Séparation de sources et détection d anomalies en imagerie Hyperspectrale
|
|
- Adélaïde Guérard
- il y a 8 ans
- Total affichages :
Transcription
1 Séparation de sources et détection d anomalies en imagerie Hyperspectrale Alexis Huck, Magellium Mireille Guillaume, Institut Fresnel Colloque d inauguration de la Société Française de Télédétection Hyperspectrale 7-8 avril 2011, Paris
2 Plan de la présentation Problématique Modèle des données Résultats expérimentaux Conclusion
3 Plan de la présentation Problématique Modèle des données Résultats expérimentaux Conclusion
4 Plan de la présentation Problématique Modèle des données Résultats expérimentaux Conclusion
5 Plan de la présentation Problématique Modèle des données Résultats expérimentaux Conclusion
6 Problématique Table of contents Problématique Modèle des données Résultats expérimentaux Conclusion
7 Problématique Séparation de sources et détection Séparation de sources R = AS Démixage Analyse en composantes indépendantes Poursuite de projections
8 Problématique Séparation de sources et détection Séparation de sources R = AS Démixage Analyse en composantes indépendantes Poursuite de projections Détection d objets r N (m, Γ) LRT ou GLRT Supervisée, non supervisée Taux de fausse alarme constant?
9 Problématique Séparation de sources et détection Séparation de sources R = AS Démixage Analyse en composantes indépendantes Poursuite de projections Détection d objets r N (m, Γ) LRT ou GLRT Supervisée, non supervisée Taux de fausse alarme constant?
10 Problématique Séparation de sources et détection Séparation de sources R = AS Démixage Analyse en composantes indépendantes NON! anomalies? Poursuite de projections Détection d objets r N (m, Γ) LRT ou GLRT Supervisée, non supervisée Taux de fausse alarme constant?
11 Problématique Anomalies en imagerie hyperspectrale Définition Objets rares et de petite taille (distribution parcimonieuse des abondances) Spectralement distincts du fond Détection des anomalies Test d hypothèses (GLRT): Λ(r) p(r; ˆθ 1 H 1 ) H 1 p(r; ˆθ η 0 H 0 ) H 0 Algorithme RX et variantes (Reed and Yu, 1990) (r µ) ˆΓ 1 (r µ) TFAC, non discriminant
12 Problématique Poursuite de projections Recherche de directions optimisant un critère Critère sensible aux anomalies directions anormales 1 Permet de discriminer entre anomalies Pas de détection TFAC (carte de détection?) 1 Q. Du and I. Kopriva, Automated target detection and discrimination using constrained kurtosis maximization, IEEE GRSL, 2008
13 Problématique Problématique Scène (HYDICE) et Vérité terrain
14 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
15 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
16 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
17 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
18 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
19 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
20 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
21 Problématique Modèle et hypothèses Objectifs Détection à Taux de Fausses Alarmes Constant (TFAC); Discrimination des anomalies en classes homogènes; Modèle et hypothèses H 0 : cible absente r N (m, Γ) H 1 : cible présente r N (t d, Γ) H 2 : rareté des cibles; H 3 : sensibilité des anomalies au kurtosis; H 4 : orthogonalité des spectres des différentes classes de cibles (dans l espace blanchi);
22 Modèle des données Table of contents Problématique Modèle des données Résultats expérimentaux Conclusion
23 Modèle des données Modèle usuel H 0 : r ζ = b d ζ H 1 : r ζ = b d ζ + (td m) b d ζ N (m, Γ) vecteur aléatoire fond
24 Modèle des données Modèle usuel H 0 : r ζ = b d ζ H 1 : r ζ = b d ζ + (td m) b d ζ N (m, Γ) vecteur aléatoire fond Modèle proposé avant et après blanchiment r ζ = b d ζ + β ζ ( ) t d m i.e. Où β ζ suit une loi de Bernoulli de paramètre p β ζ B(p) z ζ = b ζ + β ζ t p : probabilité de présence d une anomalie en un pixel. p << 1
25 Modèle des données Projection des données On cherche une direction de projection représentative de l anomalie s = w T Z Variable aléatoire modélisée par s ζw = b ζw + β ζ t w Où b ζw = w T b ζ N (0, 1) et t w = w T t Théorème w parallèle à t w maximise (au moins localement) le kurtosis de s ζw.
26 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
27 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
28 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
29 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
30 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
31 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
32 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
33 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
34 Modèle des données Méthode: Poursuite de Composantes Anormales (PCA) 1. j = 1 et blanchiement Z 2. MCI (Masque de Conditions Initiales) 3. Projecteur initial: w 0 4. Maximisation du kurtosis: w 5. Projection des données sur w 6. Obtention du masque j 7. Z = P wz puis recherche de i 8. Si i MCI, j = j + 1 et retour à 3.
35 Modèle des données Poursuite de Composantes Anormales Taux de fausse alarme asymptotiquement constant RX : Λ(r) = z 2 2 H 1 H 0 η
36 Modèle des données Poursuite de Composantes Anormales Taux de fausse alarme asymptotiquement constant RX : Λ(r) = z 2 2 H 1 H 0 η Taux de fausse alarme κ = η f χ 2 L (x)dx
37 Modèle des données Poursuite de Composantes Anormales Taux de fausse alarme asymptotiquement constant RX : Λ(r) = z 2 2 H 1 H 0 η Taux de fausse alarme κ = η f χ 2 L (x)dx Poursuite de la direction la plus anormale autour du pixel le plus anormal i = argmax i (Λ(z i ))
38 Modèle des données Poursuite de Composantes Anormales Taux de fausse alarme asymptotiquement constant RX : Λ(r) = z 2 2 H 1 H 0 η Taux de fausse alarme κ = η f χ 2 L (x)dx Poursuite de la direction la plus anormale autour du pixel le plus anormal i = argmax i (Λ(z i )) Projection sur la direction trouvée et test d hypothèse: κ = θ f N (0,1) (x)dx
39 Modèle des données Poursuite de Composantes Anormales Taux de fausse alarme asymptotiquement constant RX : Λ(r) = z 2 2 H 1 H 0 η Taux de fausse alarme κ = η f χ 2 L (x)dx Poursuite de la direction la plus anormale autour du pixel le plus anormal i = argmax i (Λ(z i )) Projection sur la direction trouvée et test d hypothèse: κ = θ f N (0,1) (x)dx j masques de détection
40 Résultats expérimentaux Table of contents Problématique Modèle des données Résultats expérimentaux Conclusion
41 Résultats expérimentaux Résultats pour des données HYDICE Scène HYDICE / Vérité terrain / P. C. Anormales (κ = 10 6 ) / K-means
42 Résultats expérimentaux Résultats pour des données HYDICE Scène HYDICE / Vérité terrain / P. C. Anormales (κ = 10 6 ) / K-means
43 Résultats expérimentaux Résultats pour des données HYDICE Scène HYDICE / Vérité terrain / P. C. Anormales (κ = 10 6 ) / RX
44 Résultats expérimentaux Courbes COR pour les données HYDICE Spectres du fond et des panneaux Courbes COR des algorithmes PCA (non supervisé), ACE (supervisé) et RX (non supervisé)
45 Résultats expérimentaux Desert Radiance et carte de détection obtenue avec la Pousuite de Composantes Anormales
46 Résultats expérimentaux Taux de fausse alarme Taux de fausse alarme théorique en fonction du taux de fausse alarme expérimental taux de fausse alarme asymptotiquement constant Nombre de composantes en fonction du taux de fausse alarme théorique
47 Résultats expérimentaux Cas de fonds inhomogènes Image issue de données Cuprite et carte de détection issue du RX image moyenne de la scene et carte RX
48 Résultats expérimentaux Données Cuprite Pfa = 10 6 Six premiers masques d anomalies Une anomalie suplémentaire
49 Résultats expérimentaux Interprétation des résultats Meilleure détection à taux de fausse alarme fixé dimensionalité Représentation schématique de la poursuite de composantes
50 Conclusion Table of contents Problématique Modèle des données Résultats expérimentaux Conclusion
51 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
52 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
53 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
54 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
55 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
56 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
57 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
58 Conclusion Conclusion PCA 2 : SYNERGIE! Détection basée sur des Tests d Hypothèses (TH) probabilistes et sur la Poursuite de Projections (PP); Exploitation conjointe des statistiques d ordre 2 et 4; Propriété TFAC asymptotique Pouvoir discriminant: un masque de détection par famille d anomalies Meilleure détection à taux de fausse alarme fixé Estimation automatique du nombre de composantes anormales; 2 Huck and Guillaume, IEEE TGRS 2010
Baccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailCOLLOQUE NATIONAL de la PERFORMANCE INDUSTRIELLE
COLLOQUE NATIONAL de la PERFORMANCE INDUSTRIELLE Analyse vibratoire expérimentale : outil de surveillance et de diagnostic Dr Roger SERRA ENIVL / LMR 1 Contexte (1/2) Première publication de la charte
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailCalculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Plus en détailContributions à l apprentissage statistique en grande dimension, adaptatif et sur données atypiques
Université Paris 1 Panthéon Sorbonne Mémoire présenté par Charles BOUVEYRON pour l obtention de l Habilitation à Diriger des Recherches Spécialité : Mathématiques Appliquées Contributions à l apprentissage
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailNote de cadrage du PEPI MACS Mathématiques Appliquées & Calcul Scientifique
Note de cadrage du PEPI MACS Mathématiques Appliquées & Calcul Scientifique Périmètre Le périmètre du PEPI concerne les méthodes et outils utilisés pour le traitement informatisé des données scientifiques.
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailSPOT4 (Take 5) : Sentinel-2 avec deux ans d avance
SPOT4 (Take 5) : Sentinel-2 avec deux ans d avance Olivier Hagolle Mercredi 6 février 2012 Sentinel-2 : révolution du suivi de la végétation par télédétection 13 bandes spectrales, résolution 10m à 20m,
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailTEMPÉRATURE DE SURFACE D'UNE ÉTOILE
TEMPÉRATURE DE SURFACE D'UNE ÉTOILE Compétences mises en jeu durant l'activité : Compétences générales : Etre autonome S'impliquer Elaborer et réaliser un protocole expérimental en toute sécurité Compétence(s)
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailÉtude de données multisources par simulation de capteurs et clustering collaboratif
Étude de données multisources par simulation de capteurs et clustering collaboratif Germain Forestier, Cédric Wemmert, Pierre Gançarski Université de Strasbourg - LSIIT - CNRS - UMR 75 Pôle API, Bd Sébastien
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailL effet régulateur des moteurs de recherche. MICHEL Laurent
L effet régulateur des moteurs de recherche MICHEL Laurent 3 février 26 Table des matières Mesure de la qualité d une page Web : l algorithme PageRank 4. L algorithme......................................
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailPHYSIQUE 2 - Épreuve écrite
PHYSIQUE - Épreuve écrite WARIN André I. Remarques générales Le sujet de physique de la session 010 comprenait une partie A sur l optique et une partie B sur l électromagnétisme. - La partie A, à caractère
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailJournée des utilisateurs de Salome-Meca et code_aster ETUDE SISMIQUE DE LA PINCE VAPEUR
Journée des utilisateurs de Salome-Meca et code_aster 18 Mars 2014 ETUDE SISMIQUE DE LA PINCE VAPEUR 1 CIPN/GC - Groupe Séisme Sommaire Description de la pince vapeur et du contexte Présentation des diagnostics
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailMaster de Recherche première année. Programme de cours 2008-2011
Master de Recherche première année Mention : Mathématiques et Applications Spécialité : Mathématiques fondamentales et appliquées Responsable : Xue Ping WANG Programme de cours 2008-2011 Module M1 : Analyse
Plus en détailÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS
ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS B. Badri 1 ; M. Thomas 1 ; S. Sassi 2 (1) Department of Mechanical Engineering,
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailAnalyse de risque quantitative pour les structures pétrolières
UNIT : Projet Cyber Ingénierie des Risques en Génie Civil Analyse de risque quantitative pour les structures pétrolières COORDONNATEUR : H. NIANDOU AUTEUR : F. SCHOEFS. Juillet 2009 Table des matières
Plus en détailCRYPTOGRAPHIE. Signature électronique. E. Bresson. Emmanuel.Bresson@sgdn.gouv.fr. SGDN/DCSSI Laboratoire de cryptographie
CRYPTOGRAPHIE Signature électronique E. Bresson SGDN/DCSSI Laboratoire de cryptographie Emmanuel.Bresson@sgdn.gouv.fr I. SIGNATURE ÉLECTRONIQUE I.1. GÉNÉRALITÉS Organisation de la section «GÉNÉRALITÉS»
Plus en détailDESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion
Sous filière : IAME DESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion COORDONNATEUR DU MODULE: Professeur FEKRI Mohammed Département : RIM Objectif : Ce module a pour objectif d initier les élèves
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailAnalyse 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailIMAGERIE PAR TOMOGRAPHIE ÉLECTRIQUE RÉSISTIVE DE LA DISTRIBUTION DES PHASES DANS UNE COLONNE À BULLES
IMAGERIE PAR TOMOGRAPHIE ÉLECTRIQUE RÉSISTIVE DE LA DISTRIBUTION DES PHASES DANS UNE COLONNE À BULLES E. Fransolet, M. Crine, G. L Homme, Laboratoires de Génie Chimique, P. Marchot, D. Toye. Université
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailLes outils de simulation. Myriam HUMBERT CETE Ouest
Les outils de simulation Myriam HUMBERT CETE Ouest Outils de simulation pour la GPE Objectif Ø Recommandations pour la mise en œuvre des calculs dans le cadre d une GPE ü Analyse qualitative des outils
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailCommunications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
Plus en détail