Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia"

Transcription

1 Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia Philippe-Henri Gosselin Habilitation à Diriger des Recherches Université de Cergy-Pontoise 10 novembre 2011

2 La recherche interactive multimédia Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

3 Architecture classique Images OFFLINE Features Quantization Query Indexes Dictionary ONLINE Training set User annotation Classification Kernel Active selection Active learning Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

4 Plan 1 Noyaux sur Sacs et Graphes 2 Noyaux Dynamiques 3 Boosting Interactif 4 Conclusion Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

5 Plan 1 Noyaux sur Sacs et Graphes 2 Noyaux Dynamiques 3 Boosting Interactif 4 Conclusion Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

6 Noyaux sur Sacs et Graphes Indexation pour la recherche d objets Étapes hors ligne : 1 Extraction descripteurs visuels Une image = un ensemble (ou sac) de descripteurs 2 Définition métrique entre sacs de descripteurs 3 (Éventuellement) Structures index rapides Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

7 Sacs & Graphes Noyaux Dynamiques Boosting Interactif Conclusion Sacs de descripteurs Sacs de descripteurs 1 Extraction Extraction de primitives Indexation Regions, Points d intérêt,... 2 Métrique Description des primitives Classification Couleurs, textures, HoG, SIFT,... 3 Interaction Sacs de descripteurs Bi = {bri }r bri : descripteur r de l image i Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

8 Métrique entre sacs de descripteurs Méthodes pour la recherche d objets (2005) Systèmes basé vote + Très performants - Coûteux calculs (sans index rapide) - Non compatible classification Dictionnaires visuels + Performants + Rapides - Difficile à régler Fonction noyaux (+MIL) + Très performants (idem vote) + Facile à régler - Coûteux calculs (sans index rapide) Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

9 Comparaison des Sacs Mise en correspondance B i = {b ri } r sac descripteurs image i B j = {b rj } r sac descripteurs image j Système vote S(B i, B j ) = nombre descripteurs communs entre i et j Fonction noyau K (B i, B j ) = idem et Φ : X H t.q. K (B i, B j ) = Φ(B i ), Φ(B j ) H Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

10 Noyaux sur Sacs Soft maximum (Shawe-Taylor) K softmax (B i, B j ) = b ri B i b sj B j k(b ri, b sj ) k fonction noyau K softmax fonction noyau Compare le barycentre des éléments de chaque sac : Φ(B i ) = φ(b ri ) b ri B i K softmax (B i, B j ) = Φ(B i ), Φ(B j ) = b ri B i b sj B j φ(b ri ), φ(b sj )) Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

11 Noyaux sur Sacs Noyaux définis Enhanced Soft Maximum (Lyu) : K lyu (B i, B j ) = 1 1 B i B j Power (Gosselin) : K power (B i, B j ) = b ri B i b ri B i b sj B j k(b ri, b sj ) q k(b ri, b sj ) q b sj B j 1 q Extraction Indexation Métrique Classification Interaction 1. Gosselin, Cord and Philipp. Kernel on Bags of Fuzzy Regions for fast object retrieval. ICIP Gosselin, Cord and Philipp. Kernel on Bags for multi-object database retrieval. CIVR Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

12 Noyaux sur Sacs Power (82.6%) Average of Maximum (82.3%) Average of Power (82.1%) Lyu (78.2%) Maximum (74.1%) Mean Average Precision Number of training samples Précision Moyenne(%) sur une base d objets (Columbia) sur fond aléatoire (ANN) avec différents noyaux. Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

13 Représentation par Graphes Représentation par Graphes Intégrer les relations spatiales Graphes relationnels valués Sommet d un graphe : Région Point d intérêt Arête d un graphe : Relation spatiale Gauche/droite Haut/base Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

14 Noyaux sur Graphes Extraction Indexation Approche par Sacs de chemins Énumération des chemins h H(G) issus du graphe G Mise en correspondance entre chemins : K graphe (G, G ) = K sac (H(G), H(G )) Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

15 Noyaux sur Graphes Thèses Justine Lebrun ( ) Allocation ministérielle «Fonctions noyaux sur Graphes pour la recherche d objets dans les bases multimédia» Jean-Emmanuel Haugeard ( ) Projet ANR (itowns) «Extraction et reconnaissance d objets dans les façades de Paris à l aide d appariement de graphes» Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

16 Recherche d objets Mean Average Precision h =3 65 h =2 h = Number of labelled images 1. Lebrun, Gosselin, Philipp. Inexact Graph Matching Based on Kernels for Object Retrieval in Image Databases. IVC Lebrun, Gosselin, Philipp. Image retrieval with graph kernel on regions. ICPR Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

17 Recherche d objets 3D Projet ANR (EROS 3D) 750 objets 3D (maillages sans textures) 1. Philipp, Jordan, Fuzier, Gosselin. Indexing of 3D Models Based on Graph of Surfacic Regions. ACM Multimedia Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

18 Sacs & Graphes Noyaux Dynamiques Boosting Interactif Conclusion Reconnaissance dans les façades de Paris Step 1 Step 2 Step 3 Extraction Training Exploitation Database of Facades Interactive Classifier Training Classifier Database of Facades Graphs True & False Positives Contours Correct Detection & Localisation Projet ANR (itowns) 1. Haugeard, Philipp, Gosselin. Kernel on Graphs based on Dictionary of Paths for Image Retrieval. ICPR Haugeard, Gosselin, Philipp. Kernel on Graphs of Contours for Image Retrieval. Soumis à Pattern Recognition Letters. Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

19 Noyaux sur Sacs et Graphes Avantages Reproduisent bien les systèmes de vote Compatibles avec les machines à noyaux Peu de paramètres Inconvénient Temps de calculs! Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

20 Plan 1 Noyaux sur Sacs et Graphes 2 Noyaux Dynamiques 3 Boosting Interactif 4 Conclusion Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

21 Sacs & Graphes Noyaux Dynamiques Boosting Interactif Conclusion Architecture classique Images OFFLINE Features Quantization Query Indexes Dictionary ONLINE Training set User annotation Classification Kernel Active selection Active learning Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

22 Sacs & Graphes Noyaux Dynamiques Boosting Interactif Conclusion Architecture dynamique Images ONLINE Features Selection Dictionary Kernel Update Classification Kernel OFFLINE Query Training set User annotation Active selection Active learning Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

23 Noyaux Dynamiques Objectif Apprendre combinaison noyaux (MKL) K = t=1 β t k t Contraintes : Adapter la combinaison à la requête utilisateur courante Gérer le faible nombre d annotations Apprendre rapidement Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

24 Noyaux Dynamiques Approche itérative Extraction avec K t = K t 1 + β t k t βt, k t = argmax β>0,k K A H L (K t 1 + βk) A L (K ) Alignement du Noyau K sur les annotations L K pool de noyaux mineurs Indexation Métrique Classification Interaction 1. Gosselin, Precioso, Philipp. Incremental Kernel Learning for Active Image Retrieval without Global Dictionaries. PR Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

25 Noyaux Dynamiques Noyaux mineurs Un noyau mineur Un mot de dictionnaire Une combinaison de noyaux Un dictionnaire visuel Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

26 Noyaux Dynamiques Taille Dictionnaire Categorie 64/64 256/256 64/160 Dynamique bicycle bus car cat cow dog horse motorbike person sheep all TABLE: Precision Moyenne(%) sur l ensemble test de VOC2006. Initialisation avec 1 image, 10 bouclages, 5 labels par bouclage. Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

27 Reconnaissance d objets dans les façades de Paris Average Precision Dictionary : triangular kernel with L1 distance Dictionary : triangular kernel with L2 distance Dictionary : triangular kernel with Chi1 distance Dictionary : triangular kernel with Chi2 distance Kernel on graphs: Kproposed Number of labeled images FIGURE: Précision Moyenne(%) avec un noyau sur sac (en rouge) et un noyau dynamique (autres). Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

28 Reconnaissance d objets dans les façades de Paris Nombre de sommets Noyau sur Graphe 40ms 96ms 184ms 511ms Noyau dynamique 5ms 6ms 9ms 48ms TABLE: Temps d exécution pour l évaluation d une valeur de fonction noyau, en fonction de la taille des graphes. Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

29 Noyaux Dynamiques Propriétés Conception à la volée d un dictionnaire/noyau adapté à la requête courante Pas de dictionnaire à cross valider Entraînement rapide avec peu d exemples Classification plus rapide (dictionnaires plus petits) Batch learning Fusion très rapide de sorties de classifieurs Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

30 Plan 1 Noyaux sur Sacs et Graphes 2 Noyaux Dynamiques 3 Boosting Interactif 4 Conclusion Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

31 Boosting Une philosophie très différente Postulat Il est facile de trouver des règles généralement justes......mais il est difficile de trouver des règles toujours justes Principe Construire un ensemble de règles simples Pool de classifieurs "faibles" Combiner ces règles Formation d un classifieur "fort" Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

32 Boosting Thèses Alexis Lechervy ( ) Projet DGA «Apprentissage interactif et collaboratif pour la détection d évènement dans les vidéos» Jefersson Alex dos Santos ( ) Cotutelle avec Université Brésilienne de Campinas «Multi-Scale Classification of Remote Sensing Images» Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

33 Boosting pour les bases généralistes Classifieurs faibles Description Visuelle Découpage en 9 blocs 1 Région = 1 combinaison bloc (511 possibilités) Calcul descripteur dans chaque région Classifieur faible : Généré à partir d un exemple positif Se focalise sur 1 type de région Similarité au descripteur dans la région Extraction Indexation Métrique Classification Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

34 Boosting pour les bases généralistes Pool dynamique de classifieurs faibles Peu d exemples en recherche interactive Solution : pool dynamique de classifieurs faibles Pour chaque image annotée positive Pour chaque type de région Pour chaque type de descripteur Fabriquer un classifieur faible Extraction Indexation Métrique Classification 1. Lechervy, Gosselin, Precioso. Active Boosting for interactive object retrieval. ICPR Interaction Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

35 Boosting pour les bases généralistes Dictionnaire 32 mots 64 mots Méthode SVM Boosting SVM Boosting bicycle bus car cat cow dog horse motorbike person sheep all TABLE: Precision Moyenne(%) sur l ensemble test de VOC2006. Initialisation avec 1 image, 10 bouclages, 5 labels par bouclage. Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

36 Boosting pour les images satellites Vérité terrain Classification Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

37 Boosting pour les images satellites 1. Santos, Gosselin, Philipp, Torres and Falcao. Multi-Scale Classification of Remote Sensing Images. GRS (Révision). Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

38 Boosting pour les images satellites Méthode Précision(%) Kappa Baseline SVM Boosting Boosting hiérarchique TABLE: Résultats de classification d images satellites (catégorie café). Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

39 Boosting interactif Propriétés Conception plus libre que machines à noyaux Entraînement plus lent Classification plus rapide Fonctionne avec peu d exemples En cours Boosting collaboratif images/vidéos (A. Lechervy) Boosting interactif images satellites (J. Alex) Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

40 Plan 1 Noyaux sur Sacs et Graphes 2 Noyaux Dynamiques 3 Boosting Interactif 4 Conclusion Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

41 Noyaux sur ensembles Bilan Noyaux sur Sacs et Graphes + Performants, compatible SVM - Coûteux en calculs En cours Réduction temps calculs noyaux sur sacs Approche linéarisation avec le formalisme des tenseurs 1 Thèse démarrée 2011 : Romain Négrel «Représentation optimales pour la recherche dans les bases patrimoniales», Labex Patrima Perspectives à moyen terme Extension résultats noyaux sur graphes Passage aux très grandes bases (1 million +) 1. Picard, Apprentissage Gosselin. interactif Improvingmultimédia Image Similarity With VLAT. Philippe-Henri ICIP Gosselin 10 novembre / 46

42 Représentations dynamiques Bilan Noyau dynamique performant mais contraignant Boosting moins contraignant mais moins performant En cours Cadre formel intermédiaire Apprentissage collaboratif Application vidéo Perspectives à moyen terme Classification temps réelle Mise à jour on-line du classifieur Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

43 Perspectives à long terme Apprentissage dans le flux Bases vivantes / flux vidéos Ajout régulier de documents Suppression/archivage régulier de documents Objectifs classification instables Évolution rapide des centres d intérêts Communautés d utilisateurs Données d apprentissage de mauvaise qualité Micro ensembles d apprentissage Beaucoup d erreurs Passage à l échelle Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

44 Publications Revues Année 8 Elsevier Image and Vision Computing Elsevier Pattern Recognition Elsevier Computer Vision and Image Understanding IEEE Transactions on Image Processing, Elsevier Computer Vision and Image Understanding Elsevier Image and Vision Computing Elsevier Pattern Recognition, EURASIP Journal on Applied Signal Processing Conférences internationales Période 17 ICIP, ICPR, ACM ICIP, CIVR, Conférences nationales Période 4 RFIA, EGC RFIA, CAP Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

45 Tenseurs pour la description vidéo Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

46 Tenseurs pour la description vidéo Stages/Thèse Romain Negrel Stage ETIS printemps/été 2011 Virginia Fernandes Mota Collaboration avec Université Brésilienne de Juiz de Fora Stage ETIS printemps/été 2010 Thèse démarrée en 2011 «Tensor based representations for action retrieval in videos» Apprentissage interactif multimédia Philippe-Henri Gosselin 10 novembre / 46

Journée Rencontres Académiques SCS

Journée Rencontres Académiques SCS Journée Rencontres Académiques SCS 24/01/2012 Prof. Frédéric Precioso Knowledge Extraction, Integration & Algorithms (KEIA) http://keia.i3s.unice.fr/ 2 /35 Permanents Célia Pereira da Costa, Christel Dartigues,

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

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

ED STIC - Proposition de Sujets de Thèse. pour la campagne d'allocation de thèses 2012

ED STIC - Proposition de Sujets de Thèse. pour la campagne d'allocation de thèses 2012 ED STIC - Proposition de Sujets de Thèse pour la campagne d'allocation de thèses 2012 Axe Sophi@Stic : Titre du sujet : aucun Recherche interactive basée sur le contenu dans des bases de données multimédia

Plus en détail

Bases de données multimédia

Bases de données multimédia Bases de données multimédia Séance 1 : Introduction Michel Crucianu (Cnam) Valérie Gouet-Brunet (IGN) http://cedric.cnam.fr/~crucianm/bdm.html Contenu du cours Introduction : motivations, applications,

Plus en détail

Vectorisation du modèle d appariement pour la recherche d images par le contenu

Vectorisation du modèle d appariement pour la recherche d images par le contenu - Vectorisation du modèle d appariement pour la recherche d images par le contenu Hanen Karamti 1 MIRACL, Université de Sfax Route de Tunis Km 10 B.P. 242, 3021, Sfax, Tunisie karamti.hanen@gmail.com RÉSUMÉ.

Plus en détail

INDEXATION des IMAGES

INDEXATION des IMAGES INDEXATION des IMAGES Marine Campedel www.tsi.enst.fr/~campedel mars 2005 Plan du cours Généralités Méthodes Indexation textuelle Indexation par le contenu Récupération de l information (retrieval) Feedback

Plus en détail

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence

Plus en détail

N. Paparoditis, Laboratoire MATIS

N. 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 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

Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage

Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage V. Itier 1,2, W. Puech 1, G. Gesquière 3, J.P. Pedeboy 2 and G. Subsol 1 LIRMM UMR 5506 CNRS, University of Montpellier

Plus en détail

R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale

R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et

Plus en détail

Développement d une ontologie pour la classification d images en télédétection

Développement d une ontologie pour la classification d images en télédétection Développement d une ontologie pour la classification d images en télédétection Omar Boussaid, David Sheeren, Anne Puissant et Pierre Gançarski Laboratoire ERIC, EA 3038 - Université Lyon 2 Omar.Boussaid@univ-lyon2.fr

Plus en détail

Apprentissage statistique dans les graphes et les réseaux sociaux

Apprentissage statistique dans les graphes et les réseaux sociaux Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique

Plus en détail

Bases de données multimédia IV Description locale des images

Bases de données multimédia IV Description locale des images Bases de données multimédia IV Description locale des images ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Schéma type d un système de description locale Image requête Ensemble de points/régions d

Plus en détail

Système D Indexation et de Recherche d Images par le contenu

Système D Indexation et de Recherche d Images par le contenu Système D Indexation et de Recherche d Images par le contenu 1 Houaria ABED, 1 Lynda ZAOUI Laboratoire : Systèmes, Signaux, Données Département Informatique, Faculté des Sciences Université des Sciences

Plus en détail

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé

Plus en détail

Recherche d images sur un réseau à l aide d un système multi-agents

Recherche d images sur un réseau à l aide d un système multi-agents Université de Cergy-Pontoise THÈSE présentée pour obtenir le titre de DOCTEUR en Informatique et Traitement de l Information Recherche d images sur un réseau à l aide d un système multi-agents David Picard

Plus en détail

Ne cherchez plus, soyez informés! Robert van Kommer

Ne cherchez plus, soyez informés! Robert van Kommer Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte

Plus en détail

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

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

Plus en détail

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

Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons

Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center

Plus en détail

Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas

Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas 1. Ressources ouvertes Données Logiciels Connaissances 2. Besoins Données Logiciels Connaissances Défis 3. Exemple 1. Ressources ouvertes

Plus en détail

OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE

OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain

Plus en détail

Analyse des réseaux sociaux et apprentissage

Analyse des réseaux sociaux et apprentissage Analyse des réseaux sociaux et apprentissage Emmanuel Viennet Laboratoire de Traitement et Transport de l Information Université Paris 13 - Sorbonne Paris Cité Réseaux sociaux? Réseaux sociaux? Analyse

Plus en détail

Bases de Données Avancées

Bases de Données Avancées 1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,

Plus en détail

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques Nouvelles de l AS fouille d images Émergence de caractéristiques sémantiques Patrick GROS Projet TEXMEX IRISA - UMR 6074, CNRS, université de Rennes 1, INSA Rennes, INRIA L AS fouille d images Qu est-ce

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

Accès au Contenu Informationnel pour les Masses de Données de Documents

Accès au Contenu Informationnel pour les Masses de Données de Documents Accès au Contenu Informationnel pour les Masses de Données de Documents Grappa LILLE 3 - UR Futurs INRIA MOSTRARE Laboratoire d Informatique de Paris 6 Laboratoire de Recherche en Informatique Orsay -

Plus en détail

Cours Bases de données 2ème année IUT

Cours Bases de données 2ème année IUT Cours Bases de données 2ème année IUT Cours 13 : Organisation d une base de données, ou comment soulever (un peu) le voile Anne Vilnat http://www.limsi.fr/individu/anne/cours Plan 1 Les clusters de table

Plus en détail

www.cresitt.com Outils et solutions libres pour la R&D Atelier OPENCV 1er juillet 2010 Samuel ROUXEL Le CRT CRESITT est soutenu par

www.cresitt.com Outils et solutions libres pour la R&D Atelier OPENCV 1er juillet 2010 Samuel ROUXEL Le CRT CRESITT est soutenu par Outils et solutions libres pour la R&D Atelier OPENCV Samuel ROUXEL Le CRT CRESITT est soutenu par Système de Vision 2 Système de Vision 3 Open Computer Vision Library Développée par Intel en 1999 (v1.0

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

Fouille de données multi-stratégies pour l'extraction de connaissances à partir d'images de télédétection

Fouille de données multi-stratégies pour l'extraction de connaissances à partir d'images de télédétection Fouille de données multi-stratégies pour l'extraction de connaissances à partir d'images de télédétection Cédric WEMMERT* Alexandre BLANSCHE* Anne PUISSANT** *LSIIT UMR 7005 CNRS/ULP Apprentissage et Fouille

Plus en détail

Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région

Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région de données satellitaires à THR Eléonore Wolff Analyse Géospatiale Institut de Gestion de l Environnement

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

Reconnaissance de gestes : approches 2D & 3D

Reconnaissance de gestes : approches 2D & 3D Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email

Plus en détail

Mesure agnostique de la qualité des images.

Mesure agnostique de la qualité des images. Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire

Plus en détail

Prototypes et k plus proches voisins (kppv (knn))

Prototypes et k plus proches voisins (kppv (knn)) Prototypes et k plus proches voisins (kppv (knn)) Université Grenoble 1 - Lab. Informatique Grenbole / MRIM Learning Vector Quantization (1) Algorithme en ligne (on-line) dans lequel des prototypes sont

Plus en détail

Combinaison de caractéristiques pour la reconnaissance rapide, robuste et invariante d objets spécifiques

Combinaison de caractéristiques pour la reconnaissance rapide, robuste et invariante d objets spécifiques Combinaison de caractéristiques pour la reconnaissance rapide, robuste et invariante d objets spécifiques Jérôme Revaud 1 Yasuo Ariki 2 Guillaume Lavoué 1 Atilla Baskurt 1 1 Université de Lyon, CNRS, INSA-Lyon,

Plus en détail

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail

Généralités sur les bases de données

Généralités sur les bases de données Généralités sur les bases de données Qu est-ce donc qu une base de données? Que peut-on attendre d un système de gestion de bases de données? Que peut-on faire avec une base de données? 1 Des données?

Plus en détail

connaissances «intéressantes» ou des motifs (patterns) à partir d une grande quantité de données.

connaissances «intéressantes» ou des motifs (patterns) à partir d une grande quantité de données. Data Mining = Knowledge Discovery in Databases (KDD) = Fouille de données 1 Définition : Processus ou méthode qui extrait des connaissances «intéressantes» ou des motifs (patterns) à partir d une grande

Plus en détail

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

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

Plus en détail

Statistiques spatiales de points d intérêt pour la reconnaissance invariance de texture

Statistiques spatiales de points d intérêt pour la reconnaissance invariance de texture Statistiques spatiales de points d intérêt pour la reconnaissance invariance de texture Huu-Giao Nguyen Ronan Fablet Jean-Marc Boucher 1 Institut Telecom / Telecom Bretagne / labsticc CS 83818-29238 Brest

Plus en détail

Omar.Hamdoun@ensmp.fr, Fabien.Moutarde@ensmp.fr, Bogdan.Stanciulescu@ensmp.fr, Bruno.Steux@ensmp.fr

Omar.Hamdoun@ensmp.fr, Fabien.Moutarde@ensmp.fr, Bogdan.Stanciulescu@ensmp.fr, Bruno.Steux@ensmp.fr Vidéosurveillance intelligente : ré-identification de personnes par signature utilisant des descripteurs de points d intérêt collectés sur des séquences Omar HAMDOUN 1, Fabien MOUTARDE 1, Bogdan STANCIULESCU

Plus en détail

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 www.agence-nationale-recherche.fr Bref historique Un objectif

Plus en détail

Fouille de données de mobilité

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

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

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

Plus en détail

Introduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr

Introduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans

Plus en détail

L évaluation d algorithmes d analyse vidéo Quelques pistes

L évaluation d algorithmes d analyse vidéo Quelques pistes L évaluation d algorithmes d analyse vidéo Quelques pistes Jean-François GOUDOU 1, Louise NAUD 1, Laurent GIULIERI 2, Jaonary RABARISOA 3, Olivier PIETQUIN 4, Dana CODREANU 5, Dijana PETROVSKA 6 1 THALES

Plus en détail

Audition candidature thèse IFSTTAR début Septembre 2013 Christophe CONIGLIO

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

Plus en détail

Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic

Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Jérôme Palayret 1,2, Auréline Quatrehomme 1,2, Denis Hoa 1, William Puech 2 IMAIOS,

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Datation d Images pour la Recherche Temporelle d Information

Datation d Images pour la Recherche Temporelle d Information Datation d Images pour la Recherche Temporelle d Information Paul MARTIN 1 Université de Caen Basse-Normandie Campus Côte de Nacre, Boulevard du Maréchal Juin CS 14032 14032 CAEN cedex 5 TEL : +33 (0)2

Plus en détail

Astuce du Noyau & Quantification Vectorielle

Astuce du Noyau & Quantification Vectorielle Astuce du Noyau & Quantification Vectorielle Matthieu Geist 1,2,3 Olivier Pietquin 1 Gabriel Fricout 2 1 Supélec, groupe de recherche IMS, Metz, France 2 ArcelorMittal Research, cluster MC, Maizières-lès-Metz,

Plus en détail

Indexation d'images. Cours Master IA&D. Techniques du traitement d'images. Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique

Indexation d'images. Cours Master IA&D. Techniques du traitement d'images. Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique Indexation d'images Cours Master IA&D Techniques du traitement d'images Antoine Manzanera - ENSTA /Unité d'électronique et d'informatique Indexation - Introduction Le sujet de ce cours est la recherche

Plus en détail

Représentation compacte des sacs de mots pour l indexation d images

Représentation compacte des sacs de mots pour l indexation d images Représentation compacte des sacs de mots pour l indexation d images Hervé Jégou Matthijs Douze Cordelia Schmid INRIA Grenoble, équipe-projet LEAR prenom.nom@inria.fr Résumé La représentation des images

Plus en détail

Reconnaissance de formes par invariants complets et convergents ; Application à l'indexation de bases d'objets à niveaux de gris

Reconnaissance de formes par invariants complets et convergents ; Application à l'indexation de bases d'objets à niveaux de gris Reconnaissance de ormes par invariants complets et convergents ; Application à l'indexation de bases d'objets à niveaux de gris Stéphane DERRODE, Rim MEZHOUD 2 et Faouzi GHORBEL 2 Département Image et

Plus en détail

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

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

Plus en détail

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

Change the game with smart innovation

Change the game with smart innovation Change the game with smart innovation Master Thesis 2013 2014 Faculty of Science engineering 22/03/2013 Master Thesis proposal for the academic year 2013. TABLE OF CONTENTS Section Un Introduction... 2

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

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

TÉMOIGNAGE ET POINT DE VUE D UN ÉDITEUR LOGICIEL CO FONDATEUR, EXALEAD,

TÉMOIGNAGE ET POINT DE VUE D UN ÉDITEUR LOGICIEL CO FONDATEUR, EXALEAD, ENSEIGNEMENTDESSTIC ENSEIGNEMENT DES STIC, TÉMOIGNAGE ET POINT DE VUE D UN ÉDITEUR LOGICIEL FRANÇOIS BOURDONCLE CO FONDATEUR, EXALEAD, TELECOM PARISTECH, 24 JUIN 2009 2009 L informatique: science ou outil?

Plus en détail

Cours de Data Mining PageRank et HITS

Cours de Data Mining PageRank et HITS Cours de Data Mining PageRank et HITS Andreea Dragut Univ. Aix-Marseille, IUT d Aix-en-Provence Andreea Dragut Cours de Data Mining PageRank et HITS 1 / 48 Plan du cours Présentation Andreea Dragut Cours

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

http ://www.labri.fr/perso/bugeau/

http ://www.labri.fr/perso/bugeau/ Aurélie Bugeau Etat civil Date de Naissance 17 septembre 1982 à Nantes (44) Nationalité Française Situation familiale Mariée, deux enfants Adresse professionnelle LaBRI, Université Bordeaux, 351 cours

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

Base de données en mémoire

Base de données en mémoire Base de données en mémoire Plan Bases de données relationnelles OnLine Analytical Processing Difficultés de l OLAP Calculs en mémoire Optimisations 1 Base de données relationnelle Introduction Date Exemple

Plus en détail

ALCOMP CATALOGUE DE FORMATION

ALCOMP CATALOGUE DE FORMATION ALCOMP CATALOGUE DE FORMATION 1 N Alcomp transfert de compétences vers nos clients» «Le 2 A : Formations ORACLE A1 : Fondamentaux : Sommaire A2 : Cursus développement : A3 : Cursus Administration : B1

Plus en détail

F4B202 Analyse de texture

F4B202 Analyse de texture F4B202 Analyse de texture Ronan Fablet Département Signal & Communications Tél : 02 29 00 12 87 Fax : 02 29 00 10 12 courriel : ronan.fablet@telecom-bretagne.eu Web : perso.enst-bretagne.eu/ronanfablet

Plus en détail

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 WEKA : c est quoi? Brigitte Bigi LPL - Équipe C3I 15 février 2011 Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 Introduction 1 Introduction 2 Classification supervisée 3 WEKA

Plus en détail

Analyses croisées de sites Web pour détecter les sites de contrefaçon. Prof. Dr. Olivier Biberstein

Analyses croisées de sites Web pour détecter les sites de contrefaçon. Prof. Dr. Olivier Biberstein Analyses croisées de sites Web pour détecter les sites de contrefaçon Prof. Dr. Olivier Biberstein Division of Computer Science 14 Novembre 2013 Plan 1. Présentation générale 2. Projet 3. Travaux futurs

Plus en détail

Table des matières. Module 1 L ARCHITECTURE D ORACLE... 1-1. Module 2 L INSTALLATION... 2-1

Table des matières. Module 1 L ARCHITECTURE D ORACLE... 1-1. Module 2 L INSTALLATION... 2-1 Table des matières Module 1 L ARCHITECTURE D ORACLE... 1-1 La base de données... 1-2 Le stockage des données... 1-4 L instance... 1-6 La zone «Shared Pool»... 1-7 La zone «Buffer Cache»... 1-8 L exécution

Plus en détail

Eléments pratiques de test des Hiérarchies et Frameworks

Eléments pratiques de test des Hiérarchies et Frameworks Eléments pratiques de test des Hiérarchies et Frameworks Notes de cours Christophe Dony Master Info Pro - Université Montpellier-II 1 Introduction 1.1 Définitions Génie Logiciel No 18, Mars 1990. EC2.

Plus en détail

Réseaux de neurones formels

Réseaux de neurones formels Réseaux de neurones formels Christian Jutten Lab. des Images et des Signaux (LIS) UMR 5083 Centre National de la Recherche Scientifique, Institut National Polytechnique de Grenoble, Université Joseph Fourier

Plus en détail

Rappels. Génie logiciel. Implemented tactics. Oldest architecture: Batch-Sequential

Rappels. Génie logiciel. Implemented tactics. Oldest architecture: Batch-Sequential Rappels Génie logiciel Philippe Dugerdil Composants, packages Couches & dépendances Principes de structuration Réutilisation / responsabilité Réutilisation & composants 09.12.2010 Oldest architecture:

Plus en détail

Fabriano. sécurité, tatouage, stéganographie et législation autour des documents multimedia

Fabriano. sécurité, tatouage, stéganographie et législation autour des documents multimedia Fabriano sécurité, tatouage, stéganographie et législation autour des documents multimedia Une histoire avec des voleurs, des gendarmes et des juristes. Domaine Sécurité et cadre juridique des techniques

Plus en détail

Identification de Données Partiellement Occultées en RdF Statistique.

Identification de Données Partiellement Occultées en RdF Statistique. Identification de Données Partiellement Occultées en RdF Statistique Barbara Romaniuk, Michel Desvignes Marinette Revenu, Marie-Josèphe Deshayes Laboratoire GREYC IMAGE, 6, Bvd Mal Juin, 14050 Caen cedex

Plus en détail

Conditions : stage indemnisé, aide au logement possible, transport CEA en Ile-de-France gratuit.

Conditions : stage indemnisé, aide au logement possible, transport CEA en Ile-de-France gratuit. Proposition de stage de BAC+4 ou BAC+5 Pro ou Recherche Etude comparative des outils de vérification d'algorithmes parallèles Logiciels (LSL), localisé à Palaiseau (Essonne), développe les outils d'aide

Plus en détail

Sélection de caractéristiques: méthodes et applications

Sélection de caractéristiques: méthodes et applications Université Paris Descartes UFR de Mathématiques et Informatique ED Informatique, Télécommunications et Electronique Thèse présentée pour l obtention du grade de Docteur de l université Paris Descartes

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 Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS

WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS WP2T23 «APPLICATION de de REFERENCE» Prototypage rapide d une application de traitement d images avec SynDEx EADS Avec l appui de l INRIA www-rocq.inria.fr/syndex 1 PLAN I. Présentation du sujet II. Présentation

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

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles) SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients

Plus en détail

RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES

RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES Sébastien Marcel Olivier Bernier Daniel Collobert France Telecom - CNET DTL / DLI / TNT 2 avenue Pierre Marzin 22307 Lannion FRANCE Les interfaces

Plus en détail

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Alzennyr Da Silva, Yves Lechevallier Projet AxIS, INRIA Paris-Rocquencourt Domaine de Voluceau,

Plus en détail

Insertion de proximal SVM dans des arbres aléatoires, mode d emploi

Insertion de proximal SVM dans des arbres aléatoires, mode d emploi Insertion de proximal SVM dans des arbres aléatoires, mode d emploi Cédric Simon 1, Jérôme Meessen 2, Christophe De Vleeschouwer 1 1 Laboratoire de Télécommunication et Télédétection, UCL 2, Place du Levant,

Plus en détail

Déploiement adaptatif des composants dans les sessions collaboratives

Déploiement adaptatif des composants dans les sessions collaboratives NOuvelles TEchnologies de la REpartition NOTERE 2005 Déploiement adaptatif des composants dans les sessions collaboratives Emir HAMMAMI, Thierry VILLEMUR {ehammami, villemur}@laas.fr LAAS-CNRS 7, avenue

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

Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses

Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique

Plus en détail

Enrichissement des bases de données d images médicales via la recherche participative

Enrichissement des bases de données d images médicales via la recherche participative BOUANANI Zahra (Laboratoire LIPADE, Soutenance Université Parisde Descartes, stagefrance) pour l obtention 11 Septembre du diplôme 2014 de1 Mast / 22 Soutenance de stage pour l obtention du diplôme de

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

Comparaison de tables à distance

Comparaison de tables à distance Rapport de recherche A/375/CRI Fabien Coelho fabien@coelho.net composé avec LAT E X, révision 463 du document 1 Fabien Coelho job enseignant-chercheur à MINES ParisTech ingénieur civil 1993, docteur en

Plus en détail

Modélisation et simulation économiques Chap 3 Introduction à la plateforme NetLogo

Modélisation et simulation économiques Chap 3 Introduction à la plateforme NetLogo Modélisation et simulation économiques Chap 3 Introduction à la plateforme NetLogo Murat Yıldızoğlu http ://yildizoglu.info Université Bordeaux IV GREΘA (UMR CNRS 5113) NetLogo? Eléments de langage Plateforme

Plus en détail

Dossier de qualification aux fonctions de maître de conférences SECTION 27. Sabrina TOLLARI

Dossier de qualification aux fonctions de maître de conférences SECTION 27. Sabrina TOLLARI Dossier de qualification aux fonctions de maître de conférences SECTION 27 Sabrina TOLLARI Décembre 2006 Thème de recherche : indexation et recherche d information multimédia 1 Table des matières 1 Notice

Plus en détail

Catalogue des PFE. Comment postuler

Catalogue des PFE. Comment postuler Catalogue des PFE 2012 2013 IP-TECH propose plusieurs sujets pour des stages de PFE. Ce fascicule est destiné aux étudiants et aux professeurs de l enseignement supérieur. Il commence par un aperçu rapide

Plus en détail

Performances. Gestion des serveurs (2/2) Clustering. Grid Computing

Performances. Gestion des serveurs (2/2) Clustering. Grid Computing Présentation d Oracle 10g Chapitre VII Présentation d ORACLE 10g 7.1 Nouvelles fonctionnalités 7.2 Architecture d Oracle 10g 7.3 Outils annexes 7.4 Conclusions 7.1 Nouvelles fonctionnalités Gestion des

Plus en détail

Classification de questions par traduction

Classification de questions par traduction Classification de questions par traduction Anne-Laure Ligozat LIMSI-CNRS rue John von Neumann 91403 Orsay Cedex prenom.nom@limsi.fr RÉSUMÉ. Dans cet article, nous nous intéressons à la classification de

Plus en détail