Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés

Dimension: px
Commencer à balayer dès la page:

Download "Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés"

Transcription

1 Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés Application à la surveillance apicole SOUTENANCE DE THÈSE DE Guillaume CHIRON LE Vendredi 28 novembre 2014 DIRECTEUR : Michel MÉNARD COENCADRANTE : Petra GOMEZ-KRÄMER octobre 2011 novembre 2014 Université de la Rochelle Ecole doctorale S2Im Laboratoire L3i Travaux financés par le CG 17 soutien avec les projets RISQAPI/EPERAS/FREDD Collaborations : - INRA Magneraud, - Muséum National d Histoire Naturelle

2 Contexte PRÉAMBULE ACQUISITION RGB-D Bio-indicatrice «sentinelle de l environnement» Menacée (déclin mondial) Enjeux sociétaux Soutiens financiers (FEDER, CG17, région, FranceAgrimer, ANR, FREDD) Informatique : fort potentiel (vision, signal, modélisation) Collaborations (INRA, MNHN, CEBC, FREDD, entreprises locales) Axe environnement (> 2011, L3i) 2

3 PRÉAMBULE Motivation Une application interdisciplinaire ACQUISITION RGB-D La surveillance apicole Angle d attaque innovant Extérieur de la ruche Collecter des données d une nature nouvelle Trajectoires de vol, 3D Comprendre les phénomènes biologiques émergents Comportement de la colonie 3

4 PRÉAMBULE Motivation Une application interdisciplinaire ACQUISITION RGB-D La surveillance apicole Angle d attaque innovant Extérieur de la ruche Collecter des données d une nature nouvelle Trajectoires de vol, 3D Comprendre les phénomènes biologiques émergents Comportement de la colonie 3

5 PRÉAMBULE Motivation Une application interdisciplinaire ACQUISITION RGB-D La surveillance apicole Angle d attaque innovant Extérieur de la ruche Collecter des données d une nature nouvelle Trajectoires de vol, 3D Comprendre les phénomènes biologiques émergents Comportement de la colonie 3

6 PRÉAMBULE Motivation Une application interdisciplinaire ACQUISITION RGB-D La surveillance apicole Angle d attaque innovant Extérieur de la ruche Collecter des données d une nature nouvelle Trajectoires de vol, 3D Comprendre les phénomènes biologiques émergents Comportement de la colonie 3

7 PRÉAMBULE Biologie Dispositif pour la surveillance de ruche ACQUISITION RGB-D Système de comptage : technologie RFID INRA Magneraud Identification lors des entrées / sorties : (histoire de vie de l abeille) (Streit 2003, Decourtye 2011) 4

8 PRÉAMBULE Vision par ordinateur Appliquée à l abeille ACQUISITION RGB-D Approche «Individu» Intérieur de la ruche, 2D, fort a priori Détection Trajectoire Comportement Approche «Colonie» (Maitra 2009) Passage à l échelle (Khan 2004) 5

9 PRÉAMBULE Vision par ordinateur Appliquée à l abeille ACQUISITION RGB-D Approche «Individu» Suivi d une abeille parmi d autres Détection Trajectoire Comportement (Feldman 2004) Approche «Colonie» Passage à l échelle (Khan 2004) 6

10 PRÉAMBULE Vision par ordinateur Appliquée à l abeille ACQUISITION RGB-D Approche «Individu» Détection d un comportement individuel Détection Trajectoire Comportement Approche «Colonie» (Veeraraghavan 2008) Passage à l échelle (Oh 2005) 7

11 PRÉAMBULE Vision par ordinateur Appliquée à l abeille ACQUISITION RGB-D Approche «Individu» Détection Travaux au L3i Compteur d abeilles Trajectoire Comportement (Blois 2011), Partenariat Apilab, L3i, INRA Avignon Valorisation : solutions commerciales Approche «Colonie» Passage à l échelle Partenariat Apilab, L3i, Azimut Plateforme PRESERVE, L3i 8

12 Problématique générale PRÉAMBULE ACQUISITION RGB-D Construire une chaîne de traitement permettant d observer et de modéliser des comportements de groupes d individus aux mouvements complexes, faiblement contraints, avec un minimum d a priori? 9

13 Challenges PRÉAMBULE ACQUISITION RGB-D Chaîne de traitement «Acquisition 3D Comportement» (scène extérieure, encombrée, dynamique ) Interdisciplinarité (partage d'expertise) Coté applicatif important (rigueur expérimentale) Approche novatrice (terra incognita) 10

14 Challenges PRÉAMBULE ACQUISITION RGB-D Chaîne de traitement «Acquisition 3D Comportement» (scène extérieure, encombrée, dynamique ) Interdisciplinarité (partage d'expertise) Coté applicatif important (rigueur expérimentale) Approche novatrice (terra incognita) 10

15 Challenges PRÉAMBULE ACQUISITION RGB-D Chaîne de traitement «Acquisition 3D Comportement» (scène extérieure, encombrée, dynamique ) Interdisciplinarité (partage d'expertise) Coté applicatif important (rigueur expérimentale) Approche novatrice (terra incognita) 10

16 Challenges PRÉAMBULE ACQUISITION RGB-D Chaîne de traitement «Acquisition 3D Comportement» (scène extérieure, encombrée, dynamique ) Interdisciplinarité (partage d'expertise) Coté applicatif important (rigueur expérimentale) Approche novatrice (terra incognita) 10

17 1 ACQUISITION RGB-D ET DÉTECTION DE CIBLES 2 PRÉAMBULE Plan SUIVI 3D MULTI-CIBLES 3 ACQUISITION RGB-D MODÉLISATION COMPORTEMENTALE 4 APPLICATION : SURVEILLANCE APICOLE 11

18 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES 1 ACQUISITION RGB-D ET DÉTECTION DE CIBLES Contexte théorique 12

19 PRÉAMBULE Problématique ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Cams. RGB Cam. Stéréo Cam. TOF Cam. Plénoptique Utilisation des informations «intensité et/ou profondeur» pour détecter et localiser des cibles évoluant en 3D dans des scènes naturellement encombrées. Séquence vidéo Image d intensité Image Image o o Carte Carte Carte de de profondeur profondeur profondeur o x Données : manquantes imprécises incertaines 13

20 PRÉAMBULE Problématique ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Cams. RGB Cam. Stéréo Cam. TOF Cam. Plénoptique Utilisation des informations «intensité et/ou profondeur» pour détecter et localiser des cibles évoluant en 3D dans des scènes naturellement encombrées. Séquence vidéo Image d intensité Image Image o o Carte Carte Carte de de profondeur profondeur profondeur o x Données : manquantes imprécises incertaines 13

21 PRÉAMBULE ACQUISITION & DÉTECTION formalisation Contraintes du milieu observé validation SUIVI 3D MULTI-CIBLES Verrous technologiques Milieu naturel, accès difficile Intrusion déconseillée Caractéristiques de scène Encombrée En extérieur Éclairage non-contrôlé Variabilité Nature des cibles Nombreuses Petite taille / scène Apparence instable Dynamique non contrainte Poissons (Beyan 13) Abeilles (Chiron 13) Chauves-souris (Betke 13) 14

22 PRÉAMBULE ACQUISITION & DÉTECTION formalisation Contraintes du milieu observé validation SUIVI 3D MULTI-CIBLES Verrous technologiques Milieu naturel, accès difficile Intrusion déconseillée Caractéristiques de scène Encombrée En extérieur Éclairage non-contrôlé Variabilité Nature des cibles Nombreuses Petite taille / scène Apparence instable Dynamique non contrainte Poissons (Beyan 13) Abeilles (Chiron 13) Chauves-souris (Betke 13) 14

23 PRÉAMBULE ACQUISITION & DÉTECTION formalisation Contraintes du milieu observé validation SUIVI 3D MULTI-CIBLES Verrous technologiques Milieu naturel, accès difficile Intrusion déconseillée Caractéristiques de scène Encombrée En extérieur Éclairage non-contrôlé Variabilité Nature des cibles Nombreuses Petite taille / scène Apparence instable Dynamique non contrainte Poissons (Beyan 13) Abeilles (Chiron 13) Chauves-souris (Betke 13) 14

24 PRÉAMBULE ACQUISITION & DÉTECTION formalisation Contraintes du milieu observé validation SUIVI 3D MULTI-CIBLES Verrous technologiques Milieu naturel, accès difficile Intrusion déconseillée Caractéristiques de scène Encombrée En extérieur Éclairage non-contrôlé Variabilité Nature des cibles Nombreuses Petite taille / scène Apparence instable Dynamique non contrainte Poissons (Beyan 13) Abeilles (Chiron 13) Chauves-souris (Betke 13) 14

25 PRÉAMBULE Etat de l art ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES [INTENSITÉ] Détection par modèle d apparence Cascade de classifieurs [Viola, Jones 2001] PROBLEME : Cibles similaires MAIS Apparences variées sur les images [INTENSITÉ] Soustraction d arrière plan Médiane adaptative, mixture de gaussiennes [Sobral 2014] PROBLEME : Conditions naturelles + Encombrement Modélisation difficile de l arrière plan [INTENSITÉ & PROFONDEUR] Détecteur RGB-D Fortement basé sur la carte de profondeur [Steiger 2009] PROBLEME : Plutôt adapté à des objets volumineux 15

26 PRÉAMBULE Etat de l art ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES [INTENSITÉ] Détection par modèle d apparence Cascade de classifieurs [Viola, Jones 2001] PROBLEME : Cibles similaires MAIS Apparences variées sur les images [INTENSITÉ] Soustraction d arrière plan Médiane adaptative, mixture de gaussiennes [Sobral 2014] PROBLEME : Conditions naturelles + Encombrement Modélisation difficile de l arrière plan [INTENSITÉ & PROFONDEUR] Détecteur RGB-D Fortement basé sur la carte de profondeur [Steiger 2009] PROBLEME : Plutôt adapté à des objets volumineux 15

27 PRÉAMBULE Etat de l art ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES [INTENSITÉ] Détection par modèle d apparence Cascade de classifieurs [Viola, Jones 2001] PROBLEME : Cibles similaires MAIS Apparences variées sur les images [INTENSITÉ] Soustraction d arrière plan Médiane adaptative, mixture de gaussiennes [Sobral 2014] PROBLEME : Conditions naturelles + Encombrement Modélisation difficile de l arrière plan [INTENSITÉ & PROFONDEUR] Détecteur RGB-D Fortement basé sur la carte de profondeur [Steiger 2009] PROBLEME : Plutôt adapté à des objets volumineux 15

28 PRÉAMBULE Etat de l art ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES [INTENSITÉ] Détection par modèle d apparence Cascade de classifieurs [Viola, Jones 2001] PROBLEME : Cibles similaires MAIS Apparences variées sur les images [INTENSITÉ] Soustraction d arrière plan Médiane adaptative, mixture de gaussiennes [Sobral 2014] PROBLEME : Conditions naturelles + Encombrement Modélisation difficile de l arrière plan [INTENSITÉ & PROFONDEUR] Détecteur RGB-D Fortement basé sur la carte de profondeur [Steiger 2009] PROBLEME : Plutôt adapté à des objets volumineux Problèmes d appariement 15

29 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée 16

30 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée 16

31 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée 16

32 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée 16

33 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée zone appariée contrainte prof. cible 3D 16

34 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation Problèmes liés aux défauts d appariement SUIVI 3D MULTI-CIBLES Intensité Profondeur Zone non appariée zone appariée contrainte prof. cible 3D zone non- appariée mouvement cible 2D (profondeur inconnue) 16

35 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 DDTM Undetermined Depth Mask (UDM) - UDTM IAMM - IRMM Mouvement local dilatation (morph.) ForeGround (FG) 17

36 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 DDTM Undetermined Depth Mask (UDM) - UDTM IAMM Mouvement globale - IRMM dilatation (morph.) ForeGround (FG) 18

37 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 DDTM Cibles appariées Undetermined Depth Mask (UDM) dilatation (morph.) - UDTM IAMM - IRMM ForeGround (FG) 19

38 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 DDTM Undetermined Depth Mask (UDM) dilatation (morph.) - UDTM IAMM Cibles non-appariées - IRMM ForeGround (FG) 20

39 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 Undetermined Depth Mask (UDM) DDTM UDTM - dilatation Cibles (morph.) en vol IAMM - IRMM ForeGround (FG) 3D 2D 21

40 PRÉAMBULE Solution proposée ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Segmentation HIDS - Tirer le meilleur parti du couple «intensité/profondeur» PROFONDEUR D t Intensity BackGround (IBG) INTENSITÉ Depth BackGround (DBG) > filtre (morph.) =0 =0 - - filtre (morph.) seuil I t - filtre (morph.) seuil I t+1 Adaptation du modèle d arrière plan DDTM Undetermined Depth Mask (UDM) - UDTM IAMM - IRMM (contraint par IRMM) dilatation (morph.) ForeGround (FG) 22

41 PRÉAMBULE ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES 1 ACQUISITION RGB-D ET DÉTECTION DE CIBLES Mise en œuvre & Validation 23

42 PRÉAMBULE Mise en œuvre et validation ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Stéréovision : G3 Evo (752 Acquisition de séquences de tests 24

43 PRÉAMBULE Mise en œuvre et validation ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Stéréovision : G3 Evo (752 Acquisition de séquences de tests 24

44 Taille (px) PRÉAMBULE Evaluation ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Vérité terrain 500 couples 928 abeilles annotées Triple annotations Résultats Cibles non-détectées : 4,5% Fausses détections : 19,54% Profondeur (mm) 25

45 Taille (px) PRÉAMBULE Evaluation ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Vérité terrain 500 couples 928 abeilles annotées Triple annotations Résultats Cibles non-détectées : 4,5% Fausses détections : 19,54% Profondeur (mm) 25

46 Taille (px) PRÉAMBULE Evaluation ACQUISITION & DÉTECTION formalisation validation SUIVI 3D MULTI-CIBLES Vérité terrain 500 couples 928 abeilles annotées Triple annotations Résultats Cibles non-détectées : 4,5% Fausses détections : 19,54% Profondeur (mm) 25

47 PRÉAMBULE ACQUISITION & DÉTECTION Bilan SUIVI 3D MULTI-CIBLES Contributions 1. Segmentation HIDS mouvement relatif (différence d image d intensité) mouvement absolu (modèle adaptatif d arrière plan d intensité) information de profondeur (modèle d arrière plan) Publications Chiron G., Gomez-Krämer P., Ménard M. Detecting and tracking honeybees in 3D at the beehive entrance using stereo vision Journal EURASIP (JIVP), 2013 Chiron G., Gomez-Krämer P., Ménard M. Outdoor 3D Acquisition System for Small and Fast Targets. Application to honeybee monitoring at the beehive entrance Workshop GEODIFF, Barcelone,

48 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. 2 SUIVI 3D MULTI-CIBLES Contexte théorique 27

49 ACQUISITION & DÉTECTION Problématique SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Reconstruire des trajectoires 3D dans un contexte de - données incomplètes, - densité importante autour des zones d intérêt. Minimisation de l a priori. 28

50 ACQUISITION & DÉTECTION Etat de l art SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Filtrage particulaire Filtre PHD (Mahler 2003) (Doucet 2001) Filtrage de Kalman + Association de cibles (e.g. GNN) (Kalman 1960, Blackman 1986) 29

51 ACQUISITION & DÉTECTION Etat de l art SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Filtrage particulaire Filtre PHD (Mahler 2003) (Doucet 2001) Filtrage de Kalman + Association de cibles (e.g. GNN) (Kalman 1960, Blackman 1986) => Nombreuses extensions/variantes : cibles entrantes / sortantes multi-hypothèses plusieurs modes cas non-linéaire occultations 29

52 ACQUISITION & DÉTECTION Etat de l art SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Filtrage particulaire Filtre PHD (Mahler 2003) (Doucet 2001) Filtrage de Kalman + Association de cibles (e.g. GNN) (Kalman 1960, Blackman 1986) => Nombreuses extensions/variantes : cibles entrantes / sortantes multi-hypothèses plusieurs modes cas non-linéaire occultations Nécessité de proposer de nouvelles méthodes pour répondre à notre problématique. 29

53 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] O 1 (2D + d) O 2 O 3 O 4 (2D +? ) Mesure 3D Mesure 2D REPÈRE IMAGE 30

54 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] O 1 (2D + d) O 2 O 3 O 4 (2D +? ) + O 1 (x,y,z) + + O 3 Mesure 3D Mesure 2D Caméra en [0,0,0] REPÈRE IMAGE REPÈRE DU MONDE RÉEL (Suivi effectué en 3D dans le monde réel) Projection (paramètres du capteur) 30

55 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] 1) Prédiction (x,y,z) O 1 (2D + d) O 2 O 3 O 4 (2D +? ) + O 1 (x,y,z) + + O 3 o Mesure 3D Mesure 2D Caméra en [0,0,0] REPÈRE IMAGE REPÈRE DU MONDE RÉEL (Suivi effectué en 3D dans le monde réel) Projection (paramètres du capteur) 30

56 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] 1) Prédiction (x,y,z) O 1 (2D + d) O 2 O 3 O 4 (2D + d? ) + O 1 (x,y,z) + + O 3 o Mesure 3D Mesure 2D Caméra en [0,0,0] REPÈRE IMAGE REPÈRE DU MONDE RÉEL (Suivi effectué en 3D dans le monde réel) Projection (paramètres du capteur) 30

57 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] 1) Prédiction (x,y,z) O 1 (2D + d) O 2 O 3 O 4 (2D + d? ) 3) projection en 3D o et correction O 1 (x,y,z) + O 3 O 4 (x,y,z) Mesure 3D Mesure 2D Caméra en [0,0,0] REPÈRE IMAGE REPÈRE DU MONDE RÉEL (Suivi effectué en 3D dans le monde réel) Projection (paramètres du capteur) 30

58 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation Contrib. 1 Observations incomplètes validation MODÉLISATION COMP. Méthode pour la gestion des informations partielles (e.g. absence de profondeur) Origine en [0,0] O 1 (2D + d) O 2 Mesure 3D Mesure 2D o O 3 + O 3 Caméra en [0,0,0] + O 1 (x,y,z) + + 4) Prédiction o (x,y,z) REPÈRE IMAGE REPÈRE DU MONDE RÉEL (Suivi effectué en 3D dans le monde réel) Projection (paramètres du capteur) 30

59 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association Observations o 31

60 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association Observations o «Zone non-contrainte» 31

61 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association 1 ère APPROCHE «avec a priori» : Modèle d interaction «Trajectoire / Structure de la scène» Observations o «Zone non-contrainte» 31

62 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association 1 ère APPROCHE «avec a priori» : Modèle d interaction «Trajectoire / Structure de la scène» Observations o «Zone non-contrainte» 31

63 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association 1 ère APPROCHE «avec a priori» : Modèle d interaction «Trajectoire / Structure de la scène» Observations Incertitude (fonction de la distance) o «Zone non-contrainte» distance 31

64 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2a Dynamique adaptée à la scène MODÉLISATION COMP. Problème : Zones d intérêt Concentration importante Erreur d association 1 ère APPROCHE «avec a priori» : Modèle d interaction «Trajectoire / Structure de la scène» Observations Incertitude (fonction de la distance) o «Zone non-contrainte» distance 31

65 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont 32

66 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont 32

67 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont Requête 32

68 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont Requête Réponse 32

69 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont Requête Réponse Estimation 32

70 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Contrib. 2b Dynamique adaptée à la scène MODÉLISATION COMP. 2 ème APPROCHE «avec minimisation de l a priori» : Suivi via une «bibliothèque» de trajectoires établies en amont Prédiction du filtre Kalman Requête Réponse Estimation Remplacement ou combinaison 32

71 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. 2 SUIVI 3D MULTI-CIBLES Mise en œuvre & Validation 33

72 ACQUISITION & DÉTECTION SUIVI 3D MULTI-CIBLES formalisation validation Mise en œuvre Suivi avec un minimum d a priori MODÉLISATION COMP. Contexte 2D Contexte 3D (tolérance sur la profondeur lors du requêtage) 34

73 Résultat ACQUISITION & DÉTECTION Evaluation SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Vérité terrain «semi-simulée» 200 trajectoires en 3D (corpus vidéo de test «Abeille») Génération aléatoire de scénarios Méthode d association GNN MHT Comparaison des 3 contributions (scénario difficile) Contrib. 1 - Gestion des obs. incomplètes Contrib. 2a - Avec a priori (modèle 3D) Contrib. 2b - A priori limité (biblio. traj) A² 35

74 Résultat ACQUISITION & DÉTECTION Evaluation SUIVI 3D MULTI-CIBLES formalisation validation MODÉLISATION COMP. Vérité terrain «semi-simulée» 200 trajectoires en 3D (corpus vidéo de test «Abeille») Génération aléatoire de scénarios Méthode d association GNN MHT Comparaison des 3 contributions (scénario difficile) Contrib. 1 - Gestion des obs. incomplètes Contrib. 2a - Avec a priori (modèle 3D) Contrib. 2b - A priori limité (biblio. traj) 35

75 ACQUISITION & DÉTECTION Contributions SUIVI 3D MULTI-CIBLES Bilan MODÉLISATION COMP. 1. Gestion des observations incomplètes (e.g. 2D/3D) 2. Adaptation du suivi en fonction de la structure de la scène : a. Méthode à hypothèse forte b. Méthode limitant l a priori 3. Modélisation de surface via l information de profondeur 4. Implémentation d algorithmes complexes (e.g. MHT) Publications Chiron G., Gomez-Krämer P., Ménard M., Requier F. 3D Tracking of Honeybees Enhanced by Environmental Context Conférence ICIAP, Naples, 2013 Chiron G., Gomez-Krämer P., Ménard M. 3D tracking based on possibilities rather than probabilities. Application to flying honeybees at the beehive entrance Workshop VAIB, Stockholm,

76 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE 3 MODÉLISATION COMPORTEMENTALE Contexte théorique 37

77 SUIVI 3D MULTI-CIBLES Problématique MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Détecter et modéliser des comportements récurrents à partir d un ensemble structuré de données. Minimisation de l a priori. 38

78 SUIVI 3D MULTI-CIBLES Etat de l art MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Données éparses Comportements locaux (e.g. annotation de trajectoires) Données denses Comportements globaux (e.g. classif. de mouvements de foule) K-means + HMM (Feldman 2005) «sac de mots» (Mehran 2009) 39

79 SUIVI 3D MULTI-CIBLES Etat de l art MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Données éparses Comportements locaux (e.g. annotation de trajectoires) Données denses Comportements globaux (e.g. classif. de mouvements de foule) K-means + HMM (Feldman 2005) «sac de mots» (Mehran 2009) 39

80 SUIVI 3D MULTI-CIBLES Etat de l art MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Données éparses Comportements locaux (e.g. annotation de trajectoires) Données denses Comportements globaux (e.g. classif. de mouvements de foule) K-means + HMM (Feldman 2005) «sac de mots» (Mehran 2009) Données éparses Comportements globaux 39

81 SUIVI 3D MULTI-CIBLES Etat de l art MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Données éparses Comportements locaux (e.g. annotation de trajectoires) Données denses Comportements globaux (e.g. classif. de mouvements de foule) K-means + HMM (Feldman 2005) «sac de mots» (Mehran 2009) Données éparses Comportements globaux Approches «bayésiennes non-paramétriques» Agrégation de données avec un minimum d a priori. 39

82 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système Système multi-agents test Comportements? individuels (trajectoires) Trajectoires - Peu de paramètres - Simulation de trajectoires sans modèle Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

83 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système Système multi-agents test Comportements? individuels (trajectoires) Trajectoires - Peu de paramètres - Simulation de trajectoires sans modèle Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

84 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système Système multi-agents test Comportements? individuels (trajectoires) Trajectoires - Peu de paramètres - Simulation de trajectoires sans modèle Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

85 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système Système multi-agents test Comportements? individuels (trajectoires) - Peu de paramètres - Simulation de trajectoires sans modèle Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

86 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système Système multi-agents test Comportements? individuels (trajectoires) - Peu de paramètres - Simulation de trajectoires sans modèle Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

87 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Contribution Montée en sémantique APPLICATION APICOLE Phénomènes émergents Clusters d éléments similaires Comportements globaux Agrégation - Minimum d a priori (MLC-HDP) Système multi-agents - Peu de paramètres - Simulation de trajectoires sans modèle Comportements individuels (trajectoires) Structuration de l info. - Calcul des signatures - Organisation hiérarchique (segmentation temporelle multi-échelles) Signatures structurées (e.g. 3 échelles temporelles) (Wulsin 2012) config. à 3 niveaux 40

88 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux 41

89 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux 41

90 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux 41

91 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux 41

92 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux Activités (Niv. 2) 41

93 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux Activités (Niv. 2) 41

94 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux Comportements (Niv. 3) Activités (Niv. 2) 41

95 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux Comportements (Niv. 3) Poids =1 Activités (Niv. 2) 41

96 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Structure hiérarchique et agrégation validation APPLICATION APICOLE Agrégation de portions de vidéos (à différentes échelles) en entités sémantiques Corpus vidéo Capture 1 Capture 2 Capture 3 Trajectoires : Entités sémantiques hiérarchisées selon une structure à plusieurs niveaux Comportements (Niv. 3) Poids =1 Activités (Niv. 2) Atomes d activité (Niv. 1) Signatures de trajectoires 41

97 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Méthodes bayésiennes non-paramétriques APPLICATION APICOLE Dirichlet Process Mixture DPM (Ferguson 1973) Clustering avec un minimum d a priori «k» estimé à partir des données Hierachical DPM HDPM (Teh 2006) Multi-level of Clustering HDP MLC-HDP (Wulsin 2012) SousClip 1 DPM SousClip 2 DPM SousClip 3 DPM c 1 c 3 c 5 c6 c 7 c 2 c 4 42

98 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Méthodes bayésiennes non-paramétriques APPLICATION APICOLE Dirichlet Process Mixture DPM (Ferguson 1973) Données groupées, partage des clusters Solution globale optimale Pondération des clusters sur chaque élément Hierachical DPM HDPM (Teh 2006) CAPTURE 1 DP Multi-level of Clustering HDP MLC-HDP (Wulsin 2012) SousClip 1 DPM SousClip 2 DPM SousClip 3 DPM c 1 c 1 c 1 c 3 c 3 c 3 c 2 c 2 c 2 43

99 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Méthodes bayésiennes non-paramétriques APPLICATION APICOLE Dirichlet Process Mixture DPM (Ferguson 1973) Clustering à différents niveaux CORPUS VIDEO DP Hierachical DPM HDPM (Teh 2006) CAPTURE 1 DP CAPTURE 2 DP Multi-level of Clustering HDP MLC-HDP (Wulsin 2012) SousClip 1 DPM SousClip 2 DPM SousClip 3 DPM c 1 c 1 c 1 c 3 c 3 c 3 c 2 c 2 c 2 44

100 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Validation : Système multi-agents validation APPLICATION APICOLE Simulation de comportements à différents niveaux Comportements globaux Variables globales d environnement (e.g. quantité de nourriture, distribution de la population) Comportements locaux Trajectoires générées (agents mobiles, dynamique non définie par un modèle de traj.) Abeilles (Chiron 14) Fourmis (Wilensky 97) Proies/Prédateurs (Wilensky 97) 45

101 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Validation : Système multi-agents validation APPLICATION APICOLE Simulation de comportements à différents niveaux Comportements globaux Variables globales d environnement (e.g. quantité de nourriture, distribution de la population) Comportements locaux Trajectoires générées (agents mobiles, dynamique non définie par un modèle de traj.) Abeilles (Chiron 14) Fourmis (Wilensky 97) Proies/Prédateurs (Wilensky 97) 45

102 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation Validation : Système multi-agents validation APPLICATION APICOLE Simulation de comportements à différents niveaux Comportements globaux Variables globales d environnement (e.g. quantité de nourriture, distribution de la population) Comportements locaux Trajectoires générées (agents mobiles, dynamique non définie par un modèle de traj.) Abeilles (Chiron 14) Fourmis (Wilensky 97) Proies/Prédateurs (Wilensky 97) 45

103 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE 3 MODÉLISATION COMPORTEMENTALE Mise en œuvre & Validation 46

104 SUIVI 3D MULTI-CIBLES Signature d une trajectoire MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Caractéristiques intrinsèques Caractéristiques globales 47

105 SUIVI 3D MULTI-CIBLES Signature d une trajectoire MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Caractéristiques intrinsèques Caractéristiques globales Trajectoire Fonction de Distance Centrée (Bashir 2006) Vecteur : moyenne, écart-type, min., max., asymétrie 47

106 SUIVI 3D MULTI-CIBLES Signature d une trajectoire MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Caractéristiques intrinsèques Caractéristiques globales Trajectoire Fonction de Distance Centrée (Bashir 2006) Vecteur : moyenne, écart-type, min., max., asymétrie 47

107 SUIVI 3D MULTI-CIBLES Signature d une trajectoire MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Caractéristiques intrinsèques Caractéristiques globales 2D Trajectoire Vecteur : maillage de la scène + temps de présence. (réduction dimensionnelle via une ACP globale) Fonction de Distance Centrée (Bashir 2006) Vecteur : moyenne, écart-type, min., max., asymétrie 47

108 SUIVI 3D MULTI-CIBLES Signature d une trajectoire MODÉLISATION COMPORTEMENTALE formalisation validation APPLICATION APICOLE Caractéristiques intrinsèques Caractéristiques globales 2D Trajectoire Vecteur : maillage de la scène + temps de présence. (réduction dimensionnelle via une ACP globale) Fonction de Distance Centrée (Bashir 2006) 3D Par rapport à un plan de référence Angles moyens H et V de la trace Distance moyenne Vecteur : moyenne, écart-type, min., max., asymétrie 47

109 Poids Qté SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 2 «Activités» (petite échelle) Simulation d une capture Montée en sémantique 3D Source1 Source2 Source3 Temps EMERGENCE Sortie ruche (libre) Récolte source 1 Récolte source 2 Récolte source 3 Exploration (libre) OBSERVATIONS (interprétations) Modèle inspiré de (Figueroa 09) Paramètres du modèle : Communication = 80 % Sensibilité = 80 % Activité associée à chaque SousClip Atomes d act. AGGREGATON (MLC-HDP) 48

110 Poids Qté SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 2 «Activités» (petite échelle) Simulation d une capture Montée en sémantique 3D Source1 Source2 Source3 Temps EMERGENCE Sortie ruche (libre) Récolte source 1 Récolte source 2 Récolte source 3 Exploration (libre) OBSERVATIONS (interprétations) Modèle inspiré de (Figueroa 09) Paramètres du modèle : Communication = 80 % Sensibilité = 80 % Activité associée à chaque SousClip Atomes d act. AGGREGATON (MLC-HDP) 48

111 Poids Qté SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 2 «Activités» (petite échelle) Simulation d une capture Montée en sémantique 3D Source1 Source2 Source3 Temps EMERGENCE Sortie ruche (libre) Récolte source 1 Récolte source 2 Récolte source 3 Exploration (libre) OBSERVATIONS (interprétations) Modèle inspiré de (Figueroa 09) Paramètres du modèle : Communication = 80 % Sensibilité = 80 % Activité associée à chaque SousClip Atomes d act. AGGREGATON (MLC-HDP) 48

112 Poids Qté SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 2 «Activités» (petite échelle) Simulation d une capture Montée en sémantique 3D Source1 Source2 Source3 Temps EMERGENCE Sortie ruche (libre) Récolte source 1 Récolte source 2 Récolte source 3 Exploration (libre) OBSERVATIONS (interprétations) Modèle inspiré de (Figueroa 09) Paramètres du modèle : Communication = 80 % Sensibilité = 80 % Activité associée à chaque SousClip Atomes d act. AGGREGATON (MLC-HDP) 48

113 Poids Qté SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 2 «Activités» (petite échelle) Simulation d une capture Montée en sémantique 3D Source1 Source2 Source3 Temps EMERGENCE Sortie ruche (libre) Récolte source 1 Récolte source 2 Récolte source 3 Exploration (libre) OBSERVATIONS (interprétations) Modèle inspiré de (Figueroa 09) Paramètres du modèle : Communication = 80 % Sensibilité = 80 % Activité Atomes d act. AGGREGATON (MLC-HDP) 48

114 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE formalisation validation Mise en œuvre d un SMA pour l évaluation APPLICATION APICOLE Niv. 3 «Comportements» Simulation de 80 captures 49

115 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE Mise en œuvre d un SMA pour l évaluation Niv. 3 «Comportements» Modélisation formalisation validation APPLICATION APICOLE Comportement 50

116 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE Mise en œuvre d un SMA pour l évaluation Niv. 3 «Comportements» Synthèse des résultats formalisation validation APPLICATION APICOLE Comportement 51

117 SUIVI 3D MULTI-CIBLES MODÉLISATION COMPORTEMENTALE Bilan APPLICATION APICOLE Contributions 1. Montée en sémantique : Trajectoires Comportements globaux Structuration des données multi-échelle Regroupement d éléments via une approche HDP > 2 niveaux 2. Signatures de trajectoires 2D et 3D 3. Modèle multi-agents «Colonie d abeilles» Publications Chiron G., Gomez-Krämer P., Ménard M. Discovering Emergent Behaviors from Tracks Using Hierarchical Non-parametric Bayesian Methods Conférence ICPR, Stockholm, 2014 Chiron G., Gomez-Krämer P., Ménard M. Approche Bayésienne non paramétrique pour la découverte de comportements émergents à partir de trajectoires Conférence RFIA, Rouen,

118 MODÉLISATION COMP. APPLICATION APICOLE CONCLUSION 4 APPLICATION : SURVEILLANCE APICOLE 53

119 Lecteur RFID MODÉLISATION COMP. Protocoles expérimentaux APPLICATION APICOLE CONCLUSION 2 projets interdisciplinaires : RISQAPI (Abeilles vs. Frelon) EPERAS (Abeilles vs. Pesticide) Suivi d une colonie pendant 5 semaines Calendrier des interventions (été 2013) 7 cohortes introduites progressivement 3 niveaux d intoxication (thiamétoxam) 54

120 Lecteur RFID MODÉLISATION COMP. Protocoles expérimentaux APPLICATION APICOLE CONCLUSION 2 projets interdisciplinaires : RISQAPI (Abeilles vs. Frelon) EPERAS (Abeilles vs. Pesticide) Suivi d une colonie pendant 5 semaines Calendrier des interventions (été 2013) 7 cohortes introduites progressivement 3 niveaux d intoxication (thiamétoxam) 54

121 MODÉLISATION COMP. APPLICATION APICOLE Mise en œuvre de la chaîne de traitement CONCLUSION > 20h de vidéos cumulées, par séquences de 15 min. 55

122 MODÉLISATION COMP. APPLICATION APICOLE Mise en œuvre de la chaîne de traitement CONCLUSION 56

123 MODÉLISATION COMP. APPLICATION APICOLE Mise en œuvre de la chaîne de traitement CONCLUSION 57

124 MODÉLISATION COMP. APPLICATION APICOLE Mise en œuvre de la chaîne de traitement CONCLUSION Structuration à 3 échelles : Capture (15 min) SousClip (1 min) e.g. essaimage t e.g. départ direct e.g. pression du frelon Corpus composé de : 74 Captures 1001 SousClips Signatures 58

125 MODÉLISATION COMP. APPLICATION APICOLE Mise en œuvre de la chaîne de traitement CONCLUSION 1 point par signature de trajectoire 59

126 MODÉLISATION COMP. Résultats APPLICATION APICOLE CONCLUSION 60

CV ACADEMIQUE. Suivi de l'école d'été IPCV "Intensive Program on Computer Vision" University of Koblenz, Allemagne

CV ACADEMIQUE. Suivi de l'école d'été IPCV Intensive Program on Computer Vision University of Koblenz, Allemagne Guillaume CHIRON Docteur informatique (ATER) rattaché au Laboratoire L3i, Université de la Rochelle né le 27/05/1987 à Cholet (49) guillaume.chiron@univ-lr.fr +33 5 46 45 82 62 (secrétariat), 70 92 (interne)

Plus en détail

UNIVERSITÉ DE LA ROCHELLE. ÉCOLE DOCTORALE S2IM Laboratoire L3i (Informatique, Image et Interaction) THÈSE présentée par : Guillaume CHIRON

UNIVERSITÉ DE LA ROCHELLE. ÉCOLE DOCTORALE S2IM Laboratoire L3i (Informatique, Image et Interaction) THÈSE présentée par : Guillaume CHIRON UNIVERSITÉ DE LA ROCHELLE ÉCOLE DOCTORALE S2IM Laboratoire L3i (Informatique, Image et Interaction) THÈSE présentée par : Guillaume CHIRON soutenue le : 28 novembre 2014 pour obtenir le grade de : Docteur

Plus en détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

Plus en détail

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 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 détail

Maintien des personnes âgées à domicile

Maintien des personnes âgées à domicile Maintien des personnes âgées à domicile Enjeux scientifiques et technologiques liés à la vision par ordinateur Christian Wolf http://liris.cnrs.fr/christian.wolf Introduction Sommaire Les données et les

Plus en détail

La thématique Traitement Statistique de l Information à TL1

La thématique Traitement Statistique de l Information à TL1 La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet 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 détail

Introduction au datamining

Introduction 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 détail

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains Vincent DELCOURT ASC 1 Contexte: Introduction: Besoin Les actes de malveillance et les agressions sur le réseau SNCF

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Francis JAMBON Laboratoire d Informatique de Grenoble

Francis JAMBON Laboratoire d Informatique de Grenoble Francis JAMBON Laboratoire d Informatique de Grenoble Mise en œuvre de l oculométrie dans différents contextes d usage Analyse ergonomique Tuteurs intelligents IHM adaptatives Interaction via le regard

Plus en détail

ispace&time ANR CONTINT 2010

ispace&time ANR CONTINT 2010 ispace&time ANR CONTINT 2010 Cartographie et rendu 4D de l'espace public avec simulations de flux piétons et voitures pour l'aménagement urbain: Le projet ANR ispace&time Journées Recherche IGN 24 avril

Plus en détail

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Christelle Garnier Télécom Lille / LAGIS UMR CNRS 829 Contexte Utilisation accrue de caméras dans de nombreux domaines d application

Plus en détail

Relever les défis des véhicules autonomes

Relever les défis des véhicules autonomes EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,

Plus en détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan 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 détail

Analyse des déplacements des objets mobiles : définition de comportements types

Analyse des déplacements des objets mobiles : définition de comportements types Analyse des déplacements des objets mobiles : définition de comportements types Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Les déplacements L analyse des déplacements

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

DIVAS SUIVI de MOTOS. Livrable n 2.A.4

DIVAS SUIVI de MOTOS. Livrable n 2.A.4 D I V AS ANR PROJET DIVAS - ANR Dialogue Infrastructure Véhicules pour Améliorer la Sécurité routière DIVAS SUIVI de MOTOS Livrable n 2.A.4 Date: Novembre 2008 Version: 1.0 Partenaire(s) : LCPC Responsable

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

Exploitation des Réseaux R pour la reconnaissance de comportement d objets d. à partir d images d. de vidéosurveillance

Exploitation des Réseaux R pour la reconnaissance de comportement d objets d. à partir d images d. de vidéosurveillance Exploitation des Réseaux R Bayésiens pour la reconnaissance de comportement d objets d à partir d images d de vidéosurveillance Sujet de thèse : Présent sentée e par: hmed Ziani Encadrements : Mr C. Motamed,,

Plus en détail

Traitement de l image

Traitement de l image Traitement de l image Vidéosurveillance + + Détection et reconnaissance d objets + + Suivi d objets et de personnes + + Analyse automatique de scènes Multimédia + + Classification interactive de données

Plus en détail

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln. MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

Plus en détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Audition candidature thèse IFSTTAR début Septembre 2013 Christophe CONIGLIO

Audition candidature thèse IFSTTAR début Septembre 2013 Christophe CONIGLIO Sujet de thèse : «Détection, suivi et ré-identification de passagers dans un réseau de cameras. Application à la gestion des flux de voyageurs en contexte multimodal». Audition candidature thèse IFSTTAR

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Soutenance de Thèse. Analyses statistiques des communications sur puce

Soutenance de Thèse. Analyses statistiques des communications sur puce Soutenance de Thèse Analyses statistiques des communications sur puce Antoine Scherrer LIP - ENS Lyon Equipe Compsys 11 décembre 26 A. Scherrer - Analyses statistiques des communications sur puce 1 / 4

Plus en détail

IMN459 - Fondements de la vision par ordinateur

IMN459 - Fondements de la vision par ordinateur IMN459 - Fondements de la vision par ordinateur Chapitre 1 Introduction 1. Acquisition IMN117 2. Traitement IMN259 Scène 3D Caméra optique Une ou plusieurs images 2D Caractéristiques bas niveaux (contours,

Plus en détail

en environnement intérieur pour l'indexation de vidéo issue de caméra portée

en environnement intérieur pour l'indexation de vidéo issue de caméra portée Reconstruction et localisation 3D en environnement intérieur pour l'indexation de vidéo issue de caméra portée H. Wannous, V. Dovgalecs, R. Mégret* IMS - Projet IMMED / ANR 09-BLAN BLAN-0165 0165-01 *remi.megret@ims-bordeaux.fr

Plus en détail

pour la Réalité Augmentée

pour la Réalité Augmentée Analyse d Image 3D pour la Réalité Augmentée Jean-Marc Vezien vezien@limsi.fr Master Recherche RV&A Janvier 2011 La 3D comment? Les capteurs et les techniques pour l acquisition de la 3D Capteurs actifs

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

Acquisition de vidéos HDR multi-vues

Acquisition de vidéos HDR multi-vues Acquisition de vidéos HDR multi-vues Directrice de thèse : Céline LOSCOS Encadrant : Gilles VALETTE Séminaire CReSTIC SIC Le 19 janvier 2012 Jennifer BONNARD Jennifer BONNARD Sommaire Introduction État

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Fouille de données de mobilité

Fouille de données de mobilité Fouille de données de mobilité Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Laurent Etienne Ecole Navale (Brest) Laurent.etienne@ecole-navale.fr La fouille de donnée

Plus en détail

Caractérisation des composantes constitutives de la courbe de charge électrique cas du secteur résidentiel

Caractérisation des composantes constitutives de la courbe de charge électrique cas du secteur résidentiel Caractérisation des composantes constitutives de la courbe de charge électrique cas du secteur résidentiel Mabrouka El Guedri (Thèse CIFRE) G. Fleury : directeur de thèse C. Lajaunie : co-directeur de

Plus en détail

Monitoring elderly People by Means of Cameras

Monitoring elderly People by Means of Cameras Nuadu project Technologies for Personal Hearth Seminar, June 4th, 2009 Monitoring elderly People by Means of Cameras Laurent LUCAT Laboratory of Embedded Vision Systems CEA LIST, Saclay, France 1 Summary

Plus en détail

DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD

DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD Vers une reconsidération des modèles d évaluation de stocks afin d explorer les mécanismes écologiques en lien avec ce déclin Maxime

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux 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 détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX Jean-Loup Guillaume Le cours http://jlguillaume.free.fr/www/teaching/syrres/ Exemple 1 : Expérience de Milgram Objectif faire transiter une lettre depuis les Nebraska à un

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Détection des deux roues motorisés par télémétrie laser à balayage

Détection des deux roues motorisés par télémétrie laser à balayage MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie

Plus en détail

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Vision par ordinateur : Un tour d horizon Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Séance II : Panoramas en environnement déformable Panoramas en environnement rigide Représentation minimale d un

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. 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 détail

Apprentissage Automatique

Apprentissage 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 détail

Graphes, réseaux et internet

Graphes, réseaux et internet Graphes, réseaux et internet Clémence Magnien clemence.magnien@lip6.fr LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,...

Plus en détail

Afin de définir les axes d innovation liés à l observation de la Terre dans le domaine des risques naturels et de l agriculture, des «réservoirs d

Afin de définir les axes d innovation liés à l observation de la Terre dans le domaine des risques naturels et de l agriculture, des «réservoirs d 1 Afin de définir les axes d innovation liés à l observation de la Terre dans le domaine des risques naturels et de l agriculture, des «réservoirs d innovation» ont été définis. Ils correspondent à des

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC)

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) Réalité Augmentée Sylvie Naudet Collette Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) sylvie.naudet@cea.fr PLAN 1. Introduction et définitions 2. Réalité augmentée sur des objets 3D Applications

Plus en détail

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur 18/12/2003 p.1/50 Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur Julien DOMBRE Laboratoire IRCOM-SIC, UMR-CNRS 6615. En partenariat avec le

Plus en détail

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en détail

Sélection darwinienne et systèmes multi-agents

Sélection darwinienne et systèmes multi-agents Sélection darwinienne et systèmes multi-agents Samuel Landau Miriad - OASIS - LIP6 Objectifs Objectifs Conception de systèmes distribués adaptatifs Apprentissage distribué en ligne Exemples d application:

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

Systèmes d'informations Géographiques - Généralisation

Systèmes d'informations Géographiques - Généralisation Systèmes d'informations Géographiques - Généralisation Institut National des Sciences Appliquées - Rouen Département Architecture des Systèmes d'information michel.mainguenaud@insa-rouen.fr D'ou vient

Plus en détail

Introduction à la Vision 3D

Introduction à la Vision 3D à la Vision 3D David Fofi Le2i UMR CNRS 6306 IUT Le Creusot Les applications présentées sont le fruit d une collaboration entre le Le2i et le laboratoire VICOROB de l Université de Gérone (Espagne). Les

Plus en détail

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX?

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? LABORATOIRE DE VISION ET INGÉNIERIE DES CONTENUS (LVIC) Fusion multimedia : extraction multimodale d

Plus en détail

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?»

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?» D après les productions de l équipe du lycée Clément Ader de Dourdan Mme Fabre-Dollé, Mr Dollé et Mr Berthod THÈME SOCIÉTAL Mobilité PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la

Plus en détail

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification 1/54 Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification Étienne Baudrier CReSTIC vendredi 9 décembre 2005 2/54 Contexte programme national de

Plus en détail

Objectif du groupe GT1.1 Fusion de Données

Objectif du groupe GT1.1 Fusion de Données Objectif du groupe GT1.1 Fusion de Données Le groupe travaille dans trois directions Le vocabulaire (piloté par ADVITAM et l aide de SITE) L état de l art (piloté par SYROKKO) Deux applications illustratives

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Introduction au domaine Applications Frédéric Devernay Qu'est-ce que la vision? Le monde a une structure 3D et est composé d'objets L'être humain sait parfaitement décrire et interpréter

Plus en détail

Utilisation 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 détail

Détecter, compter, c est comprendre, améliorer et sécuriser

Détecter, compter, c est comprendre, améliorer et sécuriser Contact Détecter, compter, c est comprendre, améliorer et sécuriser Au sein de 3D Counting, nous avons fait le choix d innover afin de proposer à nos clients une détection et un comptage de personnes de

Plus en détail

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg Séminaire de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg 1 Y. Azoz, L. Devi, and R. Sharma. Reliable of human arm dynamics by multiple

Plus en détail

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MOBILE Gaël Crochet 1 & Gilles Santini 2 1 Médiamétrie, 70 rue Rivay, 92532 Levallois-Perret, France, gcrochet@mediametrie.fr 2 Vintco SARL, 8 rue Jean

Plus en détail

Techniques multiagents pour la réduction de l amplification de la demande dans une chaîne logistique : application à l industrie forestière

Techniques multiagents pour la réduction de l amplification de la demande dans une chaîne logistique : application à l industrie forestière 1/38 Techniques multiagents pour la réduction de l amplification de la demande dans une chaîne logistique : application à l industrie forestière Thierry Moyaux http://damas.ift.ulaval.ca/~moyaux Proposition

Plus en détail

Possibilités et limites du traitement d mage

Possibilités et limites du traitement d mage Possibilités et limites du traitement d mage Jean Serra Journée industrielle de l Ecole des Mines de Douai 9 décembre 1999 Historique du traitement d mage Trois périodes Années 70 : - en Europe, Imagerie

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet 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 détail

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

Les typologies d information que le moteur est en mesure de rechercher sont :

Les typologies d information que le moteur est en mesure de rechercher sont : AIDE SUR LA BIBLIOTHEQUE VIRTUELLE Le système de recherche de la bibliothèque virtuelle permet l accès rapide aux informations qui intéressent les étudiants et qui sont disponibles dans le cyberespace

Plus en détail

Communications immersives : Enjeux et perspectives

Communications 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 détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse

Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse Dr. Michaël Thémans, Vice-Présidence pour le Transfert de Technologie Directeur Adjoint du Centre de Transport

Plus en détail

PJE : Analyse de comportements avec Twitter Classification supervisée

PJE : Analyse de comportements avec Twitter Classification supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2015-16 B. Derbel L. Jourdan A. Liefooghe 1 2 Agenda Partie

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Indexation conceptuelle application au domaine biomédical. Mesures de similarité dans les ontologies. [Séminaire MIAD Montpellier SupAgro]

Indexation conceptuelle application au domaine biomédical. Mesures de similarité dans les ontologies. [Séminaire MIAD Montpellier SupAgro] [] Indexation conceptuelle application au domaine biomédical Mesures de similarité dans les ontologies Sylvie Ranwez Sébastien Harispe LGI2P de l école des mines d Alès équipe KID (Knowledge and Image

Plus en détail

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault Club_Saturne 2007 Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique Emmanuel Demaël, Damien Bilbault 27 novembre 2007 Introduction Contexte : Objectifs : Répondre

Plus en détail

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23 Table des Figures 7 Introduction Générale 9 1. Outils et plate-formes de construction d application 9 2. Intégration de paradigmes de conception dans le cycle de vie 10 2.1. Equilibrage de charge et équilibrage

Plus en détail

CODATU XI. Congrès Mondial de Bucarest 22-24 Avril 2004

CODATU XI. Congrès Mondial de Bucarest 22-24 Avril 2004 CODATU XI Congrès Mondial de Bucarest 22-24 Avril 2004 MODELE DE SIMULATION DE FLUX DE VOYAGEURS POUR L ETUDE ET L EXPLOITATION DES STATIONS DE TRAMWAY ET DE BUS ET DE LEURS EQUIPEMENTS COMPORTEMENT DES

Plus en détail

Modèles neuronaux pour la modélisation statistique de la langue

Modèles neuronaux pour la modélisation statistique de la langue Modèles neuronaux pour la modélisation statistique de la langue Introduction Les modèles de langage ont pour but de caractériser et d évaluer la qualité des énoncés en langue naturelle. Leur rôle est fondamentale

Plus en détail

Les 6èmes Journées Francophones sur les Réseaux Bayésiens

Les 6èmes Journées Francophones sur les Réseaux Bayésiens Les 6èmes Journées Francophones sur les Réseaux Bayésiens 11 13 Mai 2012, Îles de Kerkennah, Tunisie Vers des Réseaux Bayésiens pour la Classification des Causes de Défaillances PRÉSENTÉ PAR: MOHAMMED

Plus en détail

LES NOUVEAUX PROGRAMMES DE

LES NOUVEAUX PROGRAMMES DE LES NOUVEAUX PROGRAMMES DE MATHÉMATIQUES EN STS M A T H S S T S Animation académique Taverny lundi 24 mars 2014 et Savigny sur Orge vendredi 28 mars 2014 PREMIERS REPÈRES Les programmes de STS ont été

Plus en détail

ZOLLER INSPECTION SOLUTIONS. La solution pour la numérisation 3D de pièces et d outils. 3dCheck

ZOLLER INSPECTION SOLUTIONS. La solution pour la numérisation 3D de pièces et d outils. 3dCheck La solution pour la numérisation 3D de pièces et d outils 3dCheck 02 03 Enregistrer des objets complexes en toute précision et les analyser avec flexibilité»3dcheck«la»3dcheck«de est la machine d inspection

Plus en détail

AT41 - «Métropoles et réseaux»

AT41 - «Métropoles et réseaux» AT41 - «Métropoles et réseaux» Une approche par la théorie des graphes Plan Problématiques Quelques définitions Théorie des graphes: 1. Partitionnement de graphe : ex. les communautés 2. Analyse des réseaux

Plus en détail

Intelligence artificielle et les défis en robotique mobile et autonome

Intelligence artificielle et les défis en robotique mobile et autonome Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février

Plus en détail

CERTIFICAT DE CRÉATION EN 3D AVANCÉ. Objectifs et plan de formation

CERTIFICAT DE CRÉATION EN 3D AVANCÉ. Objectifs et plan de formation CERTIFICAT DE CRÉATION EN 3D AVANCÉ et plan de formation RESPONSABLE André Blanchard, directeur du Module en multimédia SCOLARITÉ 30 crédits, premier cycle OBJECTIFS Ce programme offre une formation intensive

Plus en détail

Notre objectif : vous avertir si besoin est et vous aider à récupérer rapidement les données pertinentes. Intelligent Video Analysis

Notre objectif : vous avertir si besoin est et vous aider à récupérer rapidement les données pertinentes. Intelligent Video Analysis Notre objectif : vous avertir si besoin est et vous aider à récupérer rapidement les données pertinentes. Intelligent Video Analysis 2 Intelligent Video Analysis Apporter sens et structure S agissant de

Plus en détail

Modélisation des transports

Modélisation des transports Modélisation des transports Cinzia Cirillo, Eric Cornelis & Philippe TOINT D.E.S. interuniversitaire en gestion des transports Les Modèles de choix discrets Dr. CINZIA CIRILLO Facultés Universitaires Notre-Dame

Plus en détail

Avancée en classification multi-labels de textes en langue chinoise

Avancée en classification multi-labels de textes en langue chinoise Avancée en classification multi-labels de textes en langue chinoise Thèse en cotutelle présentée par Zhihua WEI pour les doctorats en informatique des Universités Lyon2 et Tongji La thèse est centrée sur

Plus en détail

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

Plus en détail

Projet CNRS-Mastodons ANalyse d IMages fondée sur des Informations TEXtuelles

Projet CNRS-Mastodons ANalyse d IMages fondée sur des Informations TEXtuelles Projet CNRS-Mastodons ANalyse d IMages fondée sur des Informations TEXtuelles Bruno Crémilleux, Pierre Gançarski, Mathieu Roche, Christian Sallaberry, Maguelonne Teisseire et al. Strasbourg novembre 2014

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

«Vers une méthode rapide de l évaluation de la tendreté»

«Vers une méthode rapide de l évaluation de la tendreté» Matthieu ALRIC - matthieu.alric@adiv.fr Chargé d Etudes en Génie Mécanique et Robotique «Vers une méthode rapide de l évaluation de la tendreté» Développement d un système robotique équipé de capteurs

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail