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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Business Intelligence avec Excel, Power BI et Office 365

Business 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 détail

Comparaison de Relevés 3D issus de plusieurs Systèmes de Numérisation

Comparaison 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 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

Le scanning dans OPERA Développements au laboratoire de LYON (IPNL)

Le scanning dans OPERA Développements au laboratoire de LYON (IPNL) Le scanning dans OPERA Développements au laboratoire de LYON (IPNL) Journées Jeunes Chercheurs 2003, La Roche-en-Ardennes - 1/16 - Perrine Royole-Degieux au programme les émulsions nucléaires dans OPERA

Plus en détail

De 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 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 détail

COR-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 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 détail

Journée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique

Journée 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 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

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

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

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

INF6304 Interfaces Intelligentes

INF6304 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 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

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

Introduction au Data-Mining

Introduction 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 détail

Business Intelligence

Business 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 détail

Sujet de thèse : Suivi d objets en mouvement dans une séquence vidéo

Sujet 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 détail

Modélisation Prédictive Robuste

Modélisation Prédictive Robuste INTELLIGENT TECHNOLOGIES Modélisation Prédictive Robuste GENERATE P R E D I C T O P T I M I Z E Découvrir l'essentiel. pour comprendre, prédire et optimiser. est une solution inédite de modélisation et

Plus en détail

Meeting Room : An Interactive Systems Laboratories Project

Meeting Room : An Interactive Systems Laboratories Project Travail de Séminaire DIVA Research Group University of Fribourg Etude de Projets Actuels sur l enregistrement et l analyse de Réunions Meeting Room : An Interactive Systems Laboratories Project Canergie

Plus en détail

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Rapport LAAS-CNRS Numéro N o 13077 Quynh Anh DO HOANG, Jérémie GUIOCHET, Mohamed

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

Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique

Autonomie 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 détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.

CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac. CED-ST 2013-2014 Liste des Sujets de Recherche Formation Doctorale : STIC Responsable de la Formation : Pr. L. OMARI (lahcen.omari@usmba.ac.ma) N.B. : Les étudiants qui ont déposé leurs demandes d'inscription

Plus en détail

L 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 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 détail

Projet ANR SAMOGWAS. Specific Advanced MOdels for Genome-wide Association Studies. Journée de lancement officielle. Nantes - vendredi 11 octobre 2013

Projet ANR SAMOGWAS. Specific Advanced MOdels for Genome-wide Association Studies. Journée de lancement officielle. Nantes - vendredi 11 octobre 2013 Projet ANR SAMOGWAS Specific Advanced MOdels for Genome-wide Association Studies Journée de lancement officielle Nantes - vendredi 11 octobre 2013 1 Les partenaires LINA Nantes GIGA-R Liège INSERM Nantes

Plus en détail

From research to application: scenario for the French Forestry Office

From research to application: scenario for the French Forestry Office FORESEE Workshop - Forestry applications of remote sensing technologies 8-10 October 2014 - INRA Champenoux - France From research to application: scenario for the French Forestry Office Anne JOLLY, Alexandre

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 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 détail

Orange Business Services. Direction de la sécurité. De l utilisation de la supervision de sécurité en Cyber-Defense? JSSI 2011 Stéphane Sciacco

Orange 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Approche hybride de reconstruction de facettes planes 3D

Approche hybride de reconstruction de facettes planes 3D Cari 2004 7/10/04 14:50 Page 67 Approche hybride de reconstruction de facettes planes 3D Ezzeddine ZAGROUBA F. S.T, Dept. Informatique. Lab. d Informatique, Parallélisme et Productique. Campus Universitaire.

Plus en détail

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language

Cycle 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 détail

Pour le renouvellement de la sémiologie de la carte de flux

Pour le renouvellement de la sémiologie de la carte de flux Thème 3 : la sémiologie usages et renouveau Pour le renouvellement de la sémiologie de la carte de flux Françoise Bahoken Représenter sur une carte toute l information disponible dans une matrice de flux,

Plus en détail

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Journée Résumé Automatique Multimédia 2011/03/17 Emilie Guimier De Neef Plan de la

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision 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 détail

Overmind. Project Management Optimization

Overmind. Project Management Optimization Project Management Optimization Contenu Objectifs Expérience et compétences Project Management Optimization : Mission et Vision Grands programmes Données, Méthodologie et Résultats Process Appendix 1 Front

Plus en détail

La 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 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 détail

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3)

Sources d information : lexicale. Sources d information : phonotactique. Sources d information : prosodie (2/3) Sources d information : prosodie (1/3) Organisation de la présentation Reconnaissance automatique des langues RMITS 28 http://www.irit.fr/~jerome.farinas/rmits28/ Jérôme Farinas jerome.farinas@irit.fr Équipe SAMOVA (Structuration, Analyse et

Plus en détail

Sequential Topic Models for Mining Recurrent Activities and their Relationships: Application to long term video recordings

Sequential Topic Models for Mining Recurrent Activities and their Relationships: Application to long term video recordings Sequential Topic Models for Mining Recurrent Activities and their Relationships: Application to long term video recordings THÈSE N O 5469 (2012) PRÉSENTÉE le 30 août 2012 À LA FACULTÉ DES SCIENCES ET TECHNIQUES

Plus en détail

PROJET BIGDATART DOSSIER DE PRESENTATION

PROJET 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 détail

Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype

Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype Anne Tchounikine, Maryvonne Miquel, Usman Ahmed LIRIS CNRS UMR 5205, INSA-Université de Lyon, France 1 Motivations Motivé

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L 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 détail

MABioVis. Bio-informatique et la

MABioVis. 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 détail

Contributions à l expérimentation sur les systèmes distribués de grande taille

Contributions 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 détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012 Extraction et analyse des mesures haut-débit pour l identification de biomarqueurs : problèmes méthodologiques liés à la dimension et solutions envisagées EA 2415 Epidémiologie, Biostatistique et Santé

Plus en détail

Détection 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 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 détail

Surveillance 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 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 détail

Présenta)on des ac)vités de recherche de l équipe PR du laboratorie MIS

Présenta)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 détail

Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux. La Vision d ALLISTENE. 5 janvier 2012 Michel Cosnard

Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux. La Vision d ALLISTENE. 5 janvier 2012 Michel Cosnard A Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux La Vision d ALLISTENE 5 janvier 2012 Michel Cosnard Missions d Allistene Stratégie de recherche et d innovation Distingue

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Présentation 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 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 détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence 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 détail

Pour une mobilité sure et durable des

Pour 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 détail

Thomas André Manuel Brisville. Data Mining. Compte-rendu de l activité d évaluation 11/02/2015 UTFPR

Thomas André Manuel Brisville. Data Mining. Compte-rendu de l activité d évaluation 11/02/2015 UTFPR Thomas André Manuel Brisville Data Mining Compte-rendu de l activité d évaluation 11/02/2015 UTFPR 1 Table des matières 2 Introduction... 2 3 La base de données utilisée... 3 3.1 Origine de la base...

Plus en détail

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES

AXES 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 détail

données en connaissance et en actions?

données 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 détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme 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

Capacité étendue d utilisation en réseau

Capacité 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 détail

Tests 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» 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 détail

Présentation. Intervenant EURISTIC. Jean-Louis BAUDRAND Directeur associé

Présentation. 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 détail

Sujet 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. 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 détail

!-.!#- $'( 1&) &) (,' &*- %,!

!-.!#- $'( 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 détail

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche Cemagref - CIRAD - ENGREF Master ère année Analyse spatiale, analyse géographique, spatialité des sociétés Master

Plus en détail

Synthèse d'images I. Venceslas BIRI IGM Université de Marne La

Synthèse 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 détail

3D visualization techniques to support slicing-based. program comprehension. Présentation dans le cadre du cours ift6251 Guillaume Langelier

3D visualization techniques to support slicing-based. program comprehension. Présentation dans le cadre du cours ift6251 Guillaume Langelier 3D visualization techniques to support slicing-based program comprehension Par : J. Rilling et S.P. Mudur Présentation dans le cadre du cours ift6251 Guillaume Langelier 1 Préambule Visualisation en génie

Plus en détail

Localisation de caméra par recalage 2D-3D

Localisation de caméra par recalage 2D-3D Localisation de caméra par recalage 2D-3D Perception pour le Véhicule Intelligent (PVI 2014) Lundi 30 juin 2014 Dandi Pandi Paudel Cédric Demonceaux Le2i UMR CNRS 6306 Pascal Vasseur Litis EA 4108 In So

Plus en détail

Les management actions dans le cadre de l ORSA

Les management actions dans le cadre de l ORSA Les management actions dans le cadre de l ORSA Atelier Congrès Institut des Actuaires 20 juin 2014 Intervenants Emmanuel Berthelé, Optimind Winter, Responsable Practice Gildas Robert, Optimind Winter,

Plus en détail

Présentation Société Actulligence Consulting

Présentation Société Actulligence Consulting Présentation Société Actulligence Consulting Conseil et Accompagnement Intelligence économique Veille stratégique e-réputation Actulligence Consulting : Présentation Frédéric Martinet, Consultant indépendant

Plus en détail

Détection 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 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 détail

Reconnaissance 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 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 détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Vers une Optimisation de l Algorithme AntTreeStoch

Vers 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 détail

Cadre de référence relatif à la vidéosurveillance. à la Commission scolaire de Saint-Hyacinthe. Mars 2007

Cadre de référence relatif à la vidéosurveillance. à la Commission scolaire de Saint-Hyacinthe. Mars 2007 703 Cadre de référence relatif à la vidéosurveillance à la Commission scolaire de Saint-Hyacinthe Mars 2007 A) Principes généraux Les périodes de surveillance et, éventuellement, d enregistrement, l espace

Plus en détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers 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 détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude 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 détail

Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux

Complexité 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 détail

Monitoring continu et gestion optimale des performances énergétiques des bâtiments

Monitoring 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 détail

Analyse,, Conception des Systèmes Informatiques

Analyse,, 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 détail