University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'éditeur
Setif:UFA |
Documents disponibles chez cet éditeur
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
Titre : Embedded Artificial intelligence applied to internet of things Type de document : texte imprimé Auteurs : AbdeLmalek ,Fatima-Zohra, Auteur ; Abdallah Khababa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (47 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Systèmes embarqués
Intelligence Artificielle (IA)Index. décimale : 004 - Informatique Résumé :
L’Internet des objets (Io) devient de plus en plus productif dans notre vie. Aujourd’hui, Io a permis des progrès remarquables sur une variété de tâches. Elle fait référence à un type de réseau pour connecter quoi que ce soit à Internet, en utilisant des équipements de détection avec un protocole spécifique pour effectuer des échanges d’informations et des communi- cations afin de parvenir à une reconnaissance, une surveillance et une administration intelligentes. En plus des systèmes embarqués et de l’intelligence artificielle (IA), quisont également plus excitants, et qui permettent aujourd’hui d’étourdir ces deux technologies ensemble, STMicrocontroller la concrétise en fournissant des réseaux de neurones et des microcontrôleurs optimisés.Les gens se concentrent actuellement sur la connexion de leurs appareils au cloud et la sécurité du système, mais au cours des prochaines années, nous commencerons à voir l’idée d’utiliser lentement l’Apprentissage profond et l’Apprentissage automatique et d’autres concepts d’IA pour migrer lentement du cloud vers la périphérie. Mais comment cette technologie semblet-elle faire partie de nos jours ? en raison de l’énorme écart de compétences entre le système embarqué et les experts en IA. Donc, pour résoudre ce problème, nous avons proposé le concept d’IA intégrée, et nous avons passé en revue le concept de base de l’IA, de l’Apprentissage profond, et mis en oeuvre une application pratique IA de bordure basée sur ces concepts et des microcontrôleurs ST en tant que carte NUCLEO-F411RE.Côte titre : MAI/0405 En ligne : https://drive.google.com/file/d/1NXkawgsaJI2AHZjzQc3nemsKGlE9C2Fa/view?usp=shari [...] Format de la ressource électronique : Embedded Artificial intelligence applied to internet of things [texte imprimé] / AbdeLmalek ,Fatima-Zohra, Auteur ; Abdallah Khababa, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (47 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Systèmes embarqués
Intelligence Artificielle (IA)Index. décimale : 004 - Informatique Résumé :
L’Internet des objets (Io) devient de plus en plus productif dans notre vie. Aujourd’hui, Io a permis des progrès remarquables sur une variété de tâches. Elle fait référence à un type de réseau pour connecter quoi que ce soit à Internet, en utilisant des équipements de détection avec un protocole spécifique pour effectuer des échanges d’informations et des communi- cations afin de parvenir à une reconnaissance, une surveillance et une administration intelligentes. En plus des systèmes embarqués et de l’intelligence artificielle (IA), quisont également plus excitants, et qui permettent aujourd’hui d’étourdir ces deux technologies ensemble, STMicrocontroller la concrétise en fournissant des réseaux de neurones et des microcontrôleurs optimisés.Les gens se concentrent actuellement sur la connexion de leurs appareils au cloud et la sécurité du système, mais au cours des prochaines années, nous commencerons à voir l’idée d’utiliser lentement l’Apprentissage profond et l’Apprentissage automatique et d’autres concepts d’IA pour migrer lentement du cloud vers la périphérie. Mais comment cette technologie semblet-elle faire partie de nos jours ? en raison de l’énorme écart de compétences entre le système embarqué et les experts en IA. Donc, pour résoudre ce problème, nous avons proposé le concept d’IA intégrée, et nous avons passé en revue le concept de base de l’IA, de l’Apprentissage profond, et mis en oeuvre une application pratique IA de bordure basée sur ces concepts et des microcontrôleurs ST en tant que carte NUCLEO-F411RE.Côte titre : MAI/0405 En ligne : https://drive.google.com/file/d/1NXkawgsaJI2AHZjzQc3nemsKGlE9C2Fa/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0405 MAI/0405 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Emotion analysis in social media documents Type de document : texte imprimé Auteurs : Ghezali ,Amina, Auteur ; Refoufi, Allaoua, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (65 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des émotions
Apprentissage automatique
ApprentissageIndex. décimale : 004 - Informatique Résumé :
L’humain exprime les émotions de différentes manières, y compris l’expression
du visage, la parole, les gestes / actions et le texte écrit. Cette étude se concentre
principalement sur le texte écrit.
L’analyse des émotions a attiré l’attention des chercheurs en raison de ses applications
dans différents domaines. Dans cette enquête, nous offrons un aperçu
du groupe de recherche existant actuellement sur l’analyse des émotions appliquée
aux réseaux sociaux. La recherche examinée traite de divers sujets, notamment:
l’analyse des émotions du réseau sociaux en tant que tâche de classification.
Cet ouvrage décrit des expériences portant sur l’analyse des émotions dans les
réseaux sociaux (Twitter en particulier). Nous analysons la construction d’un grand
ensemble de données annotées pour six émotions de base: COLÈRE, AMOUR,
PEUR, JOIE, TRISTESSE et SURPRISE.
Nous avons proposé et évalué plusieurs méthodes d’apprentissage automatique
et modèles d’apprentissage profond. Avant cela, il est important de connaître nos
ressources et nos jeux de données avant d’appliquer ces méthodes car certaines méthodes
sont plus adaptées que d’autres en fonction des paramètres donnés.
Nous avons également comparé notre meilleur modèle d’apprentissage en profondeur,
avec nos méthodes d’apprentissage automatique implémentées et les travaux
précédents qui utilisent le même ensemble de données. En effet, notre architecture
LSTM les a tous surclassés avec un score de 93,41%.Côte titre : MAI/0397 En ligne : https://drive.google.com/file/d/1qdk1IACTltY9BcYz3Dn33Z92WFwDaDcn/view?usp=shari [...] Format de la ressource électronique : Emotion analysis in social media documents [texte imprimé] / Ghezali ,Amina, Auteur ; Refoufi, Allaoua, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (65 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des émotions
Apprentissage automatique
ApprentissageIndex. décimale : 004 - Informatique Résumé :
L’humain exprime les émotions de différentes manières, y compris l’expression
du visage, la parole, les gestes / actions et le texte écrit. Cette étude se concentre
principalement sur le texte écrit.
L’analyse des émotions a attiré l’attention des chercheurs en raison de ses applications
dans différents domaines. Dans cette enquête, nous offrons un aperçu
du groupe de recherche existant actuellement sur l’analyse des émotions appliquée
aux réseaux sociaux. La recherche examinée traite de divers sujets, notamment:
l’analyse des émotions du réseau sociaux en tant que tâche de classification.
Cet ouvrage décrit des expériences portant sur l’analyse des émotions dans les
réseaux sociaux (Twitter en particulier). Nous analysons la construction d’un grand
ensemble de données annotées pour six émotions de base: COLÈRE, AMOUR,
PEUR, JOIE, TRISTESSE et SURPRISE.
Nous avons proposé et évalué plusieurs méthodes d’apprentissage automatique
et modèles d’apprentissage profond. Avant cela, il est important de connaître nos
ressources et nos jeux de données avant d’appliquer ces méthodes car certaines méthodes
sont plus adaptées que d’autres en fonction des paramètres donnés.
Nous avons également comparé notre meilleur modèle d’apprentissage en profondeur,
avec nos méthodes d’apprentissage automatique implémentées et les travaux
précédents qui utilisent le même ensemble de données. En effet, notre architecture
LSTM les a tous surclassés avec un score de 93,41%.Côte titre : MAI/0397 En ligne : https://drive.google.com/file/d/1qdk1IACTltY9BcYz3Dn33Z92WFwDaDcn/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0397 MAI/0397 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Emotional facial expression Recognition Type de document : texte imprimé Auteurs : Soualah,Khalil, Auteur ; Touahria,Mohamed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage machine
Apprentissage profond
Expressions des emo-tions faciales
Réseau de neurones convolutifs
Reconnaissance des expressions faciales
K plus proche voisinIndex. décimale : 004 - Informatique Note de contenu :
Sommaire
Contents
List of figures
Acknowledgements
Abstract
Introdiction
Theoretical background
Emotional facial expressions recognition
Dataset and implementation
Conclusion
Bibliography
Côte titre : MAI/0221 Emotional facial expression Recognition [texte imprimé] / Soualah,Khalil, Auteur ; Touahria,Mohamed, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage machine
Apprentissage profond
Expressions des emo-tions faciales
Réseau de neurones convolutifs
Reconnaissance des expressions faciales
K plus proche voisinIndex. décimale : 004 - Informatique Note de contenu :
Sommaire
Contents
List of figures
Acknowledgements
Abstract
Introdiction
Theoretical background
Emotional facial expressions recognition
Dataset and implementation
Conclusion
Bibliography
Côte titre : MAI/0221 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0221 MAI/0221 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Emotional Facial Expression Recognition Type de document : texte imprimé Auteurs : Hefassa, Maroua, Auteur ; Touahria,Mohamed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (63 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Réseaux de neurones convolutionnels
Reconnais-sance des expressions facialesIndex. décimale : 004 - Informatique Résumé : L’expression faciale est l’un des moyens puissants et naturels permettant aux êtres humains de communiquer leurs émotions et leurs intentions. La capacité à reconnaître les ex-pressions faciales émotionnelles est complexe lors des interactions. Dans le domaine de l'informatique affective, il s’agit de créer un modèle montrant l'importance de l'expression faciale. Dans notre étude, la méthode de reconnaissance des expressions faciales émotion-nelles est appliquée aux jeux de données Cohn Kanade et Japanese Female Facial Expression pour classifier les expressions faciales universellement reconnues. Dans nos expériences, nous proposons des architectures de réseaux de neurones convolutionnels profonds et ajustons deux modèles de pré-entraînement formés sur deux jeux de données tels que l’Inception et VGG-16 qui ont donné de meilleurs résultats. L'apprentissage en profondeur a le potentiel d'améliorer l'interaction homme-machine car sa capacité à apprendre des fonctionnalités permettra aux machines de développer leur perception. De plus, en ayant la perception, les machines fourni-ront potentiellement des réponses plus faciles, améliorant ainsi l'expérience de l'utilisateur. Note de contenu :
Sommaire
ACKNOWLEDGEMENTS ....................................................................................................1
ABSTRACT .................................................................................................2
CONTENTS ...................................................................................................3
LIST OF FIGURES ..............................................................................................................6
LIST OF TABLES ................................................................................................................7
INTRODUCTION ................................................................................................................8
1 THEORETICAL BACKGROUND ............................................................................ 10
1.1 INTRODUCTION ................................................................................... 10
1.2 MACHINE LEARNING CATEGORIES ........................................................................................................... 10
1.2.1 Supervised Learning ......................................................................................................... 10
1.2.2 Unsupervised Learning ............................................................................................................... 11
1.3 MACHINE LEARNING TASKS .................................................................................................. 11
1.3.1 Classification ................................................................................................... 11
1.3.1.1 Support Vector Machine .......................................................................................................... 12
1.3.1.2 Naïve Bayes Classifier ....................................................................................................... 13
1.3.1.3 Decision Tree ........................................................................................................ 14
1.3.1.4 Random Forest ................................................................................................ 14
1.3.1.5 Neural Network ................................................................................................. 15
1.3.1.6 Boosting ............................................................................................................... 16
1.3.2 Regression ............................................................................................................ 16
1.3.3 Clustering............................................................................................... 17
1.3.4 Deep Learning ........................................................................................................ 17
1.3.4.1 Optimization in deep learning ........................................................................................................... 18 1.3.4.2 Regularization for deep learning ....................................................................................................... 18
1.3.4.2.1 Dropout............................................................................................ 18
1.3.4.2.2 Batch normalization ................................................................................................ 19
1.3.4.2.3 Data Augmentation ................................................................................................... 19
1.3.4.3 Model parameters..................................................................................20
1.3.4.3.1 epoch ................................................................................................. 20
1.3.4.3.2 Batch ........................................................................................ 20
1.3.4.3.3 Batch size .........................................................................................
1.3.4.3.4 Loss function ..................................................................................................
20 1.3.4.3.5 Activation function ........................................................................................................... 20 1.3.4.4 Deep Learning Architectures ............................................................................................................. 21 1.3.4.4.1 Autoencoders (AE) ....................................................................................................... 21
1.3.4.4.2 Deep Belief Network (DBN) .......................................................................................................... 22
1.3.5 Convolutional Neural Networks .................................................................................................. 23
1.3.6 Transfer learning .......................................................................................................... 25
1.3.6.1 ImageNet ...................................................................................................... 25
1.3.6.2 Pretrained model ....................................................................................................... 25
1.3.6.2.1 VGG-16........................................................................................................ 25
1.3.6.2.2 Inception ............................................................................................................ 26
1.4 CONCLUSION .......................................................................................... 26
2 EMOTIONAL FACIAL EXPRESSIONS RECOGNITION ..................................... 27
2.1 INTRODUCTION ............................................................................................... 27
2.2 FACIAL EXPRESSIONS RECOGNITION APPLICATION DOMAIN ........................................................................... 27
4
2.3 PAUL EKMAN’S BASIC EMOTIONS ............................................................................................................ 27
2.4 EMOTIONAL FACIAL EXPRESSIONS RECOGNITION PROBLEMS .......................................................................... 29
2.5 FACIAL EXPRESSIONS RECOGNITION PROCESS ............................................................................................. 29
2.5.1 Face Detection ....................................................................................................... 30
2.5.1.1 Knowledge-based methods .............................................................................................................. 30
2.5.1.2 Feature invariant approaches ........................................................................................................... 30
2.5.2 Feature Extraction ....................................................................................................... 31
2.5.2.1 Appearance based methods ............................................................................................................. 31
2.5.2.1.1 Gabor Features ............................................................................................................................ 32
2.5.2.1.2 Haar features................................................................................33
2.5.2.1.3 Local Binary Pattern (LBP) features ............................................................................................... 34
2.5.2.2 Geometric feature based methods.................................................................................................... 35
2.5.3 Expression classification / recognition ........................................................................................ 35
2.6 CONCLUSION ........................................................................................................ 36
3 DATASET AND IMPLEMENTATION TOOLS ...................................................... 37
3.1 INTRODUCTION .................................................................................................................................. 37
3.2 AVAILABLE EMOTIONAL DATASET............................................................................................................ 37
3.2.1 Cohn-Kanade facial expression database .................................................................................... 37
3.2.2 Japanese Female Facial Expression (JAFFE) Dataset .................................................................... 39
3.3 IMPLEMENTATION FRAMEWORK AND TOOLS ............................................................................................. 39
3.3.1 Python ....................................................................................................................................... 40
3.3.2 Scikit-learn ................................................................................................................................. 40
3.3.3 Tensorflow ................................................................................................................................. 40
3.3.4 Keras ......................................................................................................................................... 40
3.3.5 Jupyter notebook ....................................................................................................................... 41
3.3.6 Google Colab ............................................................................................................................. 41
3.3.7 Kaggle ....................................................................................................................................... 42
3.4 MODEL EVALUATION METRICS ................................................................................................................ 42
3.4.1 Accuracy .................................................................................................................................... 42
3.4.2 Precision .................................................................................................................................... 42
3.4.3 Recall ......................................................................................................................................... 42
3.4.4 F1-score ..................................................................................................................................... 43
3.4.5 Confusion matrix ........................................................................................................................ 43
3.5 PROPOSED APPROACHES ....................................................................................................................... 43
3.5.1 Machine learning approaches .................................................................................................... 44
3.5.2 Deep learning approaches .......................................................................................................... 44
3.6 CONCLUSION ..................................................................................................................... 44
4 EXPERIMENTS AND RESULTS .............................................................................. 45
4.1 INTRODUCTION .................................................................................................................................. 45
4.2 MACHINE LEARNING APPROACHES ........................................................................................................... 45
4.2.1 Decision tree classifier ................................................................................................................ 45
4.2.2 XGBOOST classifier ..................................................................................................................... 45
4.2.3 Random forest classifier ............................................................................................................. 46
4.2.4 SVM classifier ........................................................................................................................ 46
4.2.5 Machine learning algorithms results ........................................................................................... 46
4.3 DEEP LEARNING APPROACHES ................................................................................................................ 47
4.3.1 Ck 48 dataset ............................................................................................................................. 47
4.3.1.1 Convolution neural network ............................................................................................................. 47
4.3.1.1.1 Model and architecture interpretation ......................................................................................... 48
4.3.1.1.2 Model compiling ........................................................................................................ 49
4.3.1.2 Transfer learning ....................................................................................................52
4.3.1.2.1 VGG-16 pretrained model ............................................................................................................ 53
4.3.1.2.2 Inception V3 pretrained model..................................................................................................... 54
4.3.2 JAFFE datasets ....................................................................................................... 56
4.3.2.1 Convolution neural networks ............................................................................................................ 56
4.3.2.1.1 First CNN architecture................................................................................................... 56
4.3.2.1.2 Second CNN architecture ............................................................................................................. 57
4.4 RESULTS COMPARISONS ........................................................................................................................ 60
4.4.1 First dataset (CK 48) ................................................................................................... 60
4.4.2 Second dataset (JAFFE)................................................................................................. 60
4.5 CONCLUSION ..................................................................................................................................... 61
CONCLUSION ................................................................................................................... 6
BIBLIOGRAPHY............................................................................................Côte titre : MAI/0328 En ligne : https://drive.google.com/file/d/1t_VL8jADg2PCheEX0lY6XF8hvoSu3pQp/view?usp=shari [...] Format de la ressource électronique : Emotional Facial Expression Recognition [texte imprimé] / Hefassa, Maroua, Auteur ; Touahria,Mohamed, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (63 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Réseaux de neurones convolutionnels
Reconnais-sance des expressions facialesIndex. décimale : 004 - Informatique Résumé : L’expression faciale est l’un des moyens puissants et naturels permettant aux êtres humains de communiquer leurs émotions et leurs intentions. La capacité à reconnaître les ex-pressions faciales émotionnelles est complexe lors des interactions. Dans le domaine de l'informatique affective, il s’agit de créer un modèle montrant l'importance de l'expression faciale. Dans notre étude, la méthode de reconnaissance des expressions faciales émotion-nelles est appliquée aux jeux de données Cohn Kanade et Japanese Female Facial Expression pour classifier les expressions faciales universellement reconnues. Dans nos expériences, nous proposons des architectures de réseaux de neurones convolutionnels profonds et ajustons deux modèles de pré-entraînement formés sur deux jeux de données tels que l’Inception et VGG-16 qui ont donné de meilleurs résultats. L'apprentissage en profondeur a le potentiel d'améliorer l'interaction homme-machine car sa capacité à apprendre des fonctionnalités permettra aux machines de développer leur perception. De plus, en ayant la perception, les machines fourni-ront potentiellement des réponses plus faciles, améliorant ainsi l'expérience de l'utilisateur. Note de contenu :
Sommaire
ACKNOWLEDGEMENTS ....................................................................................................1
ABSTRACT .................................................................................................2
CONTENTS ...................................................................................................3
LIST OF FIGURES ..............................................................................................................6
LIST OF TABLES ................................................................................................................7
INTRODUCTION ................................................................................................................8
1 THEORETICAL BACKGROUND ............................................................................ 10
1.1 INTRODUCTION ................................................................................... 10
1.2 MACHINE LEARNING CATEGORIES ........................................................................................................... 10
1.2.1 Supervised Learning ......................................................................................................... 10
1.2.2 Unsupervised Learning ............................................................................................................... 11
1.3 MACHINE LEARNING TASKS .................................................................................................. 11
1.3.1 Classification ................................................................................................... 11
1.3.1.1 Support Vector Machine .......................................................................................................... 12
1.3.1.2 Naïve Bayes Classifier ....................................................................................................... 13
1.3.1.3 Decision Tree ........................................................................................................ 14
1.3.1.4 Random Forest ................................................................................................ 14
1.3.1.5 Neural Network ................................................................................................. 15
1.3.1.6 Boosting ............................................................................................................... 16
1.3.2 Regression ............................................................................................................ 16
1.3.3 Clustering............................................................................................... 17
1.3.4 Deep Learning ........................................................................................................ 17
1.3.4.1 Optimization in deep learning ........................................................................................................... 18 1.3.4.2 Regularization for deep learning ....................................................................................................... 18
1.3.4.2.1 Dropout............................................................................................ 18
1.3.4.2.2 Batch normalization ................................................................................................ 19
1.3.4.2.3 Data Augmentation ................................................................................................... 19
1.3.4.3 Model parameters..................................................................................20
1.3.4.3.1 epoch ................................................................................................. 20
1.3.4.3.2 Batch ........................................................................................ 20
1.3.4.3.3 Batch size .........................................................................................
1.3.4.3.4 Loss function ..................................................................................................
20 1.3.4.3.5 Activation function ........................................................................................................... 20 1.3.4.4 Deep Learning Architectures ............................................................................................................. 21 1.3.4.4.1 Autoencoders (AE) ....................................................................................................... 21
1.3.4.4.2 Deep Belief Network (DBN) .......................................................................................................... 22
1.3.5 Convolutional Neural Networks .................................................................................................. 23
1.3.6 Transfer learning .......................................................................................................... 25
1.3.6.1 ImageNet ...................................................................................................... 25
1.3.6.2 Pretrained model ....................................................................................................... 25
1.3.6.2.1 VGG-16........................................................................................................ 25
1.3.6.2.2 Inception ............................................................................................................ 26
1.4 CONCLUSION .......................................................................................... 26
2 EMOTIONAL FACIAL EXPRESSIONS RECOGNITION ..................................... 27
2.1 INTRODUCTION ............................................................................................... 27
2.2 FACIAL EXPRESSIONS RECOGNITION APPLICATION DOMAIN ........................................................................... 27
4
2.3 PAUL EKMAN’S BASIC EMOTIONS ............................................................................................................ 27
2.4 EMOTIONAL FACIAL EXPRESSIONS RECOGNITION PROBLEMS .......................................................................... 29
2.5 FACIAL EXPRESSIONS RECOGNITION PROCESS ............................................................................................. 29
2.5.1 Face Detection ....................................................................................................... 30
2.5.1.1 Knowledge-based methods .............................................................................................................. 30
2.5.1.2 Feature invariant approaches ........................................................................................................... 30
2.5.2 Feature Extraction ....................................................................................................... 31
2.5.2.1 Appearance based methods ............................................................................................................. 31
2.5.2.1.1 Gabor Features ............................................................................................................................ 32
2.5.2.1.2 Haar features................................................................................33
2.5.2.1.3 Local Binary Pattern (LBP) features ............................................................................................... 34
2.5.2.2 Geometric feature based methods.................................................................................................... 35
2.5.3 Expression classification / recognition ........................................................................................ 35
2.6 CONCLUSION ........................................................................................................ 36
3 DATASET AND IMPLEMENTATION TOOLS ...................................................... 37
3.1 INTRODUCTION .................................................................................................................................. 37
3.2 AVAILABLE EMOTIONAL DATASET............................................................................................................ 37
3.2.1 Cohn-Kanade facial expression database .................................................................................... 37
3.2.2 Japanese Female Facial Expression (JAFFE) Dataset .................................................................... 39
3.3 IMPLEMENTATION FRAMEWORK AND TOOLS ............................................................................................. 39
3.3.1 Python ....................................................................................................................................... 40
3.3.2 Scikit-learn ................................................................................................................................. 40
3.3.3 Tensorflow ................................................................................................................................. 40
3.3.4 Keras ......................................................................................................................................... 40
3.3.5 Jupyter notebook ....................................................................................................................... 41
3.3.6 Google Colab ............................................................................................................................. 41
3.3.7 Kaggle ....................................................................................................................................... 42
3.4 MODEL EVALUATION METRICS ................................................................................................................ 42
3.4.1 Accuracy .................................................................................................................................... 42
3.4.2 Precision .................................................................................................................................... 42
3.4.3 Recall ......................................................................................................................................... 42
3.4.4 F1-score ..................................................................................................................................... 43
3.4.5 Confusion matrix ........................................................................................................................ 43
3.5 PROPOSED APPROACHES ....................................................................................................................... 43
3.5.1 Machine learning approaches .................................................................................................... 44
3.5.2 Deep learning approaches .......................................................................................................... 44
3.6 CONCLUSION ..................................................................................................................... 44
4 EXPERIMENTS AND RESULTS .............................................................................. 45
4.1 INTRODUCTION .................................................................................................................................. 45
4.2 MACHINE LEARNING APPROACHES ........................................................................................................... 45
4.2.1 Decision tree classifier ................................................................................................................ 45
4.2.2 XGBOOST classifier ..................................................................................................................... 45
4.2.3 Random forest classifier ............................................................................................................. 46
4.2.4 SVM classifier ........................................................................................................................ 46
4.2.5 Machine learning algorithms results ........................................................................................... 46
4.3 DEEP LEARNING APPROACHES ................................................................................................................ 47
4.3.1 Ck 48 dataset ............................................................................................................................. 47
4.3.1.1 Convolution neural network ............................................................................................................. 47
4.3.1.1.1 Model and architecture interpretation ......................................................................................... 48
4.3.1.1.2 Model compiling ........................................................................................................ 49
4.3.1.2 Transfer learning ....................................................................................................52
4.3.1.2.1 VGG-16 pretrained model ............................................................................................................ 53
4.3.1.2.2 Inception V3 pretrained model..................................................................................................... 54
4.3.2 JAFFE datasets ....................................................................................................... 56
4.3.2.1 Convolution neural networks ............................................................................................................ 56
4.3.2.1.1 First CNN architecture................................................................................................... 56
4.3.2.1.2 Second CNN architecture ............................................................................................................. 57
4.4 RESULTS COMPARISONS ........................................................................................................................ 60
4.4.1 First dataset (CK 48) ................................................................................................... 60
4.4.2 Second dataset (JAFFE)................................................................................................. 60
4.5 CONCLUSION ..................................................................................................................................... 61
CONCLUSION ................................................................................................................... 6
BIBLIOGRAPHY............................................................................................Côte titre : MAI/0328 En ligne : https://drive.google.com/file/d/1t_VL8jADg2PCheEX0lY6XF8hvoSu3pQp/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0328 MAI/0328 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : L’énergie effective versus le spectre de RX Type de document : texte imprimé Auteurs : Mekarni ,fatima, Auteur ; Betka, Abderrahim, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (47 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Physique Index. décimale : 530 Physique Note de contenu :
La radiologie est une technique de l’imagerie médicale très important dans le domaine du
diagnostique médicale. Elle emploie le faisceau des RX. Dans un objectif de consiste à mener
une étude dosimétrique qui permet de confirmer ou d’infirmer la possibilité de substitution du
spectre total des RX par l’énergie effective. D’après l’utilisation de code PENELOPE et les
résultats obtenus par cette étude, on note que la forme de la courbe des PDD change avec la
variation de faisceau. En plus, en dosimétrie la caractérisation d’un spectre de RX par que
l’énergie moyenne n’est pas suffisante. D’autre part, la caractérisation par l’énergie effective
est plus efficace que celle par l’énergie moyenne.Côte titre : MAPH/0438 En ligne : https://drive.google.com/file/d/1k2G6kNc74HcBtD59I9_dNWWHRj8dxYlN/view?usp=shari [...] Format de la ressource électronique : L’énergie effective versus le spectre de RX [texte imprimé] / Mekarni ,fatima, Auteur ; Betka, Abderrahim, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (47 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Physique Index. décimale : 530 Physique Note de contenu :
La radiologie est une technique de l’imagerie médicale très important dans le domaine du
diagnostique médicale. Elle emploie le faisceau des RX. Dans un objectif de consiste à mener
une étude dosimétrique qui permet de confirmer ou d’infirmer la possibilité de substitution du
spectre total des RX par l’énergie effective. D’après l’utilisation de code PENELOPE et les
résultats obtenus par cette étude, on note que la forme de la courbe des PDD change avec la
variation de faisceau. En plus, en dosimétrie la caractérisation d’un spectre de RX par que
l’énergie moyenne n’est pas suffisante. D’autre part, la caractérisation par l’énergie effective
est plus efficace que celle par l’énergie moyenne.Côte titre : MAPH/0438 En ligne : https://drive.google.com/file/d/1k2G6kNc74HcBtD59I9_dNWWHRj8dxYlN/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0438 MAPH/0438 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkPermalinkPermalinkPermalinkPermalinkEnvironnement numérique de travail à base d’agents intelligents pour l’apprentissage coopératif sur le web / Harbouche,Khadidja
![]()
PermalinkL’épidémiologie des fakenews sur les Réseaux sociaux, étude comparative entre Twitter et FaceBook. / Laouarem ,Raihen
![]()
PermalinkEquation aux dérivées partielle déterministes et stochastiques avec opérateurs fractionnaires / DIBBI, Latifa
PermalinkPermalinkPermalink