F4B402A : Formes et classification


Retour
Imprimer la fiche programme
Code analytique: EDF04B3I3
Responsable  :    
Programmé en MR2STII302, UVF4B402, MR2STII303

Présentation :

Cette partie de l'UV s'intéresse à la modélisation, à la reconnaissance et à la classification des formes, qu'elles soient 1D, 2D ou 3D.
En reconnaissance statistique pour les dimensions 1 et 2, l'accent est mis sur les méthodes bayésiennes et l'apprentissage des densités de probabilités. Lorsque celles-ci ne sont pas accessibles, la classification automatique, qui est à la base de l'analyse des données, est une solution envisagée. Les décisions peuvent incorporer un certain degré d'incertitude au travers de décisions floues ou faisant appel à la théorie de l'évidence.
Pour les formes tridimensionnelles, l'aspect géométrique est privilégié et notamment l'étude locale et globale des courbes et surfaces de l'espace 3D. La reconnaissance de forme est alors liée à la projection d'une forme 3D dans un espace de description ayant peu de paramètres et à la recherche d'invariants décrivant localement ou globalement les objets 3D.
Dans des situations impliquant de multiples paramètres, la prise de décision nécessite la mise en oeuvre de méthodes spécifiques permettant d'optimiser la classification. La dernière partie présente ainsi les réseaux connexionnistes et les méthodes de classification combinatoires pour la résolution de problèmes complexes.

Objectifs (obsolète):

A la fin de cette partie d'UV, les élèves sauront appliquer des méthodes de classification automatique pour la reconnaissance de forme. Ils sauront donner des descripteurs locaux et globaux de courbes et surfaces et extraire des invariants utiles en reconnaissance de formes. Ils auront aussi acquis les principes de base des réseaux connexionnistes, connaitront les principales familles de réseaux et leurs applications en reconnaissance de forme, et seront capables de mettre en oeuvre des méthodes d'optimisation combinatoires pour la classification.





Liens :

Les cours 1 à 13 font partie du cursus DNM recherche STI.

Volume horaire : 42h


Contenu détaillé :

Reconnaissance des formes
C1 : Introduction et exemples (J.M. Boucher)
C2 : Apprentissage (J.M. Boucher)
. estimation de densité
. méthode du plus proche voisin
C3 : Classification linéaire et non linéaire (J.M. Boucher)
C4 : Classification automatique dynamique, classification automatique hiérarchique et classification contextuelle (J.M. Boucher)
C5-C6 : Classification par méthodes structurelles (C. Roux)
C7-C8 : Théorie de l'évidence et classification floue (A. Hillion)

Géométrie des formes
C9 : Description locale et globale des courbes de R3 (V. Burdin)
C10 : Description locale des surfaces de R3 (V. Burdin)
C11 : Description globale des surfaces de R3 et recherche d'invariants 3D (V. Burdin)
C12 : Différentiation des images et régularisation (V. Burdin)
C13 : Structure différentielle des images (V. Burdin)

Réseaux connexionnistes
C14 : Introduction : Réseaux connexionnistes et reconnaissance de formes (D. Guériot)
C15-C16 : Réseaux multicouches (les perceptrons). Applications (D. Guériot)
C17 : Réseau de Kohonen. Applications (G. Cazuguel)

Optimisation combinatoire en classification : bases et exemples d'utilisation
C18 : Introduction à la classification (J.P. Barthélemy)
C19-C20 : Modèles en classification (J.P. Barthélemy)
C21 : Notion de sous-dominante (J.P. Barthélemy)
C22: Algorithmes de classification (J.P. Barthélemy)
C23 : Arbres phylogénétiques (J.P. Barthélemy)



Travaux personnels encadrés :

TP1 (3H) Classification d'images en télédétection. (G. Mercier)
TP2 (1H30) Courbes Bézier et B-splines. (G. Guillard)
TP3 (3H) : Reconnaissance par réseaux de neurones de caractères manuscrits. (D. Guériot)


Année 2006/2007
Dernière mise à jour le 11-DEC-06
Validation par le responsable de programme le


IMT Atlantique
Campus de Brest
Technopôle Brest-Iroise
CS 83818
29238 Brest Cedex 3
France

Tél  +33 (0)2 29 00 11 11
Fax +33 (0)2 29 00 10 00