Logo ÉTS
Session
Cours
Responsable(s) Éric Granger

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Éric Granger


PLAN DE COURS

Été 2024
SYS828 : Systèmes biométriques (3 crédits)





Préalables
Aucun préalable requis




Descriptif du cours
À la fin de ce cours, l’étudiante ou l'étudiant sera en mesure :
• d’acquérir les notions fondamentales en biométrie,
• de comparer les principaux modèles neuroniques et statistiques exploités pour faire la mise en œuvre des systèmes biométriques,
• d’analyser les avantages et les limites de différentes architectures de systèmes pour une application donnée.

Introduction à la biométrie : historique; caractéristiques biométriques; domaines d’applications; fonctions d’identification, de surveillance et de vérification; technologies de pointe; défis actuels. Reconnaissance biométrique : rappel de la reconnaissance de formes; le système biométrique généralisé; état de l’art en reconnaissance par signature, visage et voix; évaluation et comparaison des performances; sécurité, confidentialité et intégrité des données biométriques. Apprentissage automatique: introduction aux algorithmes d’apprentissage et leurs applications; modèles neuroniques et statistiques pour l’extraction de caractéristiques, l’estimation de densité, la détection, et la classification. Conception de systèmes adaptatifs : architectures modulaires et hiérarchiques; techniques pour la fusion multimodale; systèmes adaptatifs et évolutifs.



Objectifs du cours

   La reconnaissance d’individus par des moyens automatiques et fiables est devenue indispensable pour la production de documents officiels (e.g., passeports et visas), et pour le contrôle d’accès à des lieux sécurisés et à des informations confidentielles. Ce cours vise d’abord une introduction aux notions fondamentales liées à la reconnaissance d’individus selon leurs traits biométriques, soit physiologiques ou comportementales, telles que l’empreinte digitale, la géométrie de la main, l’iris, la rétine, la signature, le visage et la voix.  Puisque ces traits sont distincts pour chaque individu, et ne peuvent être facilement perdues, volées ou reconstituées comme avec des approches traditionnelles (e.g., mots de passe, cartes d’accès et numéros d’identification), on s’en sert pour une prévention accrue du vol et de la fraude.

   Le deuxième objectif du cours consiste à étudier les principales techniques pour réaliser des systèmes biométriques robustes.  Un élément central de ce cours est l’analyse des techniques pour l’apprentissage machine, pour la fusion multimodale, pour l’apprentissage faiblement supervisé, pour l’apprentissage profond, et pour la reconnaissance contextuelle.  D’ailleurs, ces techniques sont présentement exploitées pour la conception d’architectures adaptatives et modulaires qui sont performantes pour la reconnaissance biométrique.  Pour supporter les objectifs du cours, les technologies de pointe et leurs applications sont aussi abordées, ainsi que les questions de confidentialité, d’intégrité et d’authenticité des données biométriques.




Stratégies pédagogiques

     Un cours magistral d’une durée de trois heures aura lieu une fois par semaine, pendant une période de treize (13) semaines.  Ces cours porteront globalement sur la conception et l’analyse des architectures de traitement d’information pour la reconnaissance biométrique.  La partie A du cours portera sur les différents aspects théoriques et pratiques des systèmes biométriques.  Les systèmes qui effectuent la reconnaissance à partir de l’empreinte digitale, de la signature, du visage et de la voix feront l’objet d’une attention particulière. Ensuite, la partie B du cours portera sur les techniques en apprentissage machine qui sont communément exploitées pour réaliser des systèmes biométriques robustes – mélange de Gaussiennes, modèles de Markov cachés, machines à vecteurs de support, méthodes à noyaux, réseaux de neurones, etc. Enfin, la partie C abordera la conception de systèmes adaptatifs et modulaires pour la reconnaissance biométrique. Les approches pour la fusion multimodale, l’apprentissage profond et faiblement supervisé et la reconnaissance contextuelle seront aussi étudiés en vue de concevoir des systèmes performants permettant d’intégrer plusieurs différentes sources d’informations biométriques.  Plusieurs applications et technologies seront présentées à travers des études de cas.  Finalement, les dernières semaines seront consacrées à la présentation orale des projets de session par les étudiants.

    Un projet de session portera obligatoirement sur un aspect spécifique de la matière présentée au cours.  Ce projet d'envergure va prendre la forme d'une étude comparative de différentes techniques et systèmes biométriques pour une application particulière.  Dans un premier temps, une synthèse de littérature servira de véhicule pour approfondir les connaissances sur des systèmes biométriques qui exploitent des techniques en apprentissage machine et en statistique.  Dans un deuxième temps, une étude expérimentale permettra d’évaluer et de comparer les performances de ces systèmes avec une base de données biométriques.  Les exigences pédagogiques résident (1) dans la rédaction de trois rapports techniques (pour le laboratoire, la synthèse de littérature, et l’étude expérimentale), (2) dans deux quiz, et (3) dans la présentation orale du projet de session par tous les étudiants.




Utilisation d’appareils électroniques

Ne s'applique pas.




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



Coordonnées du personnel enseignant le cours
Groupe Nom Activité Courriel Local Disponibilité
01 Rafael Menelau Oliveira Cruz Activité de cours Rafael.Menelau-Cruz@etsmtl.ca A-4620
01 Laurent Morissette Laboratoire cc-laurent.morissette@etsmtl.ca



Cours

 

Semaine

(date)

Description

(voir les lectures sur le site de cours)

1

(10 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

(17 mai)

1. Survol de la reconnaissance de formes

  • segmentation et extraction de représentations
  • modèle de classification et de décision

2. Un système biométrique généralisé:

  • acquisition et segmentation de traits
  • extraction et sélection de caractéristiques
  • détection et classification de patrons
  • fusion multimodale

3

(24 mai)

1. Introduction aux algorithmes d’apprentissage

  • l’apprentissage et ses applications
  • données, fonctions et risque
  • compromis biais-variance
  • approches générative vs discriminatives
  • Études de cas en biométrie

- Livrable : Proposition de projet (29 mai)

 - Laboratoire : Séance 1 (27 mai)

4

(31 juin)  

1. Réduction de la dimensionalité

  • l’apprentissage et ses applications
  • données, fonctions et risque
  • approches générative vs discriminative

2. évaluation de systèmes

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

  - Laboratoire : Séance 2 (3 juin)

5

(7 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)
  • compromis biais-variance
  • architectures pour l’apprentissage profond
  • réseaux de neurones convolutionnels (CNN)
  • Régularisation
  • Pairwise matching et réseaux siamois
  • Attention et Transformers

 - Laboratoire : Séance 3 (10 juin)

 - Laboratoire : Séance 4 (17 juin)

 - Laboratoire : Séance 5 (26 juin)

6

(14 juin)

7

(21 juin)

8: pas de cours

(28 jul)

B.3 Apprentissage non-supervisé et auto-supervisée

  • 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
  • apprentissage faiblement supervisé
  • apprentissage auto-supervisée

9

(5 jul.)

10

(12 jul.)

 

11

(19 jul.)

C. Conception et analyse de systèmes robustes:

C.1 Classifieurs modulaires et ensembles

  • architectures hiérarchiques
  • ensembles de classifieurs : cas statiques et dynamique
  • Espace de dissimilarité

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

12

(26 jul.)

C.3 Systèmes biométriques adaptatifs

  • apprentissage en-ligne et incrémental
  • mesures du contexte (e.g., qualité d’images)
  • détection de changements et d’ambiguïtés
  • sélection et fusion dynamique de classificateurs selon le contexte

 

13

(2 aout)

Présentations orales  

 

Période d’examens

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




Laboratoires et travaux pratiques

Ne s'applique pas.




Évaluation

Les deux rapports techniques pour le projet de session – (1) synthèse de littérature et (2) étude expérimentale – devront avoir une longueur maximum de 50 pages (12 pts) à double interligne, références incluses.  Les projets de session feront l’objet d’une présentation orale le 2 aout.

 

Activités

Pondération

Échéance

1. Proposition de projet

 5%

 

27 mai

2. Quiz A

3. Quiz B

5%

5%

 7 juin

19 juillet

4. Rapport de laboratoire

Évaluation d'algorithmes pour la reconnaissance de visages

10%

28 juillet

5. Rapport 1 — synthèse de littérature

25%

15 juillet

6. Rapport 2 — présentation orale

10%

2 aout

7. Rapport 2 — étude expérimentale

40%

16 aout

 




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 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Ne s'applique pas.




Absence à une évaluation
Dans les cinq (5) jours ouvrables suivants, la tenue de son examen, l’étudiante ou l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice ou du coordonnateur – Affaires académiques qui en référera à la personne assurant la direction du département. Pour un examen final, l’étudiante ou l’étudiant devra justifier son absence auprès du Bureau de la registraire. Dans tous les cas, l’étudiante ou l’étudiant doit effectuer sa demande en complétant le formulaire de demande d’examen de compensation qui se trouve dans son portail Mon ÉTS/Formulaires. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat, activité compétitive d’une étudiante ou d’un étudiant appartenant à un club scientifique ou un club sportif d’élite de l’ÉTS ou au programme « Alliance sport étude » ou autre) à un examen entraînera l’attribution de la note zéro (0).



Infractions de nature académique
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 étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) 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 tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignante ou l’enseignant du cours.



Documentation obligatoire

Les documents de référence pour complémenter les sujets traités en cours vous seront distribués au courant de la session.  Les présentations (acétates et code pour démonstrations) de cours et les références pertinentes seront disponibles sur le site Moodle du cours SYS828.




Ouvrages de références
  • C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.
  • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
  • R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha and A.W. Senior, Guide to Biometrics, Springer, New York, 2004, 364 p. ISBN 978-0-387-40089-1.
  • J. Chirillo et S. Blaul, Implementing Biometric Security, John Wiley & Sons, 2002.
  • T. Dunstone et N. Yager, Biometric Systems and Data Analysis: Design, Evaluation, and Data Mining, Springer, New York, 2009.
  • R. O. Duda, P. E. Hart et D. G. Stork, Pattern Classification, 2ème ed., John Wiley & Sons, 2000.
  • S. Haykin, Neural Networks: A Comprehensive Foundation, 2ème ed., IEEE Press, 1994.
  • A. K. Jain, R. Bolle et S. Pankanti, Biometrics: Personal Identification in Networked Society, Kluwer Academic Publishers, 1999.
  • L. C. Jain, U. Halici, I. Hayashi, S. B. Lee et S. Tsutsui, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999.
  • L. I. Kuncheva, Combining Pattern Classifiers: Methods and Algorithms, Wiley, 2004.
  • S. Y. Kung, M. Mak et S. Lin, Biometric Authentication: A Machine Learning Approach, Prentice-Hall, 2004.
  • D. Maltoni, D. Maio, A. Jain et S. Prabhakar, Handbook of Fingerprint Recognition, Springer Verlag, 2003.
  • S. Nanavati, M. Thieme et R. Nanavati, Biometrics, by John Wiley & Sons, 2002.
  • J.N. Pato et L. Millett, Biometric Recognition: Challenges and Opportunities, Whither Biometrics Committee, National Research Council of the NSA, National Academies Press, 2010.
  • J. Wayman, A. K. Jain, D. Maltoni et D. Maio, Biometric Systems: Technology, Design and Performance Evaluation, Springer, 2004.
  • S. N. Yanushkevich, Biometric Inverse Problems, Design and Performance Evaluation, Taylor-Francis, 2005.



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=22127