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.)
- Laboratoire : Séance 5 (29 juin) |
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)
|