F4B202 Analyse de texture
|
|
- Gaston Bonnet
- il y a 8 ans
- Total affichages :
Transcription
1 F4B202 Analyse de texture Ronan Fablet Département Signal & Communications Tél : Fax : courriel : ronan.fablet@telecom-bretagne.eu Web : perso.enst-bretagne.eu/ronanfablet
2 Source : Y. Gousseau, Telecom Paris Tech
3 Des exemples de texture Exemples de textures de Brodatz
4 Comment analyser des textures? Source : Y. Gousseau, Telecom Paris Tech
5 Comment analyser des textures? Source : Y. Gousseau, Telecom Paris Tech
6 Comment analyser des textures?
7 Statistiques d ordre 1 et d ordre supérieur
8 Statistiques d ordre 1 Source : Stina Svensson, Representation and Description, Computerized image analysis, SLU (Sweden)
9 Statistiques d ordre 1 : distance entre histogrammes Distance du Chi 2 entre histogrammes de textures j i k d( p,q) = 2 i ( p(i) q(i) ) 2 p(i) + q(i) Source : Cornelia Fermüller, Texture, CMCS 426 Image Processing, UMD (USA)
10 Statistiques d ordre 1: descripteurs! Descripteurs extraits des des histogrammes! Moyenne! Variance M = u p σ 2 = u 2 p M 2! Kurtosis κ = (u p M) 4 σ 4 3!! Entropie! E = h(v)log(h(v)) 11
11 Statistiques d ordre 1: descripteurs moyenne=137 moyenne=50 variance=30 variance=71 skew=0.25 skew=-1.15 kurt=2.31 kurt=-0.09 Source : html/contenu/part3.pdf 11
12 Statistiques d ordre 1: descripteurs Source : Stina Svensson, Representation and Description, Computerized image analysis, SLU (Sweden) 12
13 Matrices de cooccurrences (Haralick'73)! Définition : Il s'agit de statistiques du second-ordre de l'image. Pour un voisinage (dx,dy), la matrice de cooccurrence M(dx,dy) est donnée par : M [dx,dy] (u,v) = 1 ( N x dx) N y dy! (N x,n y ) : taille de l'image ( )! (u,v) : niveaux de gris de l'image (valeur quantifiée)! Chaque matrice est de taille GxG où G est le nombre de niveaux de gris (on considère généralement 8 ou 16 niveaux)! On considère généralement des matrices de cooccurrences pour un ensemble de voisinage (dx,dy) (e.g., (1,0), (0,1), (1,1),...) i, j [ ] 1 I(i, j) = u & I(i + dx, j + dy) = v! Remarque : les statistiques de cooccurrences sont les statistiques suffisantes d'un champ de Markov défini sur des cliques d'ordre 2
14 Matrices de cooccurrences (Haralick'73) Source : Y. Gousseau, Telecom Paris Tech
15 Matrices de cooccurrences (Haralick'73)! Calcul de descripteurs Source : A. Boucher, IFI, transparents de cours «texture»
16 Matrices de cooccurrences (Haralick'73) contraste=120 contraste=626 contraste=42 contraste=142 entropie=6.7 entropie=4.7 mdi=0.03 mdi=
17 Approche par bancs de filtre (Gabor)
18 Filtres de Gabor n Les filtres de Gabor sont le produit de Gaussiennes par des sinus ou des cosinus n n Sinus / cosinus : analyse en fréquences Gaussienne : différents niveaux de lissage (échelles) * = Gaussienne * Sinus/Cosinus = Gabor Source : C. Rasmussen, Texture, CIS 489/689 Computer Vision, Univ. of Delaware (USA)
19 Bancs de filtres : filtres de Gabor! Principe de l analyse de texture par banc de filtres : La texture est caractérisée par différentes statistiques (moyenne, variance, histograme, ) des réponses aux filtres (énergie).! Filtres de Gabor : Il s'agit de filtres extrayant une information fréquentielle localisée et orientée. Le filtre de Gabor horizontal en (0,0) de paramètres (σ 1, σ 2,f 0 ) est donné par : G θ,σ (x,y) = exp x 2 + 2σ 2 y 2 cos(2πλ x /σ) x = y cosθ sinθ x sinθ cosθ y! Application à l analyse de texture : 5-10 orientations et 5-10 fréquences.
20 Réponses impulsionnelles des filtres de Gabor Exemples à différentes échelles pour la direction horizontale Filtres anti-symétriques (impairs - sinus) Filtres symétriques (pairs - cosinus) Source : C. Rasmussen, Texture, CIS 489/689 Computer Vision, Univ. of Delaware (USA) 29
21 Bancs de filtres : filtres de Gabor Source : Y. Gousseau, Telecom Paris Tech
22 Bancs de filtres : filtres de Gabor Source : Y. Gousseau, Telecom Paris Tech
23 Image d'entrée Filtres de Gabor Banc de filtres Réponse des filtres à une échelle Source : A. Boucher, IFI, transparents de cours «texture» 30
24 Filtres de Gabor à différentes échelles Source : A. Boucher, IFI, transparents de cours «texture» 31
25 (s) Echelle des filtres Filtres de Gabor Partie réelle Partie imaginaire Orientation des filtres (o) Source : A. Boucher, IFI, transparents de cours «texture» 32
26 Décomposition en ondelettes Principe de l analyse de texture par ondelettes : Le principe est analogue à l utilisation d un banc de filtres. On utilise en général des trames d ondelettes redondantes, comportant plus de 3 orientations et invariantes par translation. Comme prédécemment, on peut caractériser les statistiques (moyenne, variance, histogramme) des coefficients d ondelettes dans chaque sousbande fréquentielle. Une solution alternative consiste à modéliser la distribution des coefficients dans chaque sous-bande, par exemple par un modèle gaussien généralisé : Dans ce cas, la texture est caractérisée par les paramètres des modèles de chaque sous-bande. ( ) ~ exp C k,l µ p C k,l Source : Y. Gousseau, Telecom Paris Tech σ γ
27 Mesure de similarité
28 Des descripteurs à la mesure de similarité Objectif : définir une distance (ou une mesure de similarité) entre deux textures A et B Cas des vecteurs de descripteurs dans R N : Distance euclidienne Distance de Mahalanobis: Cas des histogrammes : Distance de Battacharrya Divergence de Kullbakc-Leibler D(A;B) = x A x B 2 D(A;B) = ( x A x B ) t Σ 1 ( x A x B ) D(A;B) =1 p A (u) p B (u) Distance EMD (Eartth s Mover Distance) (Distance de Wassertein) The EMD measures the least amount of work needed to fill the holes with earth. Here, a unit of work corresponds to transporting a unit of earth by a unit of ground distance u D(A B) = u p A (u)log p (u) B p A (u)
29 Application: recherche par l exemple Decreasing response vector similarity Query image Ordered list of best matches from Forsyth & Ponce
30 Des descripteurs à la classification Méthodes de classification : Classifieur bayésien Analyse linéaire discriminante Classifieur non-linéaire (eg, SVM, Réseaux de neurones) Arbres de classification/forêts aléatoires.. Principe général Recherche d une fonction de discrimination dans l espace de description Caractérisation de la distribution des caractéristiques pour chaque classe
31 Méthodes de classification Principe généraux Formulation en termes de classification par apprentissage statistique Constitution d une base d images interprétées Utilisation de ces exemples pour généraliser des «règles» d interprétation élément à classer? classe A classe B
32 Classification supervisée Principe généraux Apprentissage On présente des exemples interprétés au système ; Le système apprend ; Il ajuste ses paramètres pour que la prédiction corresponde à la sortie désirée. Utilisation Nouveaux exemples à classer Propriétés de généralisation Techniques d apprentissage supevisé : réseaux de neurones, SVM
33 Classifieur par plus proche voisin You can use nearest neighbor classifiers if you have some way of defining distances between attributes The k-nearest neighbor classifier classifies a point based on the majority of the k closest training points
34 Classifieur par plus proche voisin Here is a plot I made using R showing the 1- nearest neighbor classifier on a 2- dimensional data set.
35 Réseaux de neurones Le Neurone Formel -Classe 1: a>0 -Classe 2: a<0 Classe 1 Séparateur linéaire Classe 2
36 Réseaux de neurones Le perceptron multicouche Neurones organisés en couches X : caractéristiques d entrée Y : prédiction (codage binaire) Comportement collectif des neurones : combinaison linéaire des réponses de chaque neurone
37 SVM (Support Vector Machines) Principe : problème linéaire à 2 classes Classe 2 Classe 1 Beaucoup de frontières peuvent séparées les deux classes. Laquelle est la meilleure?
38 SVM (Support Vector Machines) D
39 SVM (Support vector Machine) C-SVM SVs Optimisation quadratique Résolution H Maximiser la distance entre les éléments bien classés et l hyperplan H Minimiser la distance entre les éléments mal classés et l hyperplan H Solution : identification des SVs (Support Vectors)
40 SVM (Support Vector Machines) Application à la classification non-linéaire Solution : plonger le problème non-linéaire dans un nouvel espace de plus grande dimension où les données deviennent linéairement séparables Choix d un noyau caractérisant le nouvel espace caractéristique x x y Extension à la classification multi-classes : combinaison de classifieurs binaires z y
41 Decision trees / random forests Decision Trees for Churn Example: Change in consumption < Customer care calls Age Yes < 3 3 No Yes 55 < 26 55< & 26 Handset price No $150 <$150 No Yes
42 Quelle mesure de similarité? " Existe-t-il des descripteurs optimaux? Evaluation expérimentale des performances des descripteurs statistiques de texture Randen etal., IEEE PAMI, 1999 Conclusions : Pas de descripteurs optimaux dans tous les cas
43 Texture et caractérisation invariante
44 Propriétés d invariance recherchées Invariance aux conditions d acqusition des images Invariance géométrique : translation, rotation, zoom, transformation affine
45 Propriétés d invariance recherchées Invariance aux conditions d acqusition des images Invariance photométrique : invariance au changement de contraste Le changement de contraste entre deux images est une transformation ϕ de l image telle que: Φ(0) = 0 Φ(1) =1 Φ ʹ (x) 0
46 Méthodes de caractérisation invariante Méthodes globales : Calcul de statistiques invariantes à des transformations géométriques (rotation), e.g. cooccurrences sur des voisinages «circulaires» Calcul de statistiques invariantes à des changements de contraste linéaires, e.g. statistiques de différence d intensité pour des points voisins Méthodes locales : Extraction de points d intérêt (Détecteur de Harris, DoG, ) Caractérisation invariante des points d intérêt (eg, descripteur SIFT)
47 Principe : Méthodes basées sur l extraction de points d intérêt Détection de points anguleux «coins» : points de fort changement de contraste Eg, détecteur de Harris (Harris&Stephens 88) Coin = variations fortes de l intensité dans deux directions Cf., F4B402
48 Extraction de points d intérêt DescripteursSIFt (Lowe, 2000) Calcul des histogrammes des orientations dans 8 direction dans des fenêtres 4x4 autour du point d intérêt Invariance au changement de contraste et au changement d échelle Application à la caractérisation de textures : Définition d une distance entre vecteurs de descripteurs Caractérisation d une texture par l ensemble des points d intérêt et descripteurs SIFT associés
49 Description invariante des texture Exemple de résultats [base UIUC, Zhang et al., 2007]
50 Synthèse de texture
51 Synthèse de texture : principe image d'entrée SYNTHESE Texture infinie image générée Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
52 Synthèse de texture Catégories de méthodes utilisées : Modèle auto-régressifs Modèles de Gibbs (cf cours sur les champs de Markov) Méthodes par analyse en ondelettes : ajustement de statistiques des coefficients (eg, histogramme des coefficients à chaque niveau [Heeger & Bergen 95], statistiques d ordre supérieur [Portilla & Simoncelli, 99]) Méthode par ré-échantillonnage
53 Exemples (Efros et Leung) Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
54 Pas seulement un copier-coller Photo Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada). Répétition seulement
55 Exemple d algorithmes par rééchantillonnage [Efros & Leung] [Efros & Freeman, 2001] Source : Frank Dellaert, Texture, CS x495 Computer Vision, GaTech (USA).
56 Synthèse par ré-échantillonnage [Efros & Leung] Principe L idée est de considérer la texture comme la réalisation d un champs de Markov, mais au lieu d échantillonner à partir d un modèle du type Gibbs (dont les paramétres sont appris sur la texture), on échantillonne directement sur l image de départ A. La synthèse s effectue pixel par pixel. Pour chaque nouveau pixel de B, on suppose qu une partie de son voisinage est déjà synthétisé, et on cherche dans A le pixel dont le voisinage est le plus proche.
57 Synthèse par ré-échantillonnage [Efros & Leung] Source : Y. Gousseau, Telecom Paris Tech
58 bloc Texture d'entrée B1 B2 B1 B2 B1 B2 Placement aléatoire des blocs Recouvrement des blocs voisins Calcul de la frontière d'erreur minimale Source : Marc Pollefeys, Pyramids and textures, Comp256 Computer Vision, UNC (USA). 39
59 Frontière d erreur minimale Recouvrement de blocs Frontière verticale Erreur de recouvrement Erreur minimale Source : Marc Pollefeys, Pyramids and textures, Comp256 Computer Vision, UNC (USA). 40
60 Influence de la taille de l éhantillon Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
61 Résultats de synthèse Taille de l'échantillon Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
62 Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
63 Problèmes Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
64 Extrapolation d'images Source : David Lowe, Texture, CPSC 425: Computer Vision, UBC (Canada).
65 Extrapolation d images Source : Frank Dellaert, Texture, CS x495 Computer Vision, GaTech (USA).
66 Extrapolation d images Source : Frank Dellaert, Texture, CS x495 Computer Vision, GaTech (USA).
67 Références
68 Références " David Lowe, University of British columbia, " Frank Dellaert, Georgia Institute of Technology, static.cc.gatech.edu/classes/ay2005/cs4495_fall/09- Texture.ppt " Yann Gousseau, Telecom Paris, ~gousseau/ " Projet INRIA LEAR,
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 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 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 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 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 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 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 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 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 détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en 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 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 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 détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en 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 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 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 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 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 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 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 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 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 détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en 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 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 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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en 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 ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
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 détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
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 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 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 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 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 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 détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
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 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 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 détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
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 détailANALYSE STATISTIQUE PRÉDICTIVE
Yoshua Bengio Chaire de Recherche du Canada sur les Algorithmes d Apprentissage Statistique, Université de Montréal Charles Dugas ApSTAT Technologies Inc. Et Aviva Canada SALON INTELLIGENCE D AFFAIRE 8
Plus en détailÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS
ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS B. Badri 1 ; M. Thomas 1 ; S. Sassi 2 (1) Department of Mechanical Engineering,
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 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 détailExemple d application en CFD : Coefficient de traînée d un cylindre
Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations
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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en 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 détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
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 détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en 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 détailTechnique de compression des images médicales 4D
Technique de compression des images médicales 4D Leila Belhadef 1 et Zoulikha Mekkakia 1 1 Département d Informatique, USTO-MB, BP 1505 El Mnaouer, Oran, Algérie l.belhadef@gmail.com, mekkakia@univ-usto.dz
Plus en détailApproche par marquage pour l évaluation de la qualité d image dans les applications multimédias
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention
Plus en détailISO/CEI 11172-3 NORME INTERNATIONALE
NORME INTERNATIONALE ISO/CEI 11172-3 Première édition 1993-08-01 Technologies de l information - Codage de l image animée et du son associé pour les supports de stockage numérique jusqu à environ Ii5 Mbit/s
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
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 détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailAPPLICATION DE RESEAUX DE NEURONES ARTIFICIELS A LA RECONNAISSANCE AUTOMATIQUE DE CARACTERES MANUSCRITS
Faculté Polytechnique de Mons Dissertation originale présentée pour l obtention du grade de Docteur en Sciences Appliquées par Bernard GOSSELIN APPLICATION DE RESEAUX DE NEURONES ARTIFICIELS A LA RECONNAISSANCE
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en 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 détailPréparée au Laboratoire d'analyse et d'architecture des Systèmes du CNRS. Spécialité : Systèmes Automatiques. Par CLAUDIA VICTORIA ISAZA NARVAEZ
Année 2007 THÈSE Préparée au Laboratoire d'analyse et d'architecture des Systèmes du CNRS En vue de l'obtention du titre de Docteur de l'université de Toulouse, délivré par l Institut National des Sciences
Plus en détailApprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de
Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo Moez Baccouche To cite this version: Moez Baccouche. Apprentissage neuronal de caractéristiques
Plus en détail3615 SELFIE. http://graffitiresearchlab.fr HOW-TO / GUIDE D'UTILISATION
3615 SELFIE http://graffitiresearchlab.fr HOW-TO / GUIDE D'UTILISATION Hardware : Minitel Computer DIN FM545 45 connector (http://www.gotronic.fr/art-fiche-din-fm545-4747.htm) Cable Arduino compatible
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 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 détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
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 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 détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 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 détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en 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 détail2D-Differential Differential Gel Electrophoresis & Applications en neurosciences
2D-Differential Differential Gel Electrophoresis & Applications en neurosciences Jean-Etienne Poirrier Centre de Neurobiologie Cellulaire et Moléculaire Centre de Recherches du Cyclotron Université de
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 détailChapitre 18 : Transmettre et stocker de l information
Chapitre 18 : Transmettre et stocker de l information Connaissances et compétences : - Identifier les éléments d une chaîne de transmission d informations. - Recueillir et exploiter des informations concernant
Plus en détail