University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Djemame, Safia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : A New Method of Edge Detection Using Totalistic Cellular Automata Type de document : texte imprimé Auteurs : Fichouche ,Siham, Auteur ; Djemame, Safia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement d’image
Automates Cellulaires
Détection de contour
SeuillageIndex. décimale : 004 Informatique Résumé :
Dans le monde d'aujourd'hui, le traitement d’image est déjà développé pour faire bouger
notre monde et offre un énorme potentiel d'adoption à un grande échelle. Il rivalise avec les
capacités visuelles humaines et apporte des avantages considérables dans de nombreux
domaines. En particulier, pour fournir des images plus longues et de meilleure qualité, les
humains ont motivé le développement de nouvelles méthodes et des techniques, en plus des
nouveaux outils assistés par ordinateur. La détection des contours est l'une des techniques
fondamentales de traitement de l'image. La qualité des contours détectés a une influence directe
et élevée sur les performances. Il existe une multitude de méthodes de détection des contours
mais elles sont fortement associées à l'application et à la qualité des images. La recherche reste
très active dans cette discipline pour inventer de nouvelles méthodes, plus performantes et plus
efficaces.
Les automates cellulaires (CA) sont l'un des domaines de recherche interdisciplinaire les
plus prometteurs. Ils sont appliqués avec succès dans la détection des contours en raison de
l'avancement et de la simplicité de ses algorithmes pour résoudre de nombreux systèmes
complexes. Cette étude a été réalisée pour concevoir un nouvel algorithme efficace pour la
détection de contours utilisant des automates cellulaires totalistique (OTCA). L'objectif
principal de cette approche est de valider et de détecter les meilleures règles OTCA pour
effectuer le contour des images binaires à un niveau de performance significatif.Côte titre : MAI/0343 En ligne : https://drive.google.com/file/d/1gwBhdOSXAuoixzwjQXJF5LxcvVQJOi2N/view?usp=shari [...] Format de la ressource électronique : A New Method of Edge Detection Using Totalistic Cellular Automata [texte imprimé] / Fichouche ,Siham, Auteur ; Djemame, Safia, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Traitement d’image
Automates Cellulaires
Détection de contour
SeuillageIndex. décimale : 004 Informatique Résumé :
Dans le monde d'aujourd'hui, le traitement d’image est déjà développé pour faire bouger
notre monde et offre un énorme potentiel d'adoption à un grande échelle. Il rivalise avec les
capacités visuelles humaines et apporte des avantages considérables dans de nombreux
domaines. En particulier, pour fournir des images plus longues et de meilleure qualité, les
humains ont motivé le développement de nouvelles méthodes et des techniques, en plus des
nouveaux outils assistés par ordinateur. La détection des contours est l'une des techniques
fondamentales de traitement de l'image. La qualité des contours détectés a une influence directe
et élevée sur les performances. Il existe une multitude de méthodes de détection des contours
mais elles sont fortement associées à l'application et à la qualité des images. La recherche reste
très active dans cette discipline pour inventer de nouvelles méthodes, plus performantes et plus
efficaces.
Les automates cellulaires (CA) sont l'un des domaines de recherche interdisciplinaire les
plus prometteurs. Ils sont appliqués avec succès dans la détection des contours en raison de
l'avancement et de la simplicité de ses algorithmes pour résoudre de nombreux systèmes
complexes. Cette étude a été réalisée pour concevoir un nouvel algorithme efficace pour la
détection de contours utilisant des automates cellulaires totalistique (OTCA). L'objectif
principal de cette approche est de valider et de détecter les meilleures règles OTCA pour
effectuer le contour des images binaires à un niveau de performance significatif.Côte titre : MAI/0343 En ligne : https://drive.google.com/file/d/1gwBhdOSXAuoixzwjQXJF5LxcvVQJOi2N/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0343 MAI/0343 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Optimization of GAN’s Parameters using Metaheuristics Type de document : texte imprimé Auteurs : Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (95 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Optimization of GAN’s Parameters using Metaheuristics [texte imprimé] / Abderraouf Attout, Auteur ; Abderaouf Chelbi ; Djemame, Safia, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (95 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Pix2Pix Generator Discriminator Hyper-parameters Meta-heuristics Genetic Algorithm Optimization Algorithms degraded document restoration Deep Learning Generative Models Generative
Adversarial Network Restauration de documents dégradés Apprentissage profond Modèles génératifs Réseaux antagonistes génératifs Générateur Discriminateur Hyper-paramètres Métaheuristiques Algorithme génétique Algorithmes d’optimisation.Index. décimale : 004 Informatique Résumé : GANs (Generative Adversarial Networks) are an approach for model generation using deep
learning methods, such as Convolutional Neural Networks (CNNs). GANs offer an intelligent
way to construct a generative model by framing the problem as a supervised learning problem
with two sub-models: the generator model, which is trained to generate new examples, and
the discriminator model, which tries to classify examples as real (from the domain) or fake
(generated). Both models are trained together in a zero-sum game until the discriminator model
is fooled approximately half the time, indicating that the generator model is generating plausible
examples.
During this process, several hyper-parameters need to be adjusted to achieve optimal results,
such as batch size, kernel size, and number of epochs. The aim is to minimize execution time
while obtaining satisfactory performance.
In this work, we propose the application of optimization, to find an optimal adjustment for
the parameters of the generator and discriminator. This will be accomplished through manual
adjustment as well as the utilization of metaheuristics. The results will be compared with those
of previous work. Performance tests will be conducted on the historical image dataset DIBCO
2020.
The objective is to introduce an optimization into the parameter tuning step of the generator
and discriminator in GANs = Les GANs (Generative Adversarial Networks) sont une approche de génération de modèles utilisant
des méthodes d’apprentissage profond, telles que les réseaux de neurones convolutionnels
(CNN). Les GANs offrent une façon intelligente de construire un modèle génératif en définissant
le problème comme un problème d’apprentissage supervisé avec deux sous-modèles : le modèle
générateur, qui est entraîné à générer de nouveaux exemples, et le modèle discriminateur, qui
tente de classer les exemples comme réels (du domaine) ou faux (générés). Les deux modèles
sont entraînés ensemble dans un jeu à somme nulle jusqu’à ce que le modèle discriminateur soit
trompé environ la moitié du temps, ce qui indique que le modèle générateur génère des exemples
plausibles.
Pendant ce processus, plusieurs hyperparamètres doivent être ajustés pour obtenir des
résultats optimaux, tels que la taille du lot (batch size), la taille du noyau (kernel size) et
le nombre d’époques. L’objectif est de minimiser le temps d’exécution tout en obtenant des
performances satisfaisantes.
Dans ce travail, nous proposons l’application de l’optimisation afin de trouver un ajustement
optimal pour les paramètres du générateur et du discriminateur. Cela sera réalisé manuellement
et grâce à l’utilisation de métaheuristiques. Les résultats seront comparés à ceux d’un
travail précédent. Des tests de performance seront effectués sur l’ensemble de données d’images
historiques DIBCO 2020.
L’objectif est d’introduire une optimisation dans l’étape de réglage des paramètres du générateur
et du discriminateur dans les GANs.
Côte titre : MAI/0767 En ligne : https://drive.google.com/file/d/1_fxc-RWAInDUTFTUQD9bFKgqytVAzfaj/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0767 MAI/0767 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible