Semaine

(date)

Description

(voir les lectures sur le site de cours)

1

(09 mai)

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

(16 mai)

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

(23 mai)

A.2 Évaluation de systèmes:

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

- Livrable : Proposition de projet (26 mai)

 - Laboratoire : Séance 1 (25 mai)

4

(30 mai)

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
• techniques de projection : PCA et LDA

 - Laboratoire : Séance 2 (1 juin)

5

(6 juin)  

 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 (6 juin)

 - Laboratoire : Séance 3 (8 juin)

6

(13 juin)

B.2 Apprentissage supervisé : représentation et classification

• fonctions discriminantes et classification à distance minimum
• algorithme statistique k-plus-proches-voisins (k-NN)
• régression logistique
• classifieurs à base de noyaux : machines à vecteurs de support (SVM)
• architectures pour l’apprentissage profond
• réseaux de neurones convolutionnels (CNN)

 - Laboratoire : Séance 4 (15 fév.)

7: pas de cours

(20 juin)

8

(27 juin)

9

(4 jul.)

B.3 Apprentissage non-supervisé : représentation et catégorisation

• algorithme statistique k-means
• mélanges de Gaussiennes (GMM)
• techniques à base de noyaux : kernel k-means, mean shift
• Techniques à base de dénsités (DBSCAN)
• descripteurs communs de traits biométriques
• apprentissage de caractéristiques : auto-encodeurs, modélisation  parsemé

 - Livrable : Rapport 1 - synthèse de littérature (10 jul.)

10

(11 jul.)

11

(18 jul.)

C. Conception et analyse de systèmes robustes:

C.1 Classifieurs modulaires et ensembles

• architectures hiérarchiques
• réseaux Siamois
• ensembles de classifieurs : cas statiques et dynamique

 - Quiz B (18 jul.)

12

(25 jul.)

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

 - Livrable : Rapport de laboratoire (25 jul.)

13

(1 aout)

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

(8 aout)

- Livrable : Présentation orale des projets de session (8 aout)

Période d’examens

- Livrable : Rapport 2 - étude expérimentale (15 aout)