v2.11.0 (5354)

Cours scientifiques - ES203 : Reconnaissance des formes

Domaine > Sciences et technologies de l'information et de la communication.

Descriptif

Née dans les années 50 avec l'apparition de l'informatique, mais longtemps limitée à de la recherche universitaire ou des applications militaires, la reconnaissance des formes (<i>pattern recognition</i>) a connu plus récemment un essor remarquable, porté par l’Internet (<i>Big Data</i>), la téléphonie mobile, l’automobile, la sécurité … et toujours, la défense.

La théorie de l’apprentissage, de tout temps au cœur de cette discipline, s’est considérablement enrichie, avec des techniques telles que les <i>support vector machines</i>, les réseaux de neurones ou le <i>deep learning</i>. Ainsi, des applications qui relevaient encore de la recherche il y a 10 ans sont désormais sur le marché : reconnaissance de la parole sur téléphone mobile, recherche d’informations sur Internet (<i>data mining</i>) à des fins de publicité ou de sécurité, reconnaissance de visages (sur appareil photo ou sur Internet), d’empreintes digitales ou d’iris, de plaques minéralogiques, vidéosurveillance pour la protection de site ou la sécurisation de grands évènements, voire de villes entières, pour citer seulement les plus médiatiques. Côté systèmes de défense, la reconnaissance des formes joue un rôle toujours plus important en milieux terrestre, naval ou aéroporté pour des missions de reconnaissance, de surveillance, de guidage, de robotique ou pour de l’auto-protection.

Pour autant, des progrès importants demeurent nécessaires pour satisfaire un  marché très demandeur. De nouvelles recherches permettront à de nouvelles applications de voir le jour : dictaphone, traduction automatique, moteurs de recherche avancés (incluant compréhension sémantique du langage et recherche d’images par le contenu), systèmes experts en médecine, en juridique, aide à la conduite automobile, voire conduite autonome en milieu simple, livraisons par des drones et sans doute bien d’autres qui restent à imaginer.

Le cours se veut une introduction à ce domaine plein d’avenir que les élèves pourront approfondir dans suite de leur cursus. Il vise à en donner les bases théoriques, une vision d’ensemble et surtout une méthodologie pour concevoir des systèmes tels que ceux évoqués ci-dessus. Il présente successivement les 3 grands types de méthodes (statistiques, syntaxiques et structurelles) qui devront être combinées dans les systèmes de demain. Il analyse les avantages et les limites de chacune. Il entraîne l'élève à bâtir la meilleure solution pour un problème donné, notamment au travers d’études de cas sous forme de <i>brain storming</i> de groupe.

21 heures en présentiel (7 blocs ou créneaux)
réparties en:
  • Cours magistral : 6
  • Contrôle : 3
  • Petite classe : 12

Diplôme(s) concerné(s)

Parcours de rattachement

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Aucun pré-requis.

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Vos modalités d'acquisition :

 Interrogation écrite et mini-projet avec soutenance

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS
  • Scientifique acquis : 2

Le coefficient de l'UE est : 2

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Programme détaillé

1. CM: Introduction: objectifs, applications et principales approches
Différents modes de représentation des objets
2. PC: Choix de tests pour la reconnaissance des chiffres manuscrits
3. CM: Théorie bayésienne de la décision
Méthode paramétrique bayésienne
Méthode des fenêtres de Parzen
4. PC: Méthode des K plus proches voisins
Méthode de la séparation linéaire
5. CM: Apprentissage sans professeur
Analyse en composantes principales
Analyse discriminante
Méthodes séquentielles de décision
6. PC: Suivi de contours
Extraction de parties connexes
7. CM: Réseaux de neurones
Support Vector Machines
8. PC: Classification thématique d'images de satellite
9. CM: Méthodes syntaxiques
Représentation par une chaîne
Comparaison de 2 chaînes, distances de chaînes
Grammaires régulières et algébriques
10. PC: Exercices sur la notion de grammaire
11. CM: Méthodes structurelles
Représentation d'une scène par un graphe
Introduction à la compréhension du langage
12. PC: Exercices sur la représentation d'un objet par un graphe
Mise en correspondance d'une carte et d'une vue aérienne
Reconnaissance d'objets dans un vrac planaire
13. Contrôle: Soutenances du miniprojet

Mots clés

Reconnaissance des formes, identification d'objets, analyse de scènes, classification, apprentissage sur machine, vision des robots, réseaux neuromimétiques
Veuillez patienter