Semaine
(date)
|
Description
(voir les lectures sur le site de cours)
|
1
(31 aout)
|
1. Organisation du cours:
- présentation personnelle
- plan détaillé du cours
2. Introduction à la biométrie:
- brève historique
- traits biométriques communes
- vue d’ensemble des domaines d’applications
- fonctions d’identification, de surveillance et de vérification
- défis actuels en reconnaissance biométriqu
3. Survol de la reconnaissance de formes
- segmentation et extraction de représentations
- modèle de classification et de décision
|
2
(7 septembre)
|
A. Reconnaissance biométrique:
A.1 Un système généralisé:
- acquisition et segmentation de traits
- extraction et sélection de caractéristiques
- détection et classification de patrons
- fusion multimodale
|
3
(14 septembre)
|
A.2 Évaluation de systèmes:
- mesures de performance
- qualité des traits biométriques
- sécurité, confidentialité et intégrité des données
? Livrable : Proposition de projet (18 septembre)
? Laboratoire : Séance 1 (15 septembre)
|
4
(21 septembre)
|
A.3 État de l’art – reconnaissance de visages :
- étude d’applications images statiques
- techniques pour la détection de visages
- l’extraction et la sélection de caractéristiques
- la classification le processus décisionnel
- survol des systèmes et technologies de pointe
- comparaison des performances et défis
? Laboratoire : Séance 2 (22 septembre)
|
5
(28 septembre)
|
B. Techniques en Apprentissage Machine et Statistique:
B.1 Introduction aux algorithmes d’apprentissage
- l’apprentissage et ses applications
- données, fonctions et risque
- compromis biais-variance
- approches générative vs discriminatives
? Quiz A (30 septembre)
? Laboratoire : Séance 3 (29 septembre)
|
6
(5 octobre)
|
B.2 Apprentissage non-supervisé : représentation et catégorisation
- algorithme statistique k-means
- mélanges de Gaussiennes (GMM)
- réseaux de neurones auto-organisateurs : ART et SOFM
- techniques à base de noyaux : kernel k-means, mean shift
- techniques basées sur des matrices d’affinité : spectral
- descripteurs communs de traits biométriques
- techniques de projection : PCA et LDA
- apprentissage de caractéristiques : auto-encodeurs, modélisation parsemé
? Laboratoire : Séance 4 (6 octobre)
|
7 : pas de labo
(12 octobre)
|
8
(19 octobre)
|
B.3 Apprentissage supervisé : représentation et classification
- fonctions discriminantes et classification à distance minimum
- algorithme statistique k-plus-proches-voisins (k-NN)
- arbres décisionnels
- classifieurs à base de noyaux : réseaux RBF, ARTMAP et machines à vecteurs de support (SVM)
- architectures pour l’apprentissage profond
- réseaux de neurones convolutionnels (CNN) et récurrents (RNN)
? Laboratoire : Séance 5 (20 octobre)
? Livrable : Rapport 1 ? synthèse de littérature (23 octobre)
? Livrable : Rapport de laboratoire (6 novembre)
|
9
(26 octobre)
|
10 : pas de cours
(2 novembre)
|
11
(9 novembre)
|
C. Conception et analyse de systèmes robustes:
C.1 Classifieurs modulaires et ensembles
- architectures avec modules à base de classes et d’experts
- architectures hiérarchiques
- réseaux Siamois
- ensembles de classifieurs : cas statiques et dynamique
? Quiz B (11 novembre)
|
12
(16 novembre)
|
C.2 Techniques pour la fusion multimodale
- limitations des systèmes unimodales
- fusion au niveau des caractéristiques, scores et décisions
- structures hiérarchiques pour la fusion
- fusion à échantillons multiples
|
13
(23 novembre)
|
C.3 Systèmes adaptatifs
- apprentissage faiblement supervisé
- apprentissage en-ligne et incrémental
- optimisation des hyper-paramètres
C.4 Reconnaissance contextuelle
- mesures du contexte (e.g., qualité d’images)
- détection de changements et d’ambiguïtés
- sélection et fusion dynamique de classificateurs selon le contexte
|
14
(30 novembre)
|
? Livrable : Présentation orale des projets de session (2 décembre)
|
Période d’examens
|
? Livrable : Rapport 2 ? étude expérimentale (18 décembre)
|