Logo ÉTS
Session
Cours
Responsable(s) Mohamed Cheriet

Se connecter
 

École de technologie supérieure
Département de génie des systèmes
Responsable(s) de cours : Mohamed Cheriet


PLAN DE COURS

Automne 2018
SYS800 : Reconnaissance de formes et inspection (4 crédits)



Préalables
Aucun préalable requis




Descriptif 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.



Objectifs du cours

La Reconnaissance de formes (RdF) traite de l’apprentissage du processus de reconnaissance et de la prise de décision automatique. Reconnaître une forme c’est doter une machine de la capacité d’assigner un nom à cette forme à partir des informations descriptives qui lui ont été fournies par l’environnement. C’est-à-dire que ces méthodes et techniques ont vocation à intervenir dans la quasi totalité des domaines d’intérêt de l’être humain. Le problème fondamental est toujours relié à la cueillette de données représentatives de l’environnement dans lequel un tel système devra évoluer.

En pratique, cette condition n’est jamais rencontrée, et un système peut donc être confronté à des données qui sont bruitées et/ou incomplètes.

De nombreuses disciplines scientifiques sont à l'origine de l'essor de ce domaine scientifique notamment, la statistique, la linguistique, l'informatique, etc… Par la suite, la RdF s'est enrichie de l'apport des méthodes d'analyse des données et de classification automatique.

Depuis l'origine, de nombreuses méthodes différentes de RdF ont vu le jour. Elles sont classiquement regroupées selon trois catégories d'approches: les approches statistiques, les approches structurelles et syntaxiques, et les approches hybrides.

Ce cours a pour objectif essentiel de présenter la théorie et les outils de la RdF qui se rattachent à ces différents aspects dans le cadre des applications faisant appel à l’apprentissage automatique.




Stratégies pédagogiques

La partie théorique du cours sera donnée en raison d'une présentation de trois heures par semaines pendant treize (13) semaines. La première partie du cours portera sur les techniques statistiques de RdF. La deuxième partie du cours couvrira les aspects théoriques et pratiques des méthodes structurelles et syntaxiques de RdF.

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 véhicule pour maîtriser les techniques de RdF présentés 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 la forme d'une contribution pédagogique, soit une revue exhaustive de la littérature sur un thème spécifique ou prendre la forme d'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 de 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

Matlab est le langage de programmation adopté pour la réalisation des laboratoires. Quant au projet, le choix du langage de programmation est au choix de l'étudiant.




Horaire
Groupe Jour Heure Activité
01 Jeudi 13:30 - 17:00 Activité de cours
Vendredi 13:30 - 16:30 Laboratoire



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Mohamed Cheriet Activité de cours Mohamed.Cheriet@etsmtl.ca A-3591



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

 

 

 

 

 

1) Introduction

  • Exemple d'un système de RdF
  • Différents modèles de RdF
  • Concepts fondamentaux des méthodes statistiques de RdF
  • Notions de similarité, de ressemblance et de classes
  • Champs d'application

 

2

 

 

 

2) Méthodologie de la reconnaissance de formes

  • Approche du problème
  • Notion d'apprentissage
  • Choix de la représentation : notion d'invariant

3 & 4

 

 

 

 

3) Théorie bayésienne de la décision

  • Notations utilisées
  • Règle de décision bayésienne
  • Rappel du théorème de Bayes
  • Conséquences pratiques.

5

 

 

 

 

4) Techniques non paramétriques

  • Introduction
  • Estimation de la fonction densité
  • Estimateur de densité de Kernel de Parzen
  • Estimateur de K-plus proches voisins.

6

 

 

 

 

 

 

 

 

5) Fonctions discriminantes linéaires

  • Introduction
  • Séparation linéaire
  • Algorithme du perceptron
  • Algorithme de Ho-Kashyap
  • Séparation linéaire optimum
  • Partition en k-classes à l'aide d'hyperplans
  • Avantages et limite de la séparation linéaire
  • Surfaces séparatrices polynomiales

7

 

 

 

 

 

6) Classification Automatique (Clustering)

  • Introduction
  • Classification à l'aide de distance minimale. Application
  • Recherche de clusters
  • Méthodes des nuées dynamiques
  • Méthodes de k-means, c-means, …
  Partie II : Méthodes structurelles pour la reconnaissance des formes

8

7) Introduction et Vue d'Ensemble

9

 

 

8) Appariement et Chaînes pour la RdF Structurelle

  • Introduction
  • Distance entre chaînes de symboles.

10

 

 

 

9) Grammaires de Chaînes pour la RdF Syntaxique

  • Les langages
  • Applications de l'analyse et de la description structurelle
  • Grammaire de Chaînes pour la RdF Syntaxique

11

 

 

 

 

10) Analyse Syntaxique et Correction d'erreurs pour les Grammaires de Chaînes

  • Analyseurs syntaxiques pour les langages à contexte libre
  • Analyseurs syntaxiques avec correction d'erreurs pour les langages à contexte libre

12

 

 

 

11) Apprentissage Via l'Inférence Grammaticale

  • Inférence grammaticale et reconnaissance de formes
  • Difficultés dans l'apprentissage structurel
  • Formulation du problème

13

12) Méthodes hybrides de reconnaissance des formes et Applications

 

 




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 oeuvre de classifieurs statistiques paramétriques et non paramétriques dans les espaces de caractéristiques étudiées au cours du premier laboratoire.




Évaluation
Type Description Pondération
Travail pratique #1 durée : semaines 2 - 5 15%
Travail pratique #1 durée : semaines 6 - 12 25%
Rapport technique durée : semaines 4 - 12 45%
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 présentations 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 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par 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 un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).



Plagiat et fraude
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 étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/A-propos/Direction/Politiques-reglements/Infractions_nature_academique.pdf ) 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 les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).



Documentation obligatoire

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

https://cours.etsmtl.ca/sys800/

 

 




Ouvrages de références
  1. 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.
  2. R.O. Duda, P. E. Hart et D.G. Stork, "Pattern Classification", Wiley-Interscience, 2nd Edition, 2001.
  3. D.G. Stork, E.Yom-Tov, , "Computer Manual in MATLAB to accompagny Pattern Classification", Wiley-Interscience, 2nd Edition, 2004.
  4. T. Hastie, R. Tibshirani, J. Friedman, ¨The Elements of Statistical Learning: Data Mining, Inference, and Prediction¨, Springer, 2nd Edition, 2009.
  5. K.P. Murphy, Machine Learning : a Probabilistic Perspective, MIT Press, 2012.
  6. I.T. Nabney, "NETLAB : Algorithms for Pattern Recognition", Advances in Pattern Recognition, Springer, 2004.
  7. 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.
  8. J. Shawe-Taylor and N. Cristianni, "Kernel Methods for Pattern Analysis", Cambridge, 2004.
  9. B. Scholkopf, C.J.C. Burges, A. J. Smola, "Advances in Kernel Methods : Support Vector Learning", Wiley, 2004.
  10. K. Fukunaga, "Introduction to Statistical Pattern Recognition", Acadmic Press, second edition, 1990.
  11. J.T. Tou et R. C. Gonzalez, "Pattern Recognition Principles", Addison-Wesley, 1981.
  12. B. Dubuisson, Diagnostic et reconnaissance des formes, Hermes, 1990.
  13. L. Miclet, Méthodes structurelles pour la reconnaissance des formes, Eyrolles, 1984.
  14. H. Bunke et A. Sanfeliu, "Syntactic and Structural Pattern Recognition : Theory and Applications", World Scientific, Second edition, 1990.
  15. R. Schalkoff, "Pattern Recognition, Statistical, Structural and Neural Approaches", Wiley, 1992.
  16. A. Belaid et Y. Belaid, Reconnaissance des formes, InterÉditions, 1992.
  17. J. Shurmann, "Pattern Classification : A Unified View of Statistical and Neural Approaches", John Wiley, N. Y. 1996.
  18. P. Fabre, Exercices de reconnaissance de formes par ordinateur, Masson, 1989.
  19. R. A. Johnson et D. W. Wichern, "Applied Multivariate Statistical Analysis", Prentice Hall, 3rd édition, 1992.
  20. G. Gaillat, Méthodes statistiques de reconnaissance de formes, ENSTA, 1983.



Adresse internet du site de cours et autres liens utiles

https://cours.etsmtl.ca/sys800/