parlab teaching

Reconnaissance des formes

Type d'enseignement

Enseignement obligatoire de deuxième/troisième année  du BSc en micro et nanosciences

Enseignement optionnel de deuxième/troisième année du BSc en informatique

3 h hebdomadaires au semestre d’été (3 crédits ECTS), dont 2 h de cours et 1 d’exercices.

Contrôle continu.

Préalable: aucun

Objectif

Ce cours enseigne les fondements de la reconnaissance des formes dans un contexte proche du traitement du signal et des images. Il est complété par des exercices qui en illustrent étroitement les thèmes.

Contenu

Introduction: Reconnaissance des formes naturelles; Notions de RF; Etapes de reconnaissance; Principes de reconnaissance; Performances de reconnaissance; Apprentissage; Complexité des formes; Traitement d'images et RF; Domaines d'étude et réalisations en RF

RF statistique: Eléments de la théorie des probabilités; Décision; Décision avec coût; Fonction d'erreur

Méthodes statistiques: Catégories de méthodes statistiques; Approche paramétrique bayesienne; Approche paramétrique non bayesienne; Approche  bayesienne non paramétrique; Méthode des q plus proches voisins; Apprentissage

Classification automatique: Introduction; Regroupement hiérarchique; Méthode des nuées dynamiques; La quantification vectorielle (QV)

Les réseaux de neurones: Introduction; Modélisation; Réseaux à couches; Réseaux à base radiale; Réseaux de Hopfield; Réseau de Hamming; Apprentissage par renforcement; Réseau de Kohonen; En somme

Méthodes structurelles de RF: Structure d'un objet; Structures de chaînes; Structures syntaxiques régulières; Stuctures de graphes; Application des méthodes structurelles en reconnaissance 3D

Méthodes hybrides de RF: Modèles de Markov; Modèles de Markov cachés (HMM); Mise en correspondance géométrique

Table des matières

Chapitre 1: Introduction

Reconnaissance des formes naturelle

Notions de RF

Etapes de reconnaissance

Principes de reconnaissance

Performances de reconnaissance

Apprentissage

Complexité des formes

Traitement d'images et RF

Domaines d'étude et réalisations en RF

Chapitre 2: RF statistique

Eléments de la théorie des probabilités

Décision

Décision avec coût

Fonction d'erreur

Chapitre 3: méthodes statistiques

Catégories de méthodes statistiques

Approche paramétrique bayesienne

Approche paramétrique non bayesienne

Approche  bayesienne non paramétrique

Méthode des q plus proches voisins

Apprentissage

Chapitre 4: classification automatique

Introduction

Regroupement hiérarchique

Méthode des nuées dynamiques

La quantification vectorielle (QV)

Chapitre 5: les réseaux de neurones

Introduction

Modélisation

Réseaux à couches

Réseaux à base radiale

Réseaux de Hopfield

Réseau de Hamming

Apprentissage par renforcement

Réseau de Kohonen

En somme

Chapitre 6: méthodes structurelles de RF

Structure d'un objet

Structures de chaînes

Structures syntaxiques régulières

Stuctures de graphes

Application des méthodes structurelles en reconnaissance 3D

Chapitre 7: méthodes hybrides de RF

Modèles de Markov

Modèles de Markov cachés (HMM)

Mise en correspondance géométrique

Références

Livre de référence
Duda R. O. , Hart P.E. & Stork D.G., "Pattern Classification", Wiley 2001 (http://www.rii.ricoh.com/~stork/DHS.html)

Books on-line
http://homepages.inf.ed.ac.uk/rbf/CVonline/books.htm

The computer vision homepage
http://www-2.cs.cmu.edu/afs/cs/project/cil/ftp/html/vision.html

CVonline
http://www.dai.ed.ac.uk/CVonline/
is a free web-based compendium of topics in computer vision.

hu / 30.05.2013