Version PDF

École de technologie supérieure

Responsable(s) de cours :

Mohamed Cheriet

PLAN DE COURS

Hiver 2026
SYS800 : Reconnaissance de formes et inspection (4 crédits)

Préalables
Aucun préalable requis.

Description du cours
Acquérir les concepts de base et les principales techniques utilisées dans le domaine de la reconnaissance de formes en vue d’adapter éventuellement l'équipement existant à des tâches particulières de production et d'inspection.

Méthodes statistiques en reconnaissance de formes. Techniques déterministes et statistiques, tests d'hypothèses, classificateur bayésien, estimation de paramètres et de fonctions de densité, sélection de caractéristiques. Méthode syntaxique en reconnaissance de formes. Langage formel, types de grammaire, principales structures syntaxiques, automates, inférence grammaticale. Structure de chaînes et extraction de primitives. Méthodes à base d'arbres et de graphes. Vision par ordinateur : senseurs d'images (caméra vidicon, CCD, laser). Effet de l'illumination. Limites du traitement industriel d'images. Applications aux systèmes industriels d'identification et d'inspection d'objets manufacturés.

Stratégies pédagogiques

La partie théorique du cours sera donnée sous forme de séances de trois heures par semaine pendant treize (13) semaines. La première partie du cours portera sur les techniques statistiques de RdF. La deuxième partie couvrira les aspects théoriques et pratiques des réseaux de neurones (multicouches, CNNs et Transformers).

La partie théorique sera complétée par la pratique. Deux (2) travaux pratiques complémentaires seront réalisés par équipe de deux (2) étudiants au maximum. Ces travaux dirigés serviront de support pour maîtriser les techniques de RdF présentées lors des cours théoriques.

Enfin, un projet de session portera obligatoirement sur un aspect spécifique de la RdF qui devra être approfondi par chaque étudiant. Ce projet d’envergure peut prendre deux formes : une contribution pédagogique, soit une revue exhaustive de la littérature sur un thème spécifique, ou un projet de synthèse, qui consistera à réaliser un mini-projet en reconnaissance de formes. Les exigences pédagogiques résident dans la rédaction d’un rapport technique et dans la présentation orale du projet par tous les étudiants, au milieu de la session (état d’avancement du projet) et à la fin de la session (présentation finale).

Utilisation d’appareils électroniques

Python est le langage de programmation adopté pour la réalisation des laboratoires. Quant au projet, le choix du langage de programmation est laissé à la discrétion de l’étudiant, mais nous recommandons fortement Python.

Horaire

Groupe	Jour	Heure	Activité
01	Mercredi	08:30 - 12:00	Activité de cours
	Vendredi	08:30 - 11:30	Laboratoire

Coordonnées du personnel enseignant le cours

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Clément Playout	Activité de cours	cc-Clement.Playout@etsmtl.ca
01		Laboratoire

Cours

N. B. : Chaque point énuméré de ce contenu sera le thème d'une séance du ocurs. Les points sont présentés dans l'ordre chronologique.

Séance	Description
	Partie I : Méthodes statistiques pour la reconnaissance des formes
1	Présentation du cours : objectifs, organisation, évaluation. Définitions : intelligence artificielle, apprentissage machine, apprentissage profond et reconnaissance de formes. Applications : vision par ordinateur, traitement du langage naturel, bio-informatique. Introduction aux concepts de base : données, caractéristiques, étiquettes. Types d’apprentissage : supervisé, non supervisé. Distinction entre classification et régression. Exemples de systèmes réels utilisant l’apprentissage machine.
2	Théorie bayésienne de la décision Introduction aux bases de l’inférence statistique. Concepts de probabilité : variables aléatoires, distributions, espérance, variance. Théorème de Bayes et son application en apprentissage machine. Notion de vraisemblance et estimation des paramètres. Application à la régression linéaire simple. Concepts de surapprentissage et de régularisation.
3	Notions de représentations Extraction de caractéristiques : notions d’Invariance et d’Équivalence. La "malédiction de la dimensionnalité". Techniques de sélection de caractéristiques : filtrage et imputation. Techniques de réduction de dimensionnalité : ACP, t-SNE, U-Map. Le modèle auto-encodeur
4	Discrimination et classification Notions de séparation linéaire Régression logistique Classifieur Bayésien Séparation par hyperplans
5	Discrimination non linéaire Méthode par noyau et SVM (RBF et Polynomiale) Introduction aux forêts aléatoires Techniques de régularisation par ensemble de modèles (Boosting)
6	Estimation de densité et apprentissage non-supervisé Estimation de la fonction densité Estimateur de densité de Kernel de Parzen Estimateur de K-plus proches voisins. Classification à l’aide de distance minimale. Application Méthodes de k-means, c-means, …
	Partie II : Techniques modernes et apprentissage profond
7	Introduction aux réseaux de neurones Le modèle multi-couches Introduction à la rétro-propagation
8	Réseau de neurones convolutionnels Rôle des convolutions et du pooling dans le traitement d’images Architectures classiques (LeNet, VGG, ResNet) et leurs innovations Cas d’usage appropriés pour les CNN
9	Modèle par attention Mécanisme d’attention et son avantage sur les approches séquentielles Architecture transformer dans ses grandes lignes Positionnement de ces modèles dans l’écosystème actuel (vision, langage)
10	Techniques de régularisation avancée Augmentation de données Normalisation Dropout Introduction aux modèles génératifs
11	Évaluation des modèles Métrique de classification, régression et segmentation Distinction entre association et prédiction Introduction à la signifiance statistique dans le modèle linéaire.
12	Interprétabilité des modèles Sélections de caractéristiques Approches différentielles Approches par modèle-proxy

Laboratoires et travaux pratiques

Deux (2) travaux pratiques complémentaires seront réalisés par équipe de deux (2) étudiants au maximum. Le premier sera consacré à la représentation de données, à l’extraction des caractéristiques et à la réduction de la dimensionnalité. Le deuxième portera sur la mise en œuvre de classifieurs statistiques paramétriques et non paramétriques dans les espaces de caractéristiques étudiées au cours du premier laboratoire, ainsi qu’à introduire les réseaux de neurones.

Évaluation

Informations additionnelles :

Type	Description	Pondération
Travail pratique #1	durée : semaines 3 - 6	15%
Travail pratique #2	durée : semaines 8 - 11	25%
Projet du cours / Rapport technique	durée : semaines 4 - 12	45%
Projet du cours / Présentation orale	durée : semaines 13	15%

MODALITÉS

Les travaux pratiques sont réalisés par équipe de deux (2) étudiants au maximum.
Le projet du cours est réalisé et présenté impérativement par chaque étudiant individuellement, comme suit :
- Dans les quatre (4) premières semaines du cours, l’étudiant doit présenter une esquisse de son projet, en vue de sa validation par le professeur.
- Le rapport technique doit être dactylographié (40 pages maximum).
- La présentation orale dure au maximum vingt (20) minutes réparties en quinze (15) minutes de présentation et en cinq (5) minutes de discussion.

Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Une pénalité de retard de 10% de la note de l'activité par jour de retard.

Absence à une évaluation

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.

Documentation obligatoire

Les acétates du cours magistral, ainsi que d'autres matériels utiles sont disponibles sur le site : moodle.etsmtl

Ouvrages de références

Deep Learning, by Ian Goodfellow (Author), Yoshua Bengio (Author), Aaron Courville (Author)
Reinforcement Learning, 2nd Edition, by Richard S. Sutton (Author), Andrew G. Barto (Author)
M. Cheriet, N. Kharma, C.-L. Liu et C.Y. Suen, Character Recognition Systems: A Guide for Students and Practitioners, John Wiley & Sons, 1st Edition, 2007. ISBN: 978-0-471-41570-1.
R.O. Duda, P. E. Hart et D.G. Stork, "Pattern Classification", Wiley-Interscience, 2nd Edition, 2001.
D.G. Stork, E.Yom-Tov, , "Computer Manual in MATLAB to accompagny Pattern Classification", Wiley-Interscience, 2nd Edition, 2004.
T. Hastie, R. Tibshirani, J. Friedman, ¨The Elements of Statistical Learning: Data Mining, Inference, and Prediction¨, Springer, 2nd Edition, 2009.
K.P. Murphy, Machine Learning : a Probabilistic Perspective, MIT Press, 2012.
I.T. Nabney, "NETLAB : Algorithms for Pattern Recognition", Advances in Pattern Recognition, Springer, 2004.
F. van der Heijden, R.P.W. Duin, D. de Ridder, D.M.J. Tax, "Classification, Paramter Estimation and State Estimation: An Engineering Approach using MATLAB", Wiley, 2004.
J. Shawe-Taylor and N. Cristianni, "Kernel Methods for Pattern Analysis", Cambridge, 2004.
B. Scholkopf, C.J.C. Burges, A. J. Smola, "Advances in Kernel Methods : Support Vector Learning", Wiley, 2004.
K. Fukunaga, "Introduction to Statistical Pattern Recognition", Acadmic Press, second edition, 1990.
J.T. Tou et R. C. Gonzalez, "Pattern Recognition Principles", Addison-Wesley, 1981.
B. Dubuisson, Diagnostic et reconnaissance des formes, Hermes, 1990.
L. Miclet, Méthodes structurelles pour la reconnaissance des formes, Eyrolles, 1984.
H. Bunke et A. Sanfeliu, "Syntactic and Structural Pattern Recognition : Theory and Applications", World Scientific, Second edition, 1990.
R. Schalkoff, "Pattern Recognition, Statistical, Structural and Neural Approaches", Wiley, 1992.
A. Belaid et Y. Belaid, Reconnaissance des formes, InterÉditions, 1992.
J. Shurmann, "Pattern Classification : A Unified View of Statistical and Neural Approaches", John Wiley, N. Y. 1996.
P. Fabre, Exercices de reconnaissance de formes par ordinateur, Masson, 1989.
R. A. Johnson et D. W. Wichern, "Applied Multivariate Statistical Analysis", Prentice Hall, 3rd édition, 1992.
G. Gaillat, Méthodes statistiques de reconnaissance de formes, ENSTA, 1983.

Adresse internet du site de cours et autres liens utiles

Autres informations

ena.etsmtl.ca