Vous êtes ici : FIL > Portail > Master Informatique > M1S2 > RDF

Reconnaissance de Formes

Responsable

Intervenants

Volume horaire

Cet enseignement est une option qui a lieu au second semestre du Master 1. Il est organisé sur 12 semaines, en une séance de Cours TD hebdomadaire d'une durée de 2H et une séance de TP hebdomadaire d'une durée de 2H. (Voir le cours en ligne.)
  • 24h de Cours-TD
  • 24h de TP

Crédits

5 ECTS
Jean Martinet
dernière modification : 21/06/2017 à 13:21:16

Objectifs

La finalité de la Reconnaissance de Formes (traduction de l'anglais "pattern recognition") est d'identifier des motifs à partir de données brutes, afin de prendre une décision dépendant de la catégorie attribuée à ce motif. Cette discipline a des domaines d'application divers comme l'indexation d'images ou la reconnaissance de l'écriture manuscrite. Par exemple, la reconnaissance d'objets permet de faire des moteurs de recherche d'image (du style Google Images), ou bien d'automatiser la reconnaissance de caractères manuscrits (ex : analyseur de chèques, de codes postaux pour le tri du courrier, etc.), la reconnaissance d'empruntes digitales (ex : déverrouillage iPhone 5), la reconnaissance de visage pour la biométrie, et bien d'autres applications.

La Reconnaissance de Formes regroupe l'ensemble des techniques et méthodes visant à automatiser ce processus d'identification. L'objectif du module est de maîtriser les notions et techniques de base d'analyse de données multidimensionnelles, de classification et de décision. Nous aborderons notamment les aspects suivants :

  • Extraction d'attributs géométriques, topologiques, d'apparence - Représentation et codage des attributs.
  • Méthodes statistiques en reconnaissance des formes - Théorie de la décision, classement, classification et discrimination de données multidimensionnelles.
  • Méthodes syntaxiques en reconnaissance des formes - Structuration en chaînes et arbres, langages formels, comparaison d'arbres.

Contenus

Le cours est en ligne sur le site du Master IVI. Le programme détaillé du cours est le suivant :
  • Semaine 1: introduction et extraction d'attributs de forme. Objectifs de la reconnaissance de formes, notion d'attribut, principaux attributs de formes. Travaux pratiques sur les moments d'une forme.
  • Semaine 2: extraction d'attributs de contour. Codage de Freeman, codage polygonal, simplification d'un code, transformée de Hough. Travaux pratiques sur les contours d'une forme.
  • Semaine 3: segmentation d'image par classification. Histogramme, seuillage de l'image par analyse de l'histogramme, vecteur d'attributs associés à un pixel, classifieur linéaire, textures. Travaux pratiques sur la segmentation binaire.
  • Semaine 4: travaux dirigés sur les attributs de textures. Travaux dirigés sur les filtres de Laws. Suite du TP sur la segmentation binaire.
  • Semaine 5: Rappels de probabilités et de statistiques. Pourquoi des probabilités? Notions de probabilités, statistiques et estimation.
  • Semaines 6: Apprentissage supervisé. Travaux pratiques sur la classification des chiffres manuscrits.
  • Semaine 7: Apprentissage supervisé (Classification par Régression Logistique). Classification des chiffres manuscrits par Régression Logistique.
  • Semaine 8: Apprentissage supervisé (suite) et non-supervisé (Clustering). Compression d'image par la méthode de clustering k-means
  • Semaine 9: Arbres de décision. Introduction aux arbres de décision pour la reconnaissance de formes. Travaux pratiques sur la construction d'un arbre de décision.
  • Semaine 10: Arbres de décision : suite et fin. Limites des arbres de décision, amélioration de l'apprentissage. Utilisation des arbres de décision à la reconnaissance de formes image.
  • Semaine 11: Rdf sur les chaînes. Correspondance et distance de chaînes. Suite du TP sur les arbres et la reconnaissance de formes.
  • Semaine 12: Langages et grammaires. Langages, définition, exemples et types de grammaires. Travaux pratiques sur les chaînes, langages et grammaires.

    Bibliographie

    • Richard O. Duda, Peter E. Hart, David G. Stork, Pattern classification, Wiley-interscience, 2001 (ISBN 0-471-05669-3)
    • Christopher M. Bishop, Pattern Recognition And Machine Learning, Springer, 2006 (ISBN 0-387-31073-8)
    Jean Martinet
    dernière modification : 21/06/2017 à 13:21:17
Gpe Nature Horaire Salle Enseignant e-mail
Cours-TD Mercredi 13h30-15h30 M5-A1 F. Cabestaing

L. Macaire

J. Martinet

Francois.Cabestaing@univ-lille1.fr

ludovic.macaire@univ-lille1.fr

jean.martinet@univ-lille1.fr

TP Mercredi 15h45-17h45 M5-A13 F. Cabestaing

L. Macaire

J. Martinet

Francois.Cabestaing@univ-lille1.fr

ludovic.macaire@univ-lille1.fr

jean.martinet@univ-lille1.fr

Jean Martinet
dernière modification : 21/06/2017 à 13:21:14
Séance Cours-TD TP Remarque
1 3 du 14/01 au 19/01 Semaine 1: introduction et extraction d'attributs de forme. Travaux pratiques sur les moments d'une forme.
2 4 du 21/01 au 26/01 Semaine 2: extraction d'attributs de contour. Travaux pratiques sur les contours d'une forme.
3 5 du 28/01 au 02/02 Semaine 3: segmentation d'image par classification. Travaux pratiques sur la segmentation binaire.
4 6 du 04/02 au 09/02 Semaine 4: attributs de textures. Suite travaux pratiques sur la segmentation binaire.
5 7 du 11/02 au 16/02 Semaine 5: Rappels de probabilités et de statistiques. Travaux pratiques sur les notions de probabilités, statistiques et estimation.
8 du 18/02 au 23/02 interruption pédagogique hiver
6 9 du 25/02 au 02/03 Semaine 6: Apprentissage supervisé. Travaux pratiques sur la classification des chiffres manuscrits.
7 10 du 04/03 au 09/03 Semaine 7: Réseaux de neurones. Travaux pratiques sur le perceptron et sur les réseaux de neurones.
8 11 du 11/03 au 16/03 Semaine 8: Apprentissage non­supervisé. Travaux pratiques sur le regroupement non­supervisé (clustering avec KMeans).
9 12 du 18/03 au 23/03 Semaine 9: Introduction aux arbres de décision pour la reconnaissance de formes. Travaux pratiques sur la construction d'un arbre de décision.
10 13 du 25/03 au 30/03 Semaine 10: Limites des arbres de décision, amélioration de l'apprentissage, forêts aléatoires. Travaux pratiques sur l'utilisation des arbres de décision à la reconnaissance de formes image.
11 14 du 01/04 au 06/04 Semaine 11: Correspondance et distance de chaînes, langages, définition, exemples. Travaux pratiques sur les chaînes et langages. lundi 01/04 férié
12 15 du 08/04 au 13/04 Semaine 12: Types de grammaires. Travaux pratiques sur l'utilisation des grammaires et inférence.
Jean Martinet
dernière modification : 21/06/2017 à 13:21:25

L'évaluation s'effectue suivant une procédure de contrôle continu, et un examen en fin de semestre.

Deux notes seront attribuées à chaque étudiant durant le semestre :

  • TP : une note sur 20 de Travaux Pratiques (relève des TP)
  • EX : une note sur 20 pour l'examen de fin de semestre.

La note finale sur 20 (N) est calculée de la manière suivante :

N= SUP(EX,(EX+TP)/2)

Pour la seconde session d'examen, la note de TP (TP) est conservée. La note d'examen (EX) est remplacée par la note obtenue lors de la seconde session.

L'unité acquise apporte 5 ECTS.

Jean Martinet
dernière modification : 21/06/2017 à 13:21:15

Documents de cours

Le contenu détaillé de l'option et des supports d'enseignements est disponible sur le site du Master IVI.

Examens

Jean Martinet
dernière modification : 21/06/2017 à 13:21:14