Semaine

(date)

Description

(voir les lectures sur le site de cours)

1

(10 jan.)

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

(17 jan.)

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

(24 jan.)

A.2 Évaluation de systèmes:

• mesures de performance  
• qualité des traits biométriques
• sécurité, confidentialité et intégrité des données

? Livrable : Proposition de projet (28 janvier)

? Laboratoire : Séance 1 (26 janvier)

4

(31 jan.)

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 (2 février)

5

(7 fév.)  

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 (10 février)

? Laboratoire : Séance 3 (9 février)

6

(14 fév.)

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 (16 fév.)

7

(21 fév.)

8: pas de cours

(28 fév.)

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 (23 février)

? Livrable : Rapport 1 ? synthèse de littérature (6 mars)

? Livrable : Rapport de laboratoire (20 mars)

9

(7 mars)

10 : pas de cours

(14 mars)

11

(21 mars)

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 (23 mars)

12

(28 mars)

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

(4 avril)

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

(11 avril)

? Livrable : Présentation orale des projets de session

Période d’examens

? Livrable : Rapport 2 ? étude expérimentale (18 avril)