SlideShare une entreprise Scribd logo
1  sur  81
1
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
2
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
3
4
La forte variabilité
de panneaux de
signalisation routière
(PSR) dans des
environnements non
contrôlés a rend leur
détections et
classification un
problème difficile !!!
La reconnaissance PSR permet de prévenir le conducteur de
ne pas prendre des décisions inappropriées dans des
situations potentiellement dangereuses.
Fig.1 Certains panneaux d'avertissement.
5
Les méthodes de reconnaissance des PSR sont utilisées en
combinaison avec d'autres méthodes afin de recueillir des
informations, mesurer de la position par rapport à la
route et l'orientation des différents points de repère en
mouvement dans la plate-forme terrestre.
6
Dans la littérature, on peut trouver deux
principales approches pour résoudre le
problème de la RPS:
1. Reconnaissance basée sur la couleur
2. Reconnaissance basée sur les niveaux de gris
Fig.2 Résultats de reconnaissance de la RPS
7
La première s'appuie sur la couleur pour réduire de faux
résultats positifs dans le processus de reconnaissance
alors que les méthodes de niveaux de gris se concentrent
sur la géométrie de l'objet.
Des travaux récents utilisent combinaison des deux cases
pour améliorer le taux de détection.
8
Le seuil est appliqué sur une représentation
HSV(HUE,SATURATION,VALUE) de l'image pour trouver des
régions avec une forte probabilité d'avoir un panneau de
signalisation.
Fig.3 Le seuil est appliqué sur une représentation HSV
9
Une fois que les régions sont normalisées à une taille
prédéfinie, un SVM linéaire est utilisé pour classer la
région de l'une des formes possibles, comme cercle ou
d'un triangle.
La couleur et les informations sur la forme sont
utilisées pour la classification grossière, et enfin un
SVM gaussien est utilisé pour effectuer l'étape de
classification fine.
10
Puisque l'information de couleur est fortement liée
au type de caméra, éclairage et vieillissement du
signe, l'utilisation des informations de couleur
introduit des difficultés supplémentaires pour le
processus de reconnaissance!!!
Fig.4 Le
vieillissement du
panneau
Fig.5 Différents
éclairages du
panneau
11
Solutions pour résoudre l’enjeu:
1. Réseau neuronal
2. Approche complexe basée sur une cascade de détecteurs,
où chacun est un ensemble de classificateurs
dopés « Boosted » sur la base des caractéristiques de
Haar.
Pour le dernier: Lienhart et Maydt [3] ont présenté une
extension d’ensemble des caractéristiques de Haar, ce qui
démontre que Adaboost converge plus rapidement et avec de
meilleurs résultats lorsque l’ensemble des
caractéristiques est grand.
12
D'autre part, en raison de la
recherche exhaustive sur les
caractéristiques exposées, le temps
d’apprentissage s’augmente par
rapport au nombre de
caractéristiques.
Ce fait rend impossible toute
approche qui tente d'étendre
l'ensemble des caractéristiques.
13
Les auteurs proposent une technique pour
résoudre le dernier problème.
« Error Correcting Output Codes (ECOC) »
Cette technique est un outil de
catégorisation multi-classe très réussi en
raison de sa capacité à partager les
connaissances du classificateur entre les
classes.
ECOC démontre une haute précision avec un
très petit nombre de classificateurs
binaires.
14
:
1. La détection de PSR de l’arrière-plan se
fait à l’aide de la méthode évolutive
AdaBoost.
2. Deuxièmement, pour faire face au problème
de catégorisation multi-classe, afin de
faire la distinction entre un grand nombre
de classes, la technique d'apprentissage
multi-classe « ECOC » sera utilisée.
15
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
16
Le processus de détection prend une
image en entrée et fournit en sortie
les régions qui contiennent l'objet
candidat.
17
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
18
Lorsqu’on travaille avec des problèmes
asymétriques tels que la détection de
l'objet, chaque fois qu’on analyse
une image, le système doit se
débarrasser d'un grand nombre de
régions négatives alors que seulement
celles correspondant à l'objet que
nous recherchons sont conservés.
19
L'architecture en cascade permet de
jeter les régions non-objets faciles
à coût de calcul faible, tandis que
les régions plus complexes sont
profondément analysées.
20
Ensuite, un classificateur est
entraîné à réaliser un nombre calcul
minimal et obtenir un taux maximal de
fausse alarme.
Ce processus est répété jusqu'à ce
que le nombre désiré de phases ou le
taux de fausses alarmes atteignent le
but désiré.
21
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
22
Le « Dissociated Dipole » opérateur
est un outil pour effectuer des
comparaisons d'image non-locales.
Comme un arrête-viseur de recherche
simple, « Dissociated Dipole » est un
opérateur différentiel composé d'un
excitateur et d’un lobe inhibiteur,
et peut être utilisé dans n'importe
quelle orientation ou échelle.
23
Fig.6 Le but de l'approche des
« Dissociated Dipole » est de
dissocier les deux attributs
24
La valeur moyenne de tous les pixels dans le dipôle
inhibiteur est soustraite de la valeur moyenne des pixels
excitateurs dipolaires. Comme dans le cas des fonctions
de Haar, l'image intégrale est utilisée pour calculer la
somme des pixels à l'intérieur des régions
rectangulaires.
Fig.7 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 2, [1]
25
En termes de calcul, l'utilisation de
dipôles dissociées signifie que si on
augmente les caractéristiques d'environ
600.000 à plus de 230 caractéristiques dans
une taille de fenêtre d’apprentissage de 30
× 30 pixels, ce qui rend l'approche
classique de calcul .
Pour faire face à cette limitation, nous
définissons une approche évolutive de
Adaboost.
26
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
27
« Boosting » est une technique
d'apprentissage puissant qui permet de
combiner la performance de nombreuses
fonctions simples de classification ou
classificateurs faibles pour produire un
classificateur fort.
28
AdaBoost - est un méta-algorithme.
Dans l'apprentissage, il construit une
composition des algorithmes d'apprentissage
de base pour améliorer leur efficacité.
AdaBoost algorithme adaptatif est
amplifiant, en ce sens que chaque
classifier est basé sur les objets
suivants, qui sont mal classés en utilisant
des classificateurs précédents.
29
Cette méthode est basée sur un algorithme
adaptatif boosting (gain adaptatif) ou
AdaBoost abrégée. Le sens de l'algorithme
est que, si nous disposons d'un ensemble
d'objets de référence, c’est-a-dire d’avoir
les valeurs et la classe à laquelle ils
appartiennent (par exemple: -1  pas de
visage, +1  a un visage), en plus il y a
beaucoup de classificateurs simples, nous
pouvons faire un classificateur meilleur et
puissant.
30
Fig.8 Exemple des objets sur une visage
31
L’algorithme d’AdaBoost
AdaBoost appelle un classificateur faible
pour chaque cycle. Après chaque appel est
faite la mise à jour de poids de
distribution qui répondent à l'importance
de chacun des objets comme un ensemble
d’apprentissages pour la classification.
Ensuite, à chaque itération, le poids
d’objet mal classé augmente, de sorte que
le nouveau classificateur "concentre" sur
ses objets.
32
Avantages de l'algorithme Adaboost.
1. Bonne capacité de généralisation. En vrais
problèmes (pas toujours, mais souvent) il
est possible de construire une composition
qui est de qualité supérieure par rapport
l’algorithme de base. La capacité de la
généralisation peut être améliorée (dans
certains problèmes) en augmentant le
nombre d'algorithmes de base.
33
Avantages de l'algorithme Adaboost.
2. Facile à mettre en œuvre.
34
Avantages de l'algorithme Adaboost.
3. La durée de la construction des
compositions est presque entièrement
déterminé par les algorithmes
d'apprentissage de base.
35
Avantages de l'algorithme Adaboost.
4. Capable d'identifier les objets qui sont
des émissions de bruit.
36
Inconvénients de l'algorithme
Adaboost.
1. AdaBoost a tendance à surapprentissage
quand il y a un bruit important dans les
données.
37
Inconvénients de l'algorithme
Adaboost.
2. AdaBoost nécessite un échantillon
d’apprentissage suffisamment long.
38
Inconvénients de l'algorithme
Adaboost.
3. La stratégie d’ajouter un grand nombre de
classificateurs conduits à la
construction d'un ensemble non optimal
de la base des algorithmes.
39
Inconvénients de l'algorithme
Adaboost.
4. Boosting peut conduire à la construction
des compositions volumineux, constitué
de centaines d'algorithmes.
40
Fig.9 Algorithme AdaBoost
41
Fig.9 Exemple de fonction de l’Algorithme AdaBoost
42
Fig. 8 Caractéristiques d’Haar
43
Dans l'approche « Boosting » classique, une
recherche exhaustive est utilisée pour
trouver le meilleur classificateur faible.
Par conséquent, avec un énorme ensemble de
caractéristiques, cette approche devient
impossible de calculer.
44
Le « evolutionary weak learner » minimise le
poids d'erreur de l’Adaboost :
(1)
Où:
X = {(xi, yi)|i = 1 : m} sont les paires
d'échantillons-étiquette composées de
l’ensemble d’apprentissage
W = {w1,w2, ...,wm} est la distribution de poids
Adaboost sur l'ensemble d'apprentissages
h (xi) correspond à l'étiquette prédite par
l'hypothèse h pour le xi objet d’apprentissage
45
Les approches classiques basées sur la
descente de gradient ne peuvent pas être
appliquées sur ce problème.
Une autre solution est l'utilisation d'une
approche évolutive.
46
La stratégie évolutive plus connu est
l'algorithme génétique, qui fait une
recherche sur les espaces de solutions
utilisant les trois concepts de base de la
théorie de Darwin:
1. mutation
2. cross-over
3. sélection naturelle.
47
L'algorithme évolutionnaire remplace la
recherche exhaustive sur toutes les
caractéristiques de sorte que même de très
grands ensembles de caractéristiques
peuvent être recherchés dans un délai
raisonnable.
L'utilisation d’algorithmes évolutionnaires dans le domaine du
traitement de l'image, en particulier l'apprentissage automatique
des caractéristiques de détection d'objet, est un domaine de
recherche qui reçoit un intérêt croissant.!!!
48
Fig.10 Algorithme évolutive
49
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
50
Lorsqu’on travaille avec des algorithmes
évolutionnaires, nous devons définir deux
éléments de base: les individus et la
fonction d'évaluation.
51
La fonction d'évaluation
(2)
où I est un individu
52
L'étape suivante est de déterminer les
paramètres qui sont nécessaires pour
définir h, ou en d'autres termes, pour
décider la dimension de I.
53
La définition de l'apprenant faible « Weak
Learner » est constitué d'une
caractéristique et une valeur de
seuil(threshold).
La fonction peut être paramétré par la
position en haut à gauche, et la taille de
l'une des régions et leur type.
54
La taille, le poids, et la position des autres
régions qui sont conformes à la fonction Haar-
like sont fixées par le type de
caractéristique.
Fig.9 La définition des caractéristiques de Haar à partir d'une
région donnée et du type de valeur.
55
On définit un classificateur faible sur la
base du dissocié dipôle que
h(I,Thr,xi)->{-1, 1}
où
I=(Rex,Rey,Rew,Reh,Rix,Riy,Piw,Rih)
Re étant le dipôle excitateur
et le paramètre de type T est changé par
les paramètres du dipôle inhibiteur Ri.
Les dipôles dissociés ne sont pas affectés par l'échelle étant
donné que la valeur moyenne est utilisée au lieu de la somme.
56
Cette approche présente deux avantages
principaux:
la normalisation de l'éclairement n’est pas
nécessaire
et l'élimination du processus
d'apprentissage par seuil(threshold) réduit
le temps d'évaluation.
57
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
58
L'approche finale est résumée dans
l'algorithme évolutionnaire Adaboost montré
dans l'algorithme 1.
Cet algorithme est utilisé pour apprendre
toutes les étapes de la cascade de
détection.
Cet algorithme utilise itérativement un
algorithme génétique pour minimiser
l'erreur pondérée et pour instancier les
paramètres d'un nouveau classificateur
faible qui est ajouté à l'ensemble final.
59
Algorithme 1:
60
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
61
Une fois un objet trouvé, nous devons le
classer parmi un grand nombre de classes.
En ce sens, ECOCs représentent une
technique de classification qui permet la
combinaison des classificateurs de base
pour résoudre le problème multi-classes.
62
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
63
La conception d'un ECOC est basée sur un
codage et une stratégie de décodage, où le
codage à pour objectif d’assigner un
codeword à chacune des classes Nc (jusqu'à
mots de code Nc), et le décodage vise à
attribuer une étiquette de classe à un
nouveau test de codeword .
Codeword - est une séquence de bits qui
représente une classe.
64
Fig.10 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 4, [1]
Les distances communes à décoder sont la Hamming et les distances
euclidiennes
65
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
66
fait en sorte que la
séparation de codeword optimal est
sacrifiée en faveur d'une amélioration de
la discrimination de classe dans les
partitions. La création de l'ensemble de
séparation hiérarchique est effectuée en
utilisant un arbre binaire. En conséquence,
une matrice compacte à haut pouvoir de
discrimination est obtenue.
67
Algorithme 2. Entraînement de Forest-ECOC
68
Fig.11 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC
classification », page 5, [1]
69
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
70
Fig.12 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 5, [1]
71
Le système de cartographie mobile possède
une paire stéréo de caméras calibrées, qui
sont synchronisés avec un système GPS. Par
conséquent, le résultat de l'étape
d'acquisition est un ensemble de couples
stéréoscopiques d'images avec leur position
et de l'information d'orientation.
72
Fig.13 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 7, [1]
73
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
74
Les auteurs ont exécuté le processus
d'apprentissage au cours du même
entraînement et test 50 fois, en utilisant
50 itérations de l'Adaboost évolutive.
Dans le cas de l'algorithme génétique, ils
ont calculé la valeur d'erreur moyenne sur
tous les tours pour chaque itération.
75
Fig.14 « Traffic Sign Recognition using Evolutionary Adaboost
detection and Forest-ECOC classification », page 7, [1]
76
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
77
Les auteurs ont présenté une méthode de calcul faisable
pour la sélection de caractéristiques basée sur une
stratégie évolutive. Depuis la recherche exhaustive sur
toutes les combinaisons entre caractéristiques et le
seuil(threshold) sont remplacées par l'approche
évolutionniste et caractéristiques ordinales.
L'approche finale a deux avantages principaux:
1. Elle accélère le processus d'apprentissage et permet de
travailler avec de grands ensembles de caractéristiques
et de distinguer entre l'objet et le plan-arrière, dont
le calcul est impossible en utilisant les méthodes
traditionnelles en raison du nombre énorme de
caractéristiques.
2. Elle propose la stratégie de classification Forest-CEC
pour résoudre le problème de la catégorisation multi-
classes.
78
1.Introduction
2.Détection
a. Architecture de détection
b. Dipôles dissociés
c. « Evolutive Adaboost »
d. Classificateur faible
e. Algorithme d'apprentissage
3.Classification: Forest-ECOC
a. « Error Correcting Output Codes »
b. « Forest-ECOC »
4.Système de reconnaissance de signes de circulation
5.Résultats
6.Conclusion
7.Références
79
[1] « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC
classification », Xavier Baro, Sergio Escalera et al., Intelligent Transportation Systems,
IEEE Transactions on (Volume:10 , Issue: 1 ), pages: 113-126, March 2009;
URL: http://www.maia.ub.es/~sergio/files/Transport09.pdf
[2] « Combining Adaboost Learning and Evolutionary Search to select Features for Real-Time Object
Detection », Andre Treptow and Andreas Zell, Evolutionary Computation, 2004. CEC2004. Congress
on (Volume:2 ), pages: 2107-2113, June 2004;
URL: http://u-173-c140.cs.uni-tuebingen.de/mitarb/treptow/publications/treptow04-cec.pdf
[3] « An Extended Set of Haar-like Features for Rapid Object Detection», R. Lienhart and J. Maydt,
Proc. of IEEE Conf. Image Processing, pages: 155–162, 2002;
URL: http://www.lienhart.de/Prof._Dr._Rainer_Lienhart/Source_Code_files/ICIP2002.pdf
[4] « Circulation et Signalisation routière reconnaissance », Hasan Fleyeh, July 2008;
URL: http://www.diva-portal.org/smash/get/diva2:523372/FULLTEXT01.pdf
[5] « Dissociated Dipoles: Image Representation via Non-local Comparisons », Benjamin J.Balas et
Pawan Sinha, Massachusetts Institute of Technology — Artificial Intelligence laboratory,
August 2003
URL: http://dspace.mit.edu/bitstream/handle/1721.1/7276/AIM-2003-018.pdf?sequence=2
[6] « Explaining AdaBoost », Robert E. Schapire, In Bernhard Schölkopf, Zhiyuan Luo, Vladimir
Vovk, editors, Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik, Springer, 2013
URL: https://www.cs.princeton.edu/~schapire/papers/explaining-adaboost.pdf
[7] La présentation « AdaBoost » de Jan Sochman, Jiri Matas, Center for Machine Perception
Czech Technical University, Prague
URL: http://cmp.felk.cvut.cz/~sochmj1/adaboost_talk.pdf
80
81

Contenu connexe

Tendances

réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels Oussama Werfelli
 
Ia project Apprentissage Automatique
Ia project Apprentissage AutomatiqueIa project Apprentissage Automatique
Ia project Apprentissage AutomatiqueNizar Bechir
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...Amal Targhi
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neuronesMariam Amchayd
 
Chap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesChap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesMohammed TAMALI
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Technologia Formation
 
cours de spectroscopie
cours de spectroscopiecours de spectroscopie
cours de spectroscopieAnne Baudouin
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning Niji
 
Les Filtres Numeriques
Les Filtres NumeriquesLes Filtres Numeriques
Les Filtres NumeriquesSAHELAicha
 
ELE2611 Classe 4 - Filtres analogiques linéaires II
ELE2611 Classe 4 - Filtres analogiques linéaires IIELE2611 Classe 4 - Filtres analogiques linéaires II
ELE2611 Classe 4 - Filtres analogiques linéaires IIJerome LE NY
 
Commande optimale
Commande optimaleCommande optimale
Commande optimaleAdouane
 
Rapport Mini-Projet Recherche Opérationnelle
Rapport Mini-Projet Recherche OpérationnelleRapport Mini-Projet Recherche Opérationnelle
Rapport Mini-Projet Recherche OpérationnelleCibamboSteven
 
Presentation fpga
Presentation fpgaPresentation fpga
Presentation fpgaImad Bourja
 
TP1 Traitement d'images Génie Logiciel avec Matlab
TP1 Traitement d'images Génie Logiciel avec MatlabTP1 Traitement d'images Génie Logiciel avec Matlab
TP1 Traitement d'images Génie Logiciel avec MatlabMariem ZAOUALI
 

Tendances (20)

Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels
 
Réseaux de neurones
Réseaux de neurones Réseaux de neurones
Réseaux de neurones
 
Formation traitement d_images
Formation traitement d_imagesFormation traitement d_images
Formation traitement d_images
 
Intelligence-artificielle-cancer-du-sein.pptx
Intelligence-artificielle-cancer-du-sein.pptxIntelligence-artificielle-cancer-du-sein.pptx
Intelligence-artificielle-cancer-du-sein.pptx
 
Ia project Apprentissage Automatique
Ia project Apprentissage AutomatiqueIa project Apprentissage Automatique
Ia project Apprentissage Automatique
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neurones
 
Chap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesChap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmes
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]
 
Traitement de signal
Traitement de signalTraitement de signal
Traitement de signal
 
cours de spectroscopie
cours de spectroscopiecours de spectroscopie
cours de spectroscopie
 
Td2 pg2-corrige
Td2 pg2-corrigeTd2 pg2-corrige
Td2 pg2-corrige
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Les Filtres Numeriques
Les Filtres NumeriquesLes Filtres Numeriques
Les Filtres Numeriques
 
ELE2611 Classe 4 - Filtres analogiques linéaires II
ELE2611 Classe 4 - Filtres analogiques linéaires IIELE2611 Classe 4 - Filtres analogiques linéaires II
ELE2611 Classe 4 - Filtres analogiques linéaires II
 
Commande optimale
Commande optimaleCommande optimale
Commande optimale
 
Rapport Mini-Projet Recherche Opérationnelle
Rapport Mini-Projet Recherche OpérationnelleRapport Mini-Projet Recherche Opérationnelle
Rapport Mini-Projet Recherche Opérationnelle
 
Presentation fpga
Presentation fpgaPresentation fpga
Presentation fpga
 
TP1 Traitement d'images Génie Logiciel avec Matlab
TP1 Traitement d'images Génie Logiciel avec MatlabTP1 Traitement d'images Génie Logiciel avec Matlab
TP1 Traitement d'images Génie Logiciel avec Matlab
 

En vedette

Les systèmes RADAR (CFAR)
Les systèmes RADAR (CFAR)Les systèmes RADAR (CFAR)
Les systèmes RADAR (CFAR)amsnet
 
PCR : Polymerase chain reaction : classique et en temps réel
PCR : Polymerase chain reaction : classique et en temps réelPCR : Polymerase chain reaction : classique et en temps réel
PCR : Polymerase chain reaction : classique et en temps réelNadia Terranti
 
Plagiat : Détection et prévention
Plagiat : Détection et préventionPlagiat : Détection et prévention
Plagiat : Détection et préventionJean-Luc Trussart
 
Presoutenance
PresoutenancePresoutenance
PresoutenanceJun XIONG
 
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...Analyse de méthodes intelligentes de détection de fissures dans diverses stru...
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...Papa Cheikh Cisse
 
Protection perimetrique
Protection perimetriqueProtection perimetrique
Protection perimetriqueMATECH
 
Détection des droites par la transformée de Hough
Détection des droites par la transformée de HoughDétection des droites par la transformée de Hough
Détection des droites par la transformée de HoughKhaled Fayala
 
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)Hackfest Communication
 
Treasury Web Report
Treasury Web ReportTreasury Web Report
Treasury Web Report3V FINANCE
 
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...Pôle Qualiméditerranée
 
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012Jazem HALIOUI
 
Meetup #6 Voiture Connectée à Paris
Meetup #6 Voiture Connectée à ParisMeetup #6 Voiture Connectée à Paris
Meetup #6 Voiture Connectée à ParisLaurent Dunys
 
QIAseq Technologies for Metagenomics and Microbiome NGS Library Prep
QIAseq Technologies for Metagenomics and Microbiome NGS Library PrepQIAseq Technologies for Metagenomics and Microbiome NGS Library Prep
QIAseq Technologies for Metagenomics and Microbiome NGS Library PrepQIAGEN
 
Nias nagas presentar
Nias nagas presentarNias nagas presentar
Nias nagas presentarChikytaty
 
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIA
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIAPUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIA
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIAEsteban Uyarra Encalado
 
Evolución normativa en España hasta las NIAS
Evolución normativa en España hasta las NIASEvolución normativa en España hasta las NIAS
Evolución normativa en España hasta las NIASEsteban Uyarra Encalado
 

En vedette (20)

Les systèmes RADAR (CFAR)
Les systèmes RADAR (CFAR)Les systèmes RADAR (CFAR)
Les systèmes RADAR (CFAR)
 
PCR : Polymerase chain reaction : classique et en temps réel
PCR : Polymerase chain reaction : classique et en temps réelPCR : Polymerase chain reaction : classique et en temps réel
PCR : Polymerase chain reaction : classique et en temps réel
 
Processus Audit SI
Processus Audit SIProcessus Audit SI
Processus Audit SI
 
Plagiat : Détection et prévention
Plagiat : Détection et préventionPlagiat : Détection et prévention
Plagiat : Détection et prévention
 
Presoutenance
PresoutenancePresoutenance
Presoutenance
 
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...Analyse de méthodes intelligentes de détection de fissures dans diverses stru...
Analyse de méthodes intelligentes de détection de fissures dans diverses stru...
 
Protection perimetrique
Protection perimetriqueProtection perimetrique
Protection perimetrique
 
Détection des droites par la transformée de Hough
Détection des droites par la transformée de HoughDétection des droites par la transformée de Hough
Détection des droites par la transformée de Hough
 
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)
La détection d'intrusions est-elle morte en 2003 ? (Éric Gingras)
 
Treasury Web Report
Treasury Web ReportTreasury Web Report
Treasury Web Report
 
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...
Repères et Outils pour l’Évaluation de l’Aptitude au Contact Alimentaire de M...
 
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012
Présentation ipsas chiheb ghanmi-budget ouvert tunisie 2012
 
Résistance de Plasmodium vivax à la chloroquine
Résistance de Plasmodium vivax à la chloroquineRésistance de Plasmodium vivax à la chloroquine
Résistance de Plasmodium vivax à la chloroquine
 
Meetup #6 Voiture Connectée à Paris
Meetup #6 Voiture Connectée à ParisMeetup #6 Voiture Connectée à Paris
Meetup #6 Voiture Connectée à Paris
 
QIAseq Technologies for Metagenomics and Microbiome NGS Library Prep
QIAseq Technologies for Metagenomics and Microbiome NGS Library PrepQIAseq Technologies for Metagenomics and Microbiome NGS Library Prep
QIAseq Technologies for Metagenomics and Microbiome NGS Library Prep
 
Enfermedad renal crónica 2012
Enfermedad renal crónica  2012Enfermedad renal crónica  2012
Enfermedad renal crónica 2012
 
Introduction to next generation sequencing
Introduction to next generation sequencingIntroduction to next generation sequencing
Introduction to next generation sequencing
 
Nias nagas presentar
Nias nagas presentarNias nagas presentar
Nias nagas presentar
 
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIA
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIAPUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIA
PUESTA EN MARCHA DE LAS NORMAS INTERNACIONALES DE AUDITORIA
 
Evolución normativa en España hasta las NIAS
Evolución normativa en España hasta las NIASEvolución normativa en España hasta las NIAS
Evolución normativa en España hasta las NIAS
 

Similaire à Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...FUMERY Michael
 
Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningBassem Brayek
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretjfeudeline
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfSafaeElOmari
 
Etat De L\'art Algo RéSeaux De Capteurs sans-fil
Etat  De L\'art Algo RéSeaux De Capteurs sans-filEtat  De L\'art Algo RéSeaux De Capteurs sans-fil
Etat De L\'art Algo RéSeaux De Capteurs sans-filmabrouk
 
Quantification histograme
Quantification histogrameQuantification histograme
Quantification histogrameGata Hipogata
 
Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumeriqueintissar0007
 
Apprentissage supervisé.pdf
Apprentissage supervisé.pdfApprentissage supervisé.pdf
Apprentissage supervisé.pdfhanamettali
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principesBen Fethi
 
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...Image Annotation using Moments and Multilayer Neural Networks, Presentation s...
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...Mustapha Oujaoura
 
TP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage MachineTP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage MachineBoubaker KHMILI
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Hajar Bouchriha
 
PostGIS @ Pgday.eu 2009
PostGIS @ Pgday.eu 2009PostGIS @ Pgday.eu 2009
PostGIS @ Pgday.eu 2009Oslandia
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from singleMontassir Rabhi
 

Similaire à Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC » (20)

Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1 Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1
 
Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...
 
Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learning
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caret
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
 
Version 01
Version 01Version 01
Version 01
 
Etat De L\'art Algo RéSeaux De Capteurs sans-fil
Etat  De L\'art Algo RéSeaux De Capteurs sans-filEtat  De L\'art Algo RéSeaux De Capteurs sans-fil
Etat De L\'art Algo RéSeaux De Capteurs sans-fil
 
Analyzing a churn data set
Analyzing a churn data set Analyzing a churn data set
Analyzing a churn data set
 
Quantification histograme
Quantification histogrameQuantification histograme
Quantification histograme
 
Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumerique
 
Apprentissage supervisé.pdf
Apprentissage supervisé.pdfApprentissage supervisé.pdf
Apprentissage supervisé.pdf
 
Comparaison
ComparaisonComparaison
Comparaison
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
 
Rc ia-benmammar
Rc ia-benmammarRc ia-benmammar
Rc ia-benmammar
 
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...Image Annotation using Moments and Multilayer Neural Networks, Presentation s...
Image Annotation using Moments and Multilayer Neural Networks, Presentation s...
 
TP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage MachineTP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage Machine
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
 
PostGIS @ Pgday.eu 2009
PostGIS @ Pgday.eu 2009PostGIS @ Pgday.eu 2009
PostGIS @ Pgday.eu 2009
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from single
 

Dernier

SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSKennel
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx   Film     françaisPas de vagues.  pptx   Film     français
Pas de vagues. pptx Film françaisTxaruka
 
Pharmacologie des cardiotoniques pour Pharmacie
Pharmacologie des cardiotoniques pour PharmaciePharmacologie des cardiotoniques pour Pharmacie
Pharmacologie des cardiotoniques pour PharmacieLoloshka
 
Cours de Management des Systèmes d'information
Cours de Management des Systèmes d'informationCours de Management des Systèmes d'information
Cours de Management des Systèmes d'informationpapediallo3
 
Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Gilles Le Page
 
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSKennel
 
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfVulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfSylvianeBachy
 
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...Faga1939
 
Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Gabriel Gay-Para
 
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSKennel
 
PIE-A2-P4-support stagiaires sept 22-validé.pdf
PIE-A2-P4-support stagiaires sept 22-validé.pdfPIE-A2-P4-support stagiaires sept 22-validé.pdf
PIE-A2-P4-support stagiaires sept 22-validé.pdfRiDaHAziz
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeXL Groupe
 
Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Alain Marois
 
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdf
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdfBibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdf
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdfBibdoc 37
 
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSKennel
 
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdfSKennel
 
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...NaimDoumissi
 
Bernard Réquichot.pptx Peintre français
Bernard Réquichot.pptx   Peintre françaisBernard Réquichot.pptx   Peintre français
Bernard Réquichot.pptx Peintre françaisTxaruka
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx      Film   françaisPas de vagues.  pptx      Film   français
Pas de vagues. pptx Film françaisTxaruka
 

Dernier (20)

DO PALÁCIO À ASSEMBLEIA .
DO PALÁCIO À ASSEMBLEIA                 .DO PALÁCIO À ASSEMBLEIA                 .
DO PALÁCIO À ASSEMBLEIA .
 
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx   Film     françaisPas de vagues.  pptx   Film     français
Pas de vagues. pptx Film français
 
Pharmacologie des cardiotoniques pour Pharmacie
Pharmacologie des cardiotoniques pour PharmaciePharmacologie des cardiotoniques pour Pharmacie
Pharmacologie des cardiotoniques pour Pharmacie
 
Cours de Management des Systèmes d'information
Cours de Management des Systèmes d'informationCours de Management des Systèmes d'information
Cours de Management des Systèmes d'information
 
Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024
 
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
 
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfVulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
 
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
 
Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)
 
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
 
PIE-A2-P4-support stagiaires sept 22-validé.pdf
PIE-A2-P4-support stagiaires sept 22-validé.pdfPIE-A2-P4-support stagiaires sept 22-validé.pdf
PIE-A2-P4-support stagiaires sept 22-validé.pdf
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directe
 
Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024
 
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdf
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdfBibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdf
Bibdoc 2024 - Les maillons de la chaine du livre face aux enjeux écologiques.pdf
 
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
 
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_IA.pdf
 
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...
Potentiel du Maroc en Produits du Terroir et Stratégie Adoptée pour le dévelo...
 
Bernard Réquichot.pptx Peintre français
Bernard Réquichot.pptx   Peintre françaisBernard Réquichot.pptx   Peintre français
Bernard Réquichot.pptx Peintre français
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx      Film   françaisPas de vagues.  pptx      Film   français
Pas de vagues. pptx Film français
 

Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

  • 1. 1
  • 2. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 2
  • 3. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 3
  • 4. 4 La forte variabilité de panneaux de signalisation routière (PSR) dans des environnements non contrôlés a rend leur détections et classification un problème difficile !!!
  • 5. La reconnaissance PSR permet de prévenir le conducteur de ne pas prendre des décisions inappropriées dans des situations potentiellement dangereuses. Fig.1 Certains panneaux d'avertissement. 5
  • 6. Les méthodes de reconnaissance des PSR sont utilisées en combinaison avec d'autres méthodes afin de recueillir des informations, mesurer de la position par rapport à la route et l'orientation des différents points de repère en mouvement dans la plate-forme terrestre. 6
  • 7. Dans la littérature, on peut trouver deux principales approches pour résoudre le problème de la RPS: 1. Reconnaissance basée sur la couleur 2. Reconnaissance basée sur les niveaux de gris Fig.2 Résultats de reconnaissance de la RPS 7
  • 8. La première s'appuie sur la couleur pour réduire de faux résultats positifs dans le processus de reconnaissance alors que les méthodes de niveaux de gris se concentrent sur la géométrie de l'objet. Des travaux récents utilisent combinaison des deux cases pour améliorer le taux de détection. 8
  • 9. Le seuil est appliqué sur une représentation HSV(HUE,SATURATION,VALUE) de l'image pour trouver des régions avec une forte probabilité d'avoir un panneau de signalisation. Fig.3 Le seuil est appliqué sur une représentation HSV 9
  • 10. Une fois que les régions sont normalisées à une taille prédéfinie, un SVM linéaire est utilisé pour classer la région de l'une des formes possibles, comme cercle ou d'un triangle. La couleur et les informations sur la forme sont utilisées pour la classification grossière, et enfin un SVM gaussien est utilisé pour effectuer l'étape de classification fine. 10
  • 11. Puisque l'information de couleur est fortement liée au type de caméra, éclairage et vieillissement du signe, l'utilisation des informations de couleur introduit des difficultés supplémentaires pour le processus de reconnaissance!!! Fig.4 Le vieillissement du panneau Fig.5 Différents éclairages du panneau 11
  • 12. Solutions pour résoudre l’enjeu: 1. Réseau neuronal 2. Approche complexe basée sur une cascade de détecteurs, où chacun est un ensemble de classificateurs dopés « Boosted » sur la base des caractéristiques de Haar. Pour le dernier: Lienhart et Maydt [3] ont présenté une extension d’ensemble des caractéristiques de Haar, ce qui démontre que Adaboost converge plus rapidement et avec de meilleurs résultats lorsque l’ensemble des caractéristiques est grand. 12
  • 13. D'autre part, en raison de la recherche exhaustive sur les caractéristiques exposées, le temps d’apprentissage s’augmente par rapport au nombre de caractéristiques. Ce fait rend impossible toute approche qui tente d'étendre l'ensemble des caractéristiques. 13
  • 14. Les auteurs proposent une technique pour résoudre le dernier problème. « Error Correcting Output Codes (ECOC) » Cette technique est un outil de catégorisation multi-classe très réussi en raison de sa capacité à partager les connaissances du classificateur entre les classes. ECOC démontre une haute précision avec un très petit nombre de classificateurs binaires. 14
  • 15. : 1. La détection de PSR de l’arrière-plan se fait à l’aide de la méthode évolutive AdaBoost. 2. Deuxièmement, pour faire face au problème de catégorisation multi-classe, afin de faire la distinction entre un grand nombre de classes, la technique d'apprentissage multi-classe « ECOC » sera utilisée. 15
  • 16. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 16
  • 17. Le processus de détection prend une image en entrée et fournit en sortie les régions qui contiennent l'objet candidat. 17
  • 18. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 18
  • 19. Lorsqu’on travaille avec des problèmes asymétriques tels que la détection de l'objet, chaque fois qu’on analyse une image, le système doit se débarrasser d'un grand nombre de régions négatives alors que seulement celles correspondant à l'objet que nous recherchons sont conservés. 19
  • 20. L'architecture en cascade permet de jeter les régions non-objets faciles à coût de calcul faible, tandis que les régions plus complexes sont profondément analysées. 20
  • 21. Ensuite, un classificateur est entraîné à réaliser un nombre calcul minimal et obtenir un taux maximal de fausse alarme. Ce processus est répété jusqu'à ce que le nombre désiré de phases ou le taux de fausses alarmes atteignent le but désiré. 21
  • 22. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 22
  • 23. Le « Dissociated Dipole » opérateur est un outil pour effectuer des comparaisons d'image non-locales. Comme un arrête-viseur de recherche simple, « Dissociated Dipole » est un opérateur différentiel composé d'un excitateur et d’un lobe inhibiteur, et peut être utilisé dans n'importe quelle orientation ou échelle. 23
  • 24. Fig.6 Le but de l'approche des « Dissociated Dipole » est de dissocier les deux attributs 24
  • 25. La valeur moyenne de tous les pixels dans le dipôle inhibiteur est soustraite de la valeur moyenne des pixels excitateurs dipolaires. Comme dans le cas des fonctions de Haar, l'image intégrale est utilisée pour calculer la somme des pixels à l'intérieur des régions rectangulaires. Fig.7 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 2, [1] 25
  • 26. En termes de calcul, l'utilisation de dipôles dissociées signifie que si on augmente les caractéristiques d'environ 600.000 à plus de 230 caractéristiques dans une taille de fenêtre d’apprentissage de 30 × 30 pixels, ce qui rend l'approche classique de calcul . Pour faire face à cette limitation, nous définissons une approche évolutive de Adaboost. 26
  • 27. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 27
  • 28. « Boosting » est une technique d'apprentissage puissant qui permet de combiner la performance de nombreuses fonctions simples de classification ou classificateurs faibles pour produire un classificateur fort. 28
  • 29. AdaBoost - est un méta-algorithme. Dans l'apprentissage, il construit une composition des algorithmes d'apprentissage de base pour améliorer leur efficacité. AdaBoost algorithme adaptatif est amplifiant, en ce sens que chaque classifier est basé sur les objets suivants, qui sont mal classés en utilisant des classificateurs précédents. 29
  • 30. Cette méthode est basée sur un algorithme adaptatif boosting (gain adaptatif) ou AdaBoost abrégée. Le sens de l'algorithme est que, si nous disposons d'un ensemble d'objets de référence, c’est-a-dire d’avoir les valeurs et la classe à laquelle ils appartiennent (par exemple: -1  pas de visage, +1  a un visage), en plus il y a beaucoup de classificateurs simples, nous pouvons faire un classificateur meilleur et puissant. 30
  • 31. Fig.8 Exemple des objets sur une visage 31
  • 32. L’algorithme d’AdaBoost AdaBoost appelle un classificateur faible pour chaque cycle. Après chaque appel est faite la mise à jour de poids de distribution qui répondent à l'importance de chacun des objets comme un ensemble d’apprentissages pour la classification. Ensuite, à chaque itération, le poids d’objet mal classé augmente, de sorte que le nouveau classificateur "concentre" sur ses objets. 32
  • 33. Avantages de l'algorithme Adaboost. 1. Bonne capacité de généralisation. En vrais problèmes (pas toujours, mais souvent) il est possible de construire une composition qui est de qualité supérieure par rapport l’algorithme de base. La capacité de la généralisation peut être améliorée (dans certains problèmes) en augmentant le nombre d'algorithmes de base. 33
  • 34. Avantages de l'algorithme Adaboost. 2. Facile à mettre en œuvre. 34
  • 35. Avantages de l'algorithme Adaboost. 3. La durée de la construction des compositions est presque entièrement déterminé par les algorithmes d'apprentissage de base. 35
  • 36. Avantages de l'algorithme Adaboost. 4. Capable d'identifier les objets qui sont des émissions de bruit. 36
  • 37. Inconvénients de l'algorithme Adaboost. 1. AdaBoost a tendance à surapprentissage quand il y a un bruit important dans les données. 37
  • 38. Inconvénients de l'algorithme Adaboost. 2. AdaBoost nécessite un échantillon d’apprentissage suffisamment long. 38
  • 39. Inconvénients de l'algorithme Adaboost. 3. La stratégie d’ajouter un grand nombre de classificateurs conduits à la construction d'un ensemble non optimal de la base des algorithmes. 39
  • 40. Inconvénients de l'algorithme Adaboost. 4. Boosting peut conduire à la construction des compositions volumineux, constitué de centaines d'algorithmes. 40
  • 42. Fig.9 Exemple de fonction de l’Algorithme AdaBoost 42
  • 44. Dans l'approche « Boosting » classique, une recherche exhaustive est utilisée pour trouver le meilleur classificateur faible. Par conséquent, avec un énorme ensemble de caractéristiques, cette approche devient impossible de calculer. 44
  • 45. Le « evolutionary weak learner » minimise le poids d'erreur de l’Adaboost : (1) Où: X = {(xi, yi)|i = 1 : m} sont les paires d'échantillons-étiquette composées de l’ensemble d’apprentissage W = {w1,w2, ...,wm} est la distribution de poids Adaboost sur l'ensemble d'apprentissages h (xi) correspond à l'étiquette prédite par l'hypothèse h pour le xi objet d’apprentissage 45
  • 46. Les approches classiques basées sur la descente de gradient ne peuvent pas être appliquées sur ce problème. Une autre solution est l'utilisation d'une approche évolutive. 46
  • 47. La stratégie évolutive plus connu est l'algorithme génétique, qui fait une recherche sur les espaces de solutions utilisant les trois concepts de base de la théorie de Darwin: 1. mutation 2. cross-over 3. sélection naturelle. 47
  • 48. L'algorithme évolutionnaire remplace la recherche exhaustive sur toutes les caractéristiques de sorte que même de très grands ensembles de caractéristiques peuvent être recherchés dans un délai raisonnable. L'utilisation d’algorithmes évolutionnaires dans le domaine du traitement de l'image, en particulier l'apprentissage automatique des caractéristiques de détection d'objet, est un domaine de recherche qui reçoit un intérêt croissant.!!! 48
  • 50. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 50
  • 51. Lorsqu’on travaille avec des algorithmes évolutionnaires, nous devons définir deux éléments de base: les individus et la fonction d'évaluation. 51
  • 52. La fonction d'évaluation (2) où I est un individu 52
  • 53. L'étape suivante est de déterminer les paramètres qui sont nécessaires pour définir h, ou en d'autres termes, pour décider la dimension de I. 53
  • 54. La définition de l'apprenant faible « Weak Learner » est constitué d'une caractéristique et une valeur de seuil(threshold). La fonction peut être paramétré par la position en haut à gauche, et la taille de l'une des régions et leur type. 54
  • 55. La taille, le poids, et la position des autres régions qui sont conformes à la fonction Haar- like sont fixées par le type de caractéristique. Fig.9 La définition des caractéristiques de Haar à partir d'une région donnée et du type de valeur. 55
  • 56. On définit un classificateur faible sur la base du dissocié dipôle que h(I,Thr,xi)->{-1, 1} où I=(Rex,Rey,Rew,Reh,Rix,Riy,Piw,Rih) Re étant le dipôle excitateur et le paramètre de type T est changé par les paramètres du dipôle inhibiteur Ri. Les dipôles dissociés ne sont pas affectés par l'échelle étant donné que la valeur moyenne est utilisée au lieu de la somme. 56
  • 57. Cette approche présente deux avantages principaux: la normalisation de l'éclairement n’est pas nécessaire et l'élimination du processus d'apprentissage par seuil(threshold) réduit le temps d'évaluation. 57
  • 58. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 58
  • 59. L'approche finale est résumée dans l'algorithme évolutionnaire Adaboost montré dans l'algorithme 1. Cet algorithme est utilisé pour apprendre toutes les étapes de la cascade de détection. Cet algorithme utilise itérativement un algorithme génétique pour minimiser l'erreur pondérée et pour instancier les paramètres d'un nouveau classificateur faible qui est ajouté à l'ensemble final. 59
  • 61. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 61
  • 62. Une fois un objet trouvé, nous devons le classer parmi un grand nombre de classes. En ce sens, ECOCs représentent une technique de classification qui permet la combinaison des classificateurs de base pour résoudre le problème multi-classes. 62
  • 63. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 63
  • 64. La conception d'un ECOC est basée sur un codage et une stratégie de décodage, où le codage à pour objectif d’assigner un codeword à chacune des classes Nc (jusqu'à mots de code Nc), et le décodage vise à attribuer une étiquette de classe à un nouveau test de codeword . Codeword - est une séquence de bits qui représente une classe. 64
  • 65. Fig.10 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 4, [1] Les distances communes à décoder sont la Hamming et les distances euclidiennes 65
  • 66. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 66
  • 67. fait en sorte que la séparation de codeword optimal est sacrifiée en faveur d'une amélioration de la discrimination de classe dans les partitions. La création de l'ensemble de séparation hiérarchique est effectuée en utilisant un arbre binaire. En conséquence, une matrice compacte à haut pouvoir de discrimination est obtenue. 67
  • 68. Algorithme 2. Entraînement de Forest-ECOC 68
  • 69. Fig.11 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 5, [1] 69
  • 70. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 70
  • 71. Fig.12 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 5, [1] 71
  • 72. Le système de cartographie mobile possède une paire stéréo de caméras calibrées, qui sont synchronisés avec un système GPS. Par conséquent, le résultat de l'étape d'acquisition est un ensemble de couples stéréoscopiques d'images avec leur position et de l'information d'orientation. 72
  • 73. Fig.13 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 7, [1] 73
  • 74. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 74
  • 75. Les auteurs ont exécuté le processus d'apprentissage au cours du même entraînement et test 50 fois, en utilisant 50 itérations de l'Adaboost évolutive. Dans le cas de l'algorithme génétique, ils ont calculé la valeur d'erreur moyenne sur tous les tours pour chaque itération. 75
  • 76. Fig.14 « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », page 7, [1] 76
  • 77. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 77
  • 78. Les auteurs ont présenté une méthode de calcul faisable pour la sélection de caractéristiques basée sur une stratégie évolutive. Depuis la recherche exhaustive sur toutes les combinaisons entre caractéristiques et le seuil(threshold) sont remplacées par l'approche évolutionniste et caractéristiques ordinales. L'approche finale a deux avantages principaux: 1. Elle accélère le processus d'apprentissage et permet de travailler avec de grands ensembles de caractéristiques et de distinguer entre l'objet et le plan-arrière, dont le calcul est impossible en utilisant les méthodes traditionnelles en raison du nombre énorme de caractéristiques. 2. Elle propose la stratégie de classification Forest-CEC pour résoudre le problème de la catégorisation multi- classes. 78
  • 79. 1.Introduction 2.Détection a. Architecture de détection b. Dipôles dissociés c. « Evolutive Adaboost » d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. « Error Correcting Output Codes » b. « Forest-ECOC » 4.Système de reconnaissance de signes de circulation 5.Résultats 6.Conclusion 7.Références 79
  • 80. [1] « Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification », Xavier Baro, Sergio Escalera et al., Intelligent Transportation Systems, IEEE Transactions on (Volume:10 , Issue: 1 ), pages: 113-126, March 2009; URL: http://www.maia.ub.es/~sergio/files/Transport09.pdf [2] « Combining Adaboost Learning and Evolutionary Search to select Features for Real-Time Object Detection », Andre Treptow and Andreas Zell, Evolutionary Computation, 2004. CEC2004. Congress on (Volume:2 ), pages: 2107-2113, June 2004; URL: http://u-173-c140.cs.uni-tuebingen.de/mitarb/treptow/publications/treptow04-cec.pdf [3] « An Extended Set of Haar-like Features for Rapid Object Detection», R. Lienhart and J. Maydt, Proc. of IEEE Conf. Image Processing, pages: 155–162, 2002; URL: http://www.lienhart.de/Prof._Dr._Rainer_Lienhart/Source_Code_files/ICIP2002.pdf [4] « Circulation et Signalisation routière reconnaissance », Hasan Fleyeh, July 2008; URL: http://www.diva-portal.org/smash/get/diva2:523372/FULLTEXT01.pdf [5] « Dissociated Dipoles: Image Representation via Non-local Comparisons », Benjamin J.Balas et Pawan Sinha, Massachusetts Institute of Technology — Artificial Intelligence laboratory, August 2003 URL: http://dspace.mit.edu/bitstream/handle/1721.1/7276/AIM-2003-018.pdf?sequence=2 [6] « Explaining AdaBoost », Robert E. Schapire, In Bernhard Schölkopf, Zhiyuan Luo, Vladimir Vovk, editors, Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik, Springer, 2013 URL: https://www.cs.princeton.edu/~schapire/papers/explaining-adaboost.pdf [7] La présentation « AdaBoost » de Jan Sochman, Jiri Matas, Center for Machine Perception Czech Technical University, Prague URL: http://cmp.felk.cvut.cz/~sochmj1/adaboost_talk.pdf 80
  • 81. 81