Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés
|
|
- Louis Fortin
- il y a 8 ans
- Total affichages :
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
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 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 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 détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en 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 détailMASTER 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 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 détailCommunications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
Plus en détailAgrégation 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 détailMonitoring 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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailExtraction 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 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 détailComparaison de Relevés 3D issus de plusieurs Systèmes de Numérisation
Laboratoire Vision & Robotique Comparaison de Relevés 3D issus de plusieurs Systèmes de Numérisation Emilie KOENIG, Benjamin ALBOUY, Sylvie TREUILLET, Yves Lucas Contact : Sylvie Treuillet Polytech'Orléans
Plus en détailCOR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR
COR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR SABRINA CAMPANO DIRECTION: NICOLAS SABOURET ENCADREMENT : NICOLAS SABOURET, VINCENT CORRUBLE, ETIENNE DE SEVIN SOUTENANCE
Plus en détailDétection 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 détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en 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 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 détailDe la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues
De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues Maud Ehrmann Joint Research Centre Ispra, Italie. Guillaume Jacquet Xerox
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en 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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailSujet de thèse : Suivi d objets en mouvement dans une séquence vidéo
Université PARIS DESCARTES Centre universitaire des Saints-Pères UFR DE MATHÉMATIQUES ET INFORMATIQUE Thèse présentée pour l obtention du grade de Docteur de l université PARIS DESCARTES Spécialité : Informatique
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 détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en 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 détailAutonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique
L irrésistible ascension du capitalisme académique 18-19 avril 2013 Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique Julien Barrier
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailOrange Business Services. Direction de la sécurité. De l utilisation de la supervision de sécurité en Cyber-Defense? JSSI 2011 Stéphane Sciacco
De l utilisation de la supervision de sécurité en Cyber-Defense? Orange Business Services Direction de la sécurité JSSI 2011 Stéphane Sciacco 1 Groupe France Télécom Sommaire Introduction Organisation
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 détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language
Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailPROJET BIGDATART DOSSIER DE PRESENTATION
PROJET BIGDATART DOSSIER DE PRESENTATION Le projet BigDatArt est une installation scientifico-artistique centrée autour des notions d images et de BigData. Ce que je propose dans mon projet et d'inverser
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en 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 détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
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 détailPrésenta)on des ac)vités de recherche de l équipe PR du laboratorie MIS
Localisa1on et Naviga1on de Robots M2 EEAII, parcours ViRob, A.U. 2014-2015 Présenta)on des ac)vités de recherche de l équipe PR du laboratorie MIS Fabio MORBIDI E-mail: fabio.morbidi@u-picardie.fr Laboratorie
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailCapacité étendue d utilisation en réseau
Fiche technique n VIBOFF_1A_f Emonitor Odyssey introduit une nouvelle conception de la maintenance conditionnelle (prédictive) en automatisant les opérations de routine afin d améliorer les vitesses de
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailPrésentation. Intervenant EURISTIC. Jean-Louis BAUDRAND Directeur associé
Atelier ORAS Pilotage des rémunérations variables Groupe RH&M Le volet informatisation Jean-Louis BAUDRAND Directeur associé EURISTIC 4 février 2010 Présentation Intervenant EURISTIC Jean-Louis BAUDRAND
Plus en détailPour une mobilité sure et durable des
Safe Move For older drivers Pour une mobilité sure et durable des conducteurs âgés Claude Marin-Lamellet IFSTTAR-TS2-LESCOT 2 Partenaires Projet miroir en Suède Financeurs 3 Personnes impliquées IFSTTAR
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 détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
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 détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
Plus en détailLe management des risques de l entreprise Cadre de Référence. Synthèse
Le management des risques de l entreprise Cadre de Référence Synthèse SYNTHESE L incertitude est une donnée intrinsèque à la vie de toute organisation. Aussi l un des principaux défis pour la direction
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en 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 détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailPréparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS
Année 2004 THESE Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS En vue de l obtention du titre de Docteur de l Institut National Polytechnique de Toulouse Spécialité : Informatique
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailENSEIGNEMENT DES SCIENCES ET DE LA TECHNOLOGIE A L ECOLE PRIMAIRE : QUELLE DEMARCHE?
ENSEIGNEMENT DES SCIENCES ET DE LA TECHNOLOGIE A L ECOLE PRIMAIRE : QUELLE DEMARCHE? Les nouveaux programmes 2008 confirment que l observation, le questionnement, l expérimentation et l argumentation sont
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 détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailFormation des enseignants. Le tensiomètre. Objet technique modélisable issu de l environnement des élèves
Le tensiomètre Objet technique modélisable issu de l environnement des élèves Un peu d'histoire C'est en 1628 que W. Harvey découvrit la circulation du sang. C'est pourtant seulement en 1730 que la pression
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailC - ICM LTE Gamme DE
Gamme DELTEC - ICM ICM micro Projecteur de profil numérique 2D Système de mesure 2D, fruit de plus de 25 ans d expérience dans la métrologie par vision! Déposer c est mesurer! - Reconnaissance de la pièce
Plus en détailS8 - INFORMATIQUE COMMERCIALE
S8 - INFORMATIQUE COMMERCIALE Les savoirs de l Informatique Commerciale doivent être abordés en relation avec les autres savoirs (S4 à S7). Les objectifs généraux sont : o de sensibiliser les étudiants
Plus en détailConception des systèmes répartis
Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailmodèles génériques applicables à la synthèse de contrôleurs discrets pour l Internet des Objets
modèles génériques applicables à la synthèse de contrôleurs discrets pour l Internet des Objets Mengxuan Zhao, Gilles Privat, Orange Labs, Grenoble, France Eric Rutten, INRIA, Grenoble, France Hassane
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailRéunion du cluster Habitat Bâtiment Intelligent (HBI) 17 Mars 2014 L I NTELLIGENCE ENERGÉTIQUE
Réunion du cluster Habitat Bâtiment Intelligent (HBI) 17 Mars 2014 P RÉSENTATION DU PROJET ADVICE ACCEPTA BILITÉ ET DROIT DE L I NTELLIGENCE ENERGÉTIQUE Présentation du Projet ADvICE En quelques mots La
Plus en détailCatalogue des formations Edition 2015
Antidot - Formations Catalogue des formations Edition 2015 : catalogue_formation_2015 Révision du 06.01.2015 Sommaire!!"##$%&'( )! $*$+,(-'(."##'+.'&( /!,'.0+"1"2%'( /!!."3'( /! $(3&"3"!(-4(5(.$,$1"24'(-'!(6"&#$,%"+!(7('-%,%"+()89:(;(
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 détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailComportements (The Observer XT) : activité générale du conducteur : (entre autres) mouvements des mains, position, verbalisations.
Ce document récapitule la participation de Noldus Information Technology à l atelier 1 du workshop ERGO IA (30 juin 1 juillet) : Systèmes Innovants basés sur l émotion pour l analyse des risques ferroviaires
Plus en détailovermind La solution précède le problème 2008 Overmind - All rights reserved
La solution précède le problème Société Overmind vous propose des solutions d optimisation, d anticipation, de pilotage global capables de prendre en compte l interdépendance des variables en terme de
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailSolution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010
Présentation d ERMS Solution logicielle pour le pilotage et l ERM Journées d études IARD 26 mars 2010 2 mars 2010 Sommaire 1 Présentation d ACTUARIS 2 Les problématiques rencontrées 3 Présentation d ERMS
Plus en détail