tree, SR-tree, M-tree, Partitionnement de l espace : KDB-tree, LSD-tree, Filtrage des données : VA-file, 5 janvier 2015 Bases de données multimédia 46 CNAM 23
24 Principe de l indexation d une base (N données recherche exhaustive O(N)) Hypothèses 1. Seules les données «proches» sont utiles 2. Peu de données sont proches 3. Les données proches sont bien plus proches que les autres Illustration : regroupement hiérarchique 1 nœud 1 page disque Parcours de l arbre en partant de la racine Idéalement O(log N) nœuds traversés O(log N) calculs de distance O(log N) échanges E/S 2 N données coût log N cst.! (voir aussi [Cru12]) A G D B F E q A B C o n D E F r n G C 5 janvier 2015 Bases de données multimédia 47 Évaluation 1. Évaluation directe avec les utilisateurs Complexe à mettre en place Coûteuse 2. Évaluation à partir d une vérité-terrain En général, la base est partitionnée en classes de même effectif, mutuellement exclusives Notations : N images, C classes, m (= N/C) images par classe Mesures de performances Courbes de précision/rappel Matrices de confusion Courbes ROC (Receiver Operating Characteristics) Rapidité de convergence de la recherche itérative 5 janvier 2015 Bases de données multimédia 48 CNAM 24
25 Courbes précision / rappel Base vérité-terrain Exemple de classe Pour k images retournées et classes d effectif m, Précision : proportion d images retournées faisant réellement partie de la classe (= k / k) Rappel : proportion d images retournées de la classe (= k / m) Courbe précision/rappel : comptabilise la précision pour chaque rappel 1/m, 2/m,, Requête 5 janvier 2015 Bases de données multimédia 49 Courbes précision / rappel : exemple 5 janvier 2015 Bases de données multimédia 50 CNAM 25
26 Courbes ROC : sensitivité, spécificité Évaluation de la discrimination entre présence d une classe et absence de la classe (ex. : détection d objets) Table de vérité Vérité terrain Classe présente Classe absente Détecteur Classe détectée Vrai Positif Faux Positif Classe non détectée Faux Négatif Vrai Négatif Sensitivité et spécificité pour un seuil de décision fixé VP VP Sensitivité Total positif VP FN FP FP VN 1 Spécificité 1 Total négatif VN FP VN FP 5 janvier 2015 Bases de données multimédia 51 Courbes ROC Courbe ROC (Receiver Operating Characteristics) : sensibilité vs. 1-spécificité pour différents seuils de décision 1 Sensibilité Seuil = 0.6 Seuil = 0.4 Seuil = Spécificité 5 janvier 2015 Bases de données multimédia 52 CNAM 26
27 Rapidité de convergence Proportion des images de la classe retrouvées après n itérations (gauche) ou clicks (droite) 5 janvier 2015 Bases de données multimédia 53 Accélération de la recherche [HS05] 5 janvier 2015 Bases de données multimédia 54 CNAM 27
28 Bibliographie [Cru12] M. Crucianu (2012) Scalability issues in visual information retrieval. Dans : J. Benois- Pineau, F. Precioso, M. Cord (eds) Visual indexing and retrieval. Springer Verlag, 2012, pp , ISBN [DJLW08] R. Datta, D. Joshi, J. Li, J. Z. Wang. Image Retrieval: Ideas, Influences, and Trends of the New Age. ACM Computing Surveys 40: 1-60, [FCB04] Ferecatu, M., Crucianu, M., Boujemaa, N. Retrieval of Difficult Image Classes Using SVM- Based Relevance Feedback. In Proceedings of the 6th ACM SIGMM International Workshop on Multimedia Information Retrieval, New York, 2004, pp [Low04] D. G. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision 60: , [PP93] N.R. Pal, S.K. Pal. A review on image segmentation techniques, Pattern Recognition 26: , [VG01] P. Viola, M. Jones. Rapid object detection using a boosted cascade of simple features. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Kauai, HI). IEEE Computer Society Press, 2001, [ZL04] D. Zhang, G. Lu. Review of shape representation and description techniques. Pattern Recognition 37: 1, 2004, janvier 2015 Bases de données multimédia 55 CNAM 28
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 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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailApprentissage 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 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 détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
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 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 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 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 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 détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
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 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 détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en 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 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 détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailRessources lexicales au service de recherche et d indexation des images
RECITAL 2011, Montpellier, 27 juin - 1er juillet 2011 Ressources lexicales au service de recherche et d indexation des images Inga Gheorghita 1,2 (1) ATILF-CNRS, Nancy-Université (UMR 7118), France (2)
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 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 détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailCommunications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en 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 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 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 détailL évaluation d algorithmes d analyse vidéo Quelques pistes
L évaluation d algorithmes d analyse vidéo Quelques pistes Jean-François GOUDOU 1, Louise NAUD 1, Laurent GIULIERI 2, Jaonary RABARISOA 3, Olivier PIETQUIN 4, Dana CODREANU 5, Dijana PETROVSKA 6 1 THALES
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 détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en 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 détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailComment rendre un site d e-commerce intelligent
Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie
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 détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
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 détailCognit Ive Cas d utilisation
Cognit Ive Cas d utilisation 96-98, rue de Montreuil - 75011 Paris _ opicot@ _ + 33 (0)1 40 09 71 55 Sommaire Présentation de la plateforme Cognit Ive SemanticMail : Traitement sémantique des mails Projets
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailEn route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne
Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en 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 détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailRecherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
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 détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailQuels apprentissages info-documentaires au collège?
Quels apprentissages info-documentaires au collège? Quel cadre? Quels apprentissages associés? 1983 : Éducation aux médias (EAM) 1986 : Initiation à la recherche documentaire (IRD) 2003 : Information-Documentation
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailExtraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic
Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Jérôme Palayret 1,2, Auréline Quatrehomme 1,2, Denis Hoa 1, William Puech 2 IMAIOS,
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 détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailCalage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique
Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Mémoire Maxime Latulippe Maîtrise en informatique Maître ès sciences (M.Sc.) Québec, Canada Maxime
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en 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 détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
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 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 détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
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 détailBases de données multimédia I - Introduction
Bases de données multimédia I - Introduction ENSIMAG 2009 Hervé Jégou & Matthijs Douze Bases de données multimedia Deux intervenants: Hervé Jégou, herve.jegou@inria.fr Matthijs Douze, matthijs.douze@inria.fr
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 détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailINF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude
INF 1250 INTRODUCTION AUX BASES DE DONNÉES Guide d étude Sous la direction de Olga Mariño Télé-université Montréal (Québec) 2011 INF 1250 Introduction aux bases de données 2 INTRODUCTION Le Guide d étude
Plus en détailCompte-rendu re union Campus AAR 3 mars 2015
Compte-rendu re union Campus AAR 3 mars 2015 Table des matières Liste d actions... 2 I. Environnement d analyse : INA, Armadillo... 3 a. Connexion de l outil INA avec API Armadillo... 3 b. Outil d analyse
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
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 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 détailDEMANDE D INFORMATION RFI (Request for information)
DOD SEICAM RFI Demande d information EVDEC Réf. : RFI_EVDEC- GT5_Outil_reporting_BI_v4.doc Page 1/11 DEMANDE D INFORMATION RFI (Request for information) OUTIL INTÉGRÉ DE REPORTING ET D ANALYSE DÉCISIONNELLE
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 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 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 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 détailBig Graph Data Forum Teratec 2013
Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte
Plus en détail