Présentation de mes Activités de Recherche pour un Poste ... · Présentation de mes Activités...
Transcript of Présentation de mes Activités de Recherche pour un Poste ... · Présentation de mes Activités...
Présentation de mes Activités de Recherche pour un Poste de Professeur en Apprentissage
Machine à l’Université Laval 2018-2019
08/01/2019
Réalisée par:
RIADH KSANTINI
Professeur en Informatique
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités d’Encadrement
Activités de Recherche
Perspectives
Plan de la Présentation
208/01/2019
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités d’Encadrement
Activités de Recherche
Perspectives
Plan de la Présentation
308/01/2019
Titres Universitaires
• Habilitation à Diriger des Recherches (HDR); Ecole Supérieure de Communication de Tunis (SUP’COM), Université de Carthage.
• Doctorat en Informatique; Spécialité: Imagerie et Média Numérique, Centre de Recherche MOIVRE, Université de Sherbrooke, Sherbrooke, Canada.
• Maîtrise en Informatique; Spécialité: Imagerie et Média Numérique, Centre de Recherche MOIVRE, Université de Sherbrooke, Sherbrooke, Canada.
• Baccalauréat en Mathématiques Appliquées et Informatique, Université de Monastir, Monastir, Tunisie.
408/01/2019
2003 - 2007
2001 - 2003
1996 - 2000
2018
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités Pédagogiques
Activités de Recherche
Perspectives
Plan de la Présentation
508/01/2019
Domaines d’Expertise
• Apprentissage Machine/Profond.
• Données Massives (Big Data)
• Intelligence Artificielle.
• Vision Artificielle (par ordinateur) et Médias Numériques.
• Traitement de Signal.
• Reconnaissance des Formes.
• Traitement d’Image et Vidéo.
• Systèmes de Détection d’Intrusions.608/01/2019
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités Pédagogiques
Activités de Recherche
Perspectives
Plan de la Présentation
708/01/2019
Activités Professionnelles (1/2)
• Professeur :Ecole Supérieure des Communications de Tunis, Tunisie.
• Directeur du Département Informatique et Réseaux:Ecole Supérieure des Communications de Tunis, Tunisie.
• Professeur Associé : Institut d’Informatique, Université de Windsor, Canada.
• Chercheur Postdoctoral et Coordinateur: La compagnie Cie Genetec Inc. Et l’École de Technologie Supérieure (ÉTS), Montréal, Canada.
808/01/2019
Depuis 2013
2011 - 2013
Depuis 2014
Depuis 2018
Activités Professionnelles (2/2)
• Chercheur Scientifique Visiteur:l’Agence Spatiale Canadienne. St- Hubert, Canada.
• Chercheur Postdoctoral et Coordinateur: Institut d’Informatique,
Université de Windsor, Windsor, Canada.
• Attaché de Recherche: Les Laboratoires Bell Canada, Canada.
908/01/2019
2007 - 2010
2001 - 2007
2010 - 2011
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités d’Encadrement
Activités de Recherche
Perspectives
Plan de la Présentation
1008/01/2019
11
Activités d’Encadrement (1/4)
25 PFE Cycle d’Ingénieur et 05 PFE Maîtrise Professionnelle
Thèmes proposés:
1. Reconnaissance des Activités Humaines.
2. Prédiction de Retard des Vols (Apprentissage Profond).
3. Qualité de Service et d’Expérience (Apprentissage Machine).
4. Détection des Lésions de la Peau (Cancer de la Peau).
08/01/2019
08/01/2019 12
04 Étudiants en Maîtrise de Recherche.
1. Contour Actif et Polarité
2. Détection d’Objets (Apprentissage Profond)
3. Apprentissage Profond Non Supervisé
4. Qualité de Service et d’Expérience (Apprentissage Machine)
UW
ENIT
ENIT
TBS
Activités d’Encadrement (2/4)
08/01/2019 13
07 Étudiants en Doctorat (Thèses Soutenues).
1. Combinaison des Classifieurs et Reconnaissance des Visages
2. Reconnaissance des Activités Humaines
3. Reconnaissance des Formes et Segmentation d’Images
4. Détection des Mines basée sur l’Apprentissage/ProfondMachine
5. Reconnaissance des Visages basée sur l’Apprentissage/ProfondMachine
6. Modèles Discriminants et Reconnaissance des Visages
7. Apprentissage Incrémental et Détection des Visages
RU 2010-2014
UW 2008-2013
UW 2011-2015
ENIT 2014-2018
Activités d’Encadrement (3/4)
ENIT 2015-2018
ENIT 2014-2018
SUPCOM 2015-2018
08/01/2019 14
ISTMT 2018-Maint
ISTMT 2018-Maint
06 Étudiants en Doctorat (Thèses en Cours).
1. Classification «One-Class» et Reconnaissance des Documents
2. Détection d’Intrusions (Apprentissage Profond Supervisé)
3. Détection d’Intrusions (Apprentissage Profond Non Supervisé)
4. Reconnaissance des Gestes
5. Reconnaissance des Activités des Personnes Âgées
6. Reconnaissance des Tumeurs
SUPCOM 2014-Maint
SUPCOM 2018-Maint
SUPCOM 2018-Maint
SUPCOM 2015-Maint
Activités d’Encadrement (4/4)
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités Pédagogiques
Activités de Recherche
Perspectives
Plan de la Présentation
1508/01/2019
Activités de Recherche
Sous-domaines et Orientations de Recherche:
A. Recherche d’Image par le Contenu et Reconnaissance des Visages.
B. Classification Linéaire et Non-Linéaire (Noyau ou Kernel).
C. Rendu de Volumes et Visualisation des Données.
D. Apprentissage Profond Supervisé et Non Supervisé.
1608/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (1/10)
Période: 2001-2010(Travaux de Maîtrise, Doctorat et Postdoc UW)
1) Motivation:La croissance énorme de l’information disponible non-structurée dans les bases d’images. (Télédétection, Médical, Sécurité,… etc …)
La recherche de l’information dans les grandes bases d’images est un problème crucial
1708/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (2/10)
Travaux Existants:1. A. Smeulder et al. IEEE TPAMI. 2000.2. N. Vasconcelos. IEEE Trans. Inf. Th. 2004.3. J. Goldberger et al. Adv. in Neu. Inf. Proc. Sys. 2005.
Utilisation des Métriques de Similarité et des Descripteurs Pour Recherche d’Image.
Inconvénients: Métriques de Similarité = Distances entre Caractéristiques. Attribuer les mêmes poids à toutes les Caractéristiques. Pas de Méthodes Statistiques Pour Améliorer la Recherche.
1808/01/2019
08/01/2019 19
Contributions:
Proposer une nouvelle métrique basée sur les ondelettes.
Utiliser les ondelettes de Daubechies pour lisser les descripteurs.
Proposer un nouveau descripteur, qui est l’histogramme pondéré par leGradient multispectral.
Proposer un nouveau modèle bayésien de régression logistique: Trèsstable, robuste au bruit. Basé sur le noyau (Kernel).
Améliorer significativement la performance du système de recherched’images couleurs
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (3/10)
08/01/2019 20
Prétraitement Recherche du Descripteur Q de l’Image Requête
Descripteur d’une
Organigramme de la Recherche
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (4/10)
Daubechies
20
21
2) La pseudométrique:
4) Fonction Objective du Modèle Bayésien:
3) L’histogramme pondéré par le Gradient multispectral.
08/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (5/10)
Comparaison avec l’Etat de l’Art des Bases de Donnéesd’Images (Erreur de Recherche).
2208/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (6/10)
2004 2003 2003
2007
08/01/2019 23
La reconnaissance des visages d’êtres humains est cruciale pour plusieurs applications:
Vidéo-surveillances, biométrie, robotique… etc….
1. P.N. Belhumeur et al. IEEE TPAMI. 1997.2. H. Yu et J. Yang. Pattern Recognition. 2001 3. M. Zhu et A.M. Martinez. IEEE TPAMI. 2006.
Utilisent les Méthodes de Réduction de dimension y compris l’Analyse Discriminante pour la Reconnaissance des Visages.
5) Motivation:
Travaux Existants:
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (7/10)
08/01/2019 24
Basées sur des Méthodes non Robustes aux Données Multimodèles (variabilité des visages).
Prétraitement: Utilisation de l’ACP pour la Réduction de laDimension.
Inconvénients:
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (8/10)
Contributions:
Améliorer le Modèle Bayésien Proposé:
Nouvelle Distribution A Priori pour la Réduction de laDimension.
Sous Classes-Robuste aux Données Multimodèles (Visages).
Comparaison avec l’Etat de l’Art des Bases de Donnéesde Visages (Précision de Reconnaissance).
2508/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (9/10)
26
Publications:
5 Papiers Journaux. (PR (IF = 4.6), TPAMI (IF = 9.5), IJWMIP…)
6 Papiers Conférences. (AAAI (class A*), IJCAI (class A*), ICIAR…)
08/01/2019
A. Recherche d’Image par le Contenu et
Reconnaissance des Visages (10/10)
Période: 2007-2018(Travaux de Postdoc, Professeur Associé à UW et
Professeur à SUP’COM)
1) Motivations:
La Classification est un outil très pertinent pour Répartir les Données en Classes ou Catégories.Applications: Médical, Sécurité, Multimédia, etc…
2708/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(1/21)
Travaux Existants:
1. M. Bressan et J. Vitria. Pattern Recognition. 2003.2. M. Cristianini et J. Shawe-Taylor. Cambridge University Press. 2000.
Ont Proposé deux classifieurs bien connus de l’état de l’art:
«Nonparametric Discriminant Analysis» (ND)
«Kernel Support Vector Machines» (KSVM).
2808/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(2/21)
08/01/2019 29
Pour le KSVM, la classification est basée juste sur les vecteurs de supportqui sont sur les frontières de décision.
Perte de l’information globale sur les données.
Pour le KND, la classification est très sensible au choix des k plusproches voisins de la frontière de décision.
B. Classification Linéaire et Non-Linéaire (Noyau)
(3/21)
Inconvénients:
08/01/2019 30
Contributions:
Combiner le KSVM et le Kernel ND (KND) d’une façonrigoureuse, afin d’éviter leurs inconvénients et améliorer laperformance de classification
KN-SVM.
B. Classification Linéaire et Non-Linéaire (Noyau)
(4/21)
• Incorporer les KND scatter matrices dans le problème d’optimisation de KSVM.
• Matrice “Between-class Scatter” .
• Matrice “Within-class Scatter” .
31
N
i
i
T
i
T wwxtCww1
0)))((1,0max(2
1 min KSVM
08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(5/21)
32
N
i
i
T
i
TT wwxtCwwwIw1
0
1 )))((1,0max(2
1))((
2
1 min
N
i
i
T
i
T wwxtCww1
0)))((1,0max(2
1 min
KSVM
KN-SVM08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(6/21)
33
N
i
i
T
i
TT wwxtCwwwIw1
0
1 )))((1,0max(2
1))((
2
1 min
N
i
i
T
i
T wwxtCww1
0)))((1,0max(2
1 min
KSVM
KN-SVM08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(6/21)
34
N
i
i
T
i
TT wwxtCwwwIw1
0
1 )))((1,0max(2
1))((
2
1 min
II
wwxtCwwN
i
i
T
i
T
1
1
0
)(
)))((1,0max(2
1 min
Paramètre de Contrôle
08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(7/21)
35Interpretation Géométrique de KN-SVM08/01/2019
Espace de Noyau (Kernel)
B. Classification Linéaire et Non-Linéaire (Noyau)
(8/21)
Résultats Expérimentaux3608/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(9/21)
08/01/2019 37
Application du KN-SVM (Détection d’Objets Occlutés):
B. Classification Linéaire et Non-Linéaire (Noyau)
(10/21)
08/01/2019
Problème de données non-balancées ou les anomalies sont rares dans plusieurs applications:
• Centres nucléaires• Détection de Cancer• Détection des mines
Travaux Existants:
2) Motivations:
B. Classification Linéaire et Non-Linéaire (Noyau)
(11/21)
1. D. Tax et K. -R. Müller, Artif., IEEE Neu. Net. And Neural Inf. Pro. 20032. D. Tax et R. Duin, Machine Learning. 2004.
Ont Proposé Plusieurs Classifieurs «One-Class » OSVM.Exemple
08/01/2019
Aucune Méthode «One-Class» considère les faibles variances.
Contributions:
Inconvénients
Proposition d’un classifieur «One-Class» qui classifie les données et les projette dans la direction des faibles variances.
B. Classification Linéaire et Non-Linéaire (Noyau)
(12/21)
08/01/2019 4040
OSVM
COSVM
Le Classifieur COSVM
B. Classification Linéaire et Non-Linéaire (Noyau)
(13/22)
08/01/2019 4141
OSVM
COSVM
Le Classifieur COSVM
Matrice de Covariance
B. Classification Linéaire et Non-Linéaire (Noyau)
(13/21)
08/01/2019 4242
OSVM
COSVM
Le Classifieur COSVM
Paramètre de Contrôle
B. Classification Linéaire et Non-Linéaire (Noyau)
(13/21)
43
Matrice de Noyau(Kernel)
Matrice de Covariance
08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(14/21)
44Interpretation Géométrique de COSVM
08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(15/21)
Résultats Expérimentaux4508/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(16/22)
08/01/2019 46
Classifieur One-Class basé sur un apprentissage « batch » pas flexible avec les environnements dynamiques.
3) Problématiques:
Contributions:
Proposition d’un classifieur «One-Class» qui classifie les données et les projette dans la direction des faible variances.
COSVM Incrémental (iCOSVM)
B. Classification Linéaire et Non-Linéaire (Noyau)
(17/21)
K et Δ sont définies positives.
Problème d’optimisation convexe.
Existence d’une solution, unique déterminée avec
la méthode de KKT.
S: SV
marginaux
O: non-SV
E: SV erreur08/01/2019
Processus Incrémental
iCOSVM
47
B. Classification Linéaire et Non-Linéaire (Noyau)
(18/21)
08/01/2019 48
100 250 500 1000 2000
iCOSVM 0.00425 0.0043 0.00437 0.00442 0.00451
COSVM 0.0527 0.1336 0.3347 1.5095 8.0075
0.001
0.01
0.1
1
10
Lo
g o
f tr
ain
ing
tim
e
Comparaison (Temps d’Apprentissage): COSVM et iCOSVM
B. Classification Linéaire et Non-Linéaire (Noyau)
(19/21)
08/01/2019 49
Experiments iSVDD iOSVM iCOSVM
Biomedical 28.4 77.7 82.9
heart disease 49.4 60.9 61.9
Liver (diseased) 54.8 69.1 69.6
Liver (healthy) 52.5 67.3 68.7
Diabetes (present) 95.2 97.5 97.8
Diabetes (normal) 92.2 97.3 97.5
arrhythmia-1 74.8 83.2 83.7
arrhythmia-2 74.0 81.0 82.8
Chromosome-1 48.0 65.2 78.2
Chromosome-2 48.2 63.2 73.4
Chromosome-3 47.4 46.6 55.5
Chromosome-4 47.9 58.6 70.8
Résultats Expérimentaux
B. Classification Linéaire et Non-Linéaire (Noyau)
(20/21)
50
Publications:
10 Papiers Journaux. (3*PR (IF = 4.6), IJMLC (IF = 2.6), SIVP (IF = 1.7)…)
14 Papiers Conférences. (ECML/PKDD (class A), ICASSP (class B), ICIAR…)
08/01/2019
B. Classification Linéaire et Non-Linéaire (Noyau)
(21/21)
08/01/2019 51
La visualisation est Utile dans Plusieurs Applications:
• Médical• Géologie• Fluides • Défense
1) Motivations:
Période: 2014-2018 (Professeur Associé à UW et Professeur à SUP’COM)
C. Rendu de Volumes et Visualisation des Données
(1/15)
08/01/2019 52
1. N.M. Khan, et al. Neurocomputing. 2015.2. Hadwiger, et al. IEEE Trans. on Visual. Comp. Graph. 2008.
Sont Basées sur la Fonction de Transfer et la Manipulation de Pixels 3D (Classification Non Supervisée)
Travaux Existants:
C. Rendu de Volumes et Visualisation des Données
(2/15)
08/01/2019 53
Inconvénients:
C. Rendu de Volumes et Visualisation des Données
(3/15)
Les méthodes classiques de visualisation ne sont pas pratiqueset lentes en terme d’interaction.(Utilisateur-Machine ou Expert-Machine).
08/01/2019 54
Système de Visualisation Classique
C. Rendu de Volumes et Visualisation des Données
(4/15)
08/01/2019 55
Proposition d’une méthode de visualisation basée sur l’image:
Rapide et facile a interagir avec l’utilisateur ou l’expert.
Calcul Automatique de l’Opacité des Différentes Régions.
Contributions:
C. Rendu de Volumes et Visualisation des Données
(5/15)
08/01/2019 56
Système proposé et Basé sur l’Image
C. Rendu de Volumes et Visualisation des Données
(6/15)
57
Données(Volume)
IU
VoxelsSélectionnés
ExtractionDes
Caractéristiques
ClassifieurKN-SVM
Distribution de la Couleur
&Opacité
Output
Extractiondes Régions(Entropie)
Méthode Basée sur l’Image08/01/2019
C. Rendu de Volumes et Visualisation des Données
(7/15)
• Valeur d’Intensité.
• Amplitude du Gradient.
• Moyenne des 8 Voxels Voisins dans les Directions de X, Y and Z.
5808/01/2019
Extraction des Caractéristiques:
C. Rendu de Volumes et Visualisation des Données
(8/15)
Résultat Expérimental59
Avant
Classification
Après
Classification
08/01/2019
C. Rendu de Volumes et Visualisation des Données
(9/15)
Données (Avant)60
(a) Foot(b) Engine (c) Lobster
(d) Carp (e) Visual Male head
08/01/2019
C. Rendu de Volumes et Visualisation des Données
(10/15)
Résultats (Méthode Basée sur l’Image) 61
(a) Foot(b) Engine (c) Lobster
(d) Carp (e) Visual Male head
08/01/2019
C. Rendu de Volumes et Visualisation des Données
(11/15)
Comparaison: Méthode Basée sur l’Image, Méthode Basée sur les Données et Méthode Traditionnelle
Method TrainingTime
InteractionTime
InteractionRating
Output Rating
Traditional 243.9 323.8 3.35 2.95
Data-Centric
121.2 158 4.4 4.4
Image-Centric
36 24.7 3.8 3.3
6208/01/2019
C. Rendu de Volumes et Visualisation des Données
(12/15)
Method TrainingTime
InteractionTime
InteractionRating
Output Rating
Traditional 243.9 323.8 3.35 2.95
Data-Centric
121.2 158 4.4 4.4
Image-Centric
36 24.7 3.8 3.3
63
Très Rapide.Interaction Minimale
08/01/2019
Comparaison: Méthode Basée sur l’Image, Méthode Basée sur les Données et Méthode Traditionnelle
C. Rendu de Volumes et Visualisation des Données
(13/15)
Method TrainingTime
InteractionTime
InteractionRating
Output Rating
Traditional 243.9 323.8 3.35 2.95
Data-Centric
121.2 158 4.4 4.4
Image-Centric
36 24.7 3.8 3.3
64
Meilleure qualitépour la méthode
Basée sur les données
08/01/2019
Comparaison: Méthode Basée sur l’Image, Méthode Basée sur les Données et Méthode Traditionnelle
C. Rendu de Volumes et Visualisation des Données
(14/15)
65
Publications:
01 Papier Journal. (ACM Transaction (IF = 3.6))
01 Papier Conférence.(ICASSP (class B))
08/01/2019
C. Rendu de Volumes et Visualisation des Données
(15/15)
66
Période: 2016-Maintenant(Professeur Associé à UW et Professeur à SUP’COM)
1) Motivations:
L’apprentissage profond non supervisé est un outil très pertinent pour répartir des données non étiquetées en structures sous-jacentes (clusters),
Applications: Médical, Sécurité, Multimédia, etc…
08/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(1/15)
Pourquoi l’apprentissage non supervisé des contenusdes images est une tâche délicate ?
L’information au niveau pixel n’est pas fiable pour effectuer le «Clustering»
Calculer les similarités en se basant sur la notion de distance ne peut pas effectuer une catégorisationsémantique.
6708/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(2/15)
Exemple Pertinent:
6808/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(3/15)
● Deux images ayant presque les mêmes intensités de pixels appartiennentdans des différents «clusters»:
● Deux images ayant des différentes intensités de pixels appartiennent au même «cluster»:
Travaux Existants (Deep Embedding Clustering):
1. Chunfeng Song et al. CIARP. 2013.2. Elie Aljalbout et al. ICLR. 2018.
Méthodes basées sur deux phases:
Phase1: Un Autoencoder est pré-entraîné pour effectuer
reconstruction des données (Vanilla).
Phase2: Encoder est entraîné pour améliorer l’intégration de lareprésentation et le positionnement des centres des «Clusters».
6908/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(4/15)
08/01/2019 70
Les Méthodes (DEC) ne sont pas robustes aux données non balancées.
Ne maintiennent pas la topologie des données (phase de reconstructionéliminée «Reconstruction loss function»).
Améliorent la précision du «Clustering» sous conditions: a) initialementfaire un bon choix des centres des «Clusters», b) Avoir déjà unbottleneck avec représentation discriminative.
Préapprentissage obligatoire.
Résultats insatisfaisants sur des données fortement sémantiques.
D. Apprentissage Profond Supervisé et Non Supervisé
(5/15)
Inconvénients:
08/01/2019 71
D. Apprentissage Profond Supervisé et Non Supervisé
(6/15)
Contributions:
Réseau Génératif
Réseau Discriminatif Magnet Loss Function
Résultats Expérimentaux7208/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(7/15)
Method ACC NMI
DEC 86.55% 83.72%
IDEC 88.06% 86.72%
DNC 83% 81%
DMC * 86.4%
VaDE 94.46% *
DEPICT 96.5% 91.7%
DAE (our) 98.3% 95.5%
Evaluation sur MNIST dataset:
08/01/2019 73
D. Apprentissage Profond Supervisé et Non Supervisé
(8/15)
Autres Contributions au Niveau Autoencoder (One-Class) :
One class-SVM
𝐽(𝑊, 𝑏)
=1
𝑚(𝑥 𝑖 − ℎ(𝑊. 𝑔 𝑊𝑇 . 𝑥 𝑖 )2+𝑊𝑇. 𝐶𝑂𝑉 𝑋 .𝑊
𝑛
𝑖=1
Autoencoder
Bottleneck
Low Variance Direction
Résultats Expérimentaux7408/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(9/15)
Autoencoder Classique Covariance Guide Autoencoder
Evaluation sur KddCup dataset de DARPA (Détection d’Intrusion), MNIST dataset
75
2) Motivations:
Les méthodes de suivi des objets en mouvement basées sur l’apprentissage profond (DeepTracking) sont efficaces et pertinentes pour plusieurs applications:
Vidéo Surveillance, Médical, Défence, Sécurité, Multimédia, etc…
08/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(10/15)
76
Travaux Existants:
Classification des AS profond (Li et al. 2017):
• Structure de réseau : CNN, RNN, Autoencoder, Siames
(ECO,CCOT,DeepSRDCF,CNN-SVM,siamFC,SANet)
• Fonction de réseau : FEN, EEN(RPNT,RTT,DLT,TransDLT)
• Entrainement de réseau : NP, IP, VP (OL/NOL)
08/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(11/15)
77
Contributions:
Stratégie de recherche grossière-à-fine
• Augmenter la zone de recherche• Estimation de la translation
Caractéristiques extraites à partir de CNN
• Classification et détection des objets• Invariance : rotation, échelle et translation
Les filtres de corrélation pour le suivi
• Rapidité de calcul• Précision de localisation
08/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(12/15)
78
Contributions:
Apprentissage en Ligne:
• Augmente la robustesse de l’algorithme.
• Apprendre la nouvelle apparence de l’objet au cour de suivi.
• Le contrôle de sur-apprentissage en introduisant un seuil d’apprentissage.
• L’évaluation de la qualité de prédiction pour le contrôle de l’apprentissage en ligne par l’intermédiaire du iCOSVM.
08/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(13/15)
7908/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(14/15)
Fonctionnement de l’algorithme proposée
Résultats Expérimentaux8008/01/2019
D. Apprentissage Profond Supervisé et Non Supervisé
(15/15)
81
Bilan Total de mes Activités de Recherches:
19 Papiers Journaux (IF = 0 – 1.5 – 2.6 – 3.6 – 4.6 – 9.5).
Exemple: 4 × PR + 1 × TPAMI + 1 × ACM Transactions…
35 Papiers Conférences (Class C - B - A - A*).
08/01/2019
Titres Universitaires
Domaines D’expertise
Activités Professionnelles
Activités Pédagogiques
Activités de Recherche
Perspectives
Plan de la Présentation
8208/01/2019
Visualisation des Données Basée sur l’Apprentissage Actif.
Proposition d’un Nouveau Modèle Incrémental (iKN-SVM,
Paramètre de Contrôle-Analytique).
Utiliser les Nouveaux Modèles dans Plusieurs Autres Applications:
Détection des Mines/Visages/Intrusions/Tumeurs(Médical).
Proposer des Nouveaux Modèles d’Apprentissage Profond.
Apprentissage Profond pour Détection d’Intrusions et
Modélisation de la Qualité de Service et d’Expérience.
Perspectives: Activités de
Recherche
8308/01/2019
08/01/2019 84