University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Fella Berrimi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Anomaly Detection In Medical Images Type de document : texte imprimé Auteurs : Ikbal Taki Eddine Nasri, Auteur ; Dhiaeddin Hadjaz ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (82 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Recent advancements in medical image analysis have led to the development of sophisticated algorithms
for segmenting and detecting pathologies. Our study aims to localize and detect pathologies
using deep learning methods. We utilized two annotated datasets: one for lung tissue tumors and
another for colon tissue tumors. For lung tumors, we implemented CNN, DenseNet, and Efficient-
NetB3 models. For colon tumors, we used a transfer learning CNN model. We detail the implementation
stages and analyze the results, finding that deep learning models significantly improve the
accuracy and efficiency of disease detection in medical imaging. These models automate complex
image analysis, supporting healthcare professionals and potentially enhancing patient outcomes.Note de contenu : Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Chapter 1: General Terms in Medical Imaging 12
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Characteristics of A Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Luminance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.5 Noise (Digital Noise) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.6 Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.7 Grayscale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.8 Color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.9 Image Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Medical Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 The Different Medical Imaging Technologies . . . . . . . . . . . . . . . . . . . 18
1.6.1 Radiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.2 Computed Tomography (CT) . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.3 Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . . . 18
1.6.4 Ultrasound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.5 Nuclear Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.6 Positron Emission Tomography (PET) . . . . . . . . . . . . . . . . . . . 20
1.7 Anomalies in Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Medical Image Processing Diagram . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.1 Acquisition of An Image . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.3 Segmentation of An Image . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8.4 Anomaly Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8.5 Interpretation And Analysis . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Chapter 2: Segmentation And Anomaly Detection In Medical Images 25
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Medical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Edge-Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.2 Region Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.3 Thresholding Based Segmentation . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Segmentation Based on Artificial Neural Network (ANN) . . . . . . . . 32
2.3 Anomaly Detection In Medical Images . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Machine Learning-based Anomaly Detection . . . . . . . . . . . . . . . . . . . 34
2.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.2 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Machine Learning Algorithms For Anomaly Detection . . . . . . . . . . . . . . 36
2.5.1 Support Vector Machines (SVMs) . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.3 k-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Deep Learning-Based Anomaly Detection . . . . . . . . . . . . . . . . . . . . . 40
2.6.1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Deep Learning Architectures For Anomaly Detection . . . . . . . . . . . . . . . 41
2.7.1 Convolution Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . 41
2.7.2 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.3 Generative Adversarial Networks (GANs) . . . . . . . . . . . . . . . . . 45
2.7.4 Autoencoders (AEs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8 Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.3 Recall (Sensitivity or True Positive Rate) . . . . . . . . . . . . . . . . . 50
2.8.4 F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Chapter 3: Our Experiments And Results 52
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 DataSets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.1 Pulmonary Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.2 Colon Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Development Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.3 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.1 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.2 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5 Model Developing Steps For Anomaly Detection . . . . . . . . . . . . . . . . . 56
3.5.1 Original Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.2 Images Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.3 Model Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.4 Model Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.5 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.6 Model Evaluation And Save . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6 Pulmonary Tissue Tumors Detection . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6.1 Data Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6.2 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
..........Côte titre : MAI/0871 Anomaly Detection In Medical Images [texte imprimé] / Ikbal Taki Eddine Nasri, Auteur ; Dhiaeddin Hadjaz ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (82 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Recent advancements in medical image analysis have led to the development of sophisticated algorithms
for segmenting and detecting pathologies. Our study aims to localize and detect pathologies
using deep learning methods. We utilized two annotated datasets: one for lung tissue tumors and
another for colon tissue tumors. For lung tumors, we implemented CNN, DenseNet, and Efficient-
NetB3 models. For colon tumors, we used a transfer learning CNN model. We detail the implementation
stages and analyze the results, finding that deep learning models significantly improve the
accuracy and efficiency of disease detection in medical imaging. These models automate complex
image analysis, supporting healthcare professionals and potentially enhancing patient outcomes.Note de contenu : Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Chapter 1: General Terms in Medical Imaging 12
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Characteristics of A Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Luminance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.5 Noise (Digital Noise) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.6 Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.7 Grayscale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.8 Color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.9 Image Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Medical Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 The Different Medical Imaging Technologies . . . . . . . . . . . . . . . . . . . 18
1.6.1 Radiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.2 Computed Tomography (CT) . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.3 Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . . . 18
1.6.4 Ultrasound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.5 Nuclear Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.6 Positron Emission Tomography (PET) . . . . . . . . . . . . . . . . . . . 20
1.7 Anomalies in Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Medical Image Processing Diagram . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.1 Acquisition of An Image . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.3 Segmentation of An Image . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8.4 Anomaly Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8.5 Interpretation And Analysis . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Chapter 2: Segmentation And Anomaly Detection In Medical Images 25
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Medical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Edge-Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.2 Region Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.3 Thresholding Based Segmentation . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Segmentation Based on Artificial Neural Network (ANN) . . . . . . . . 32
2.3 Anomaly Detection In Medical Images . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Machine Learning-based Anomaly Detection . . . . . . . . . . . . . . . . . . . 34
2.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.2 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Machine Learning Algorithms For Anomaly Detection . . . . . . . . . . . . . . 36
2.5.1 Support Vector Machines (SVMs) . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.3 k-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Deep Learning-Based Anomaly Detection . . . . . . . . . . . . . . . . . . . . . 40
2.6.1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Deep Learning Architectures For Anomaly Detection . . . . . . . . . . . . . . . 41
2.7.1 Convolution Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . 41
2.7.2 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.3 Generative Adversarial Networks (GANs) . . . . . . . . . . . . . . . . . 45
2.7.4 Autoencoders (AEs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8 Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.3 Recall (Sensitivity or True Positive Rate) . . . . . . . . . . . . . . . . . 50
2.8.4 F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Chapter 3: Our Experiments And Results 52
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 DataSets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.1 Pulmonary Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.2 Colon Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Development Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.3 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.1 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.2 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5 Model Developing Steps For Anomaly Detection . . . . . . . . . . . . . . . . . 56
3.5.1 Original Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.2 Images Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.3 Model Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.4 Model Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.5 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.6 Model Evaluation And Save . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6 Pulmonary Tissue Tumors Detection . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6.1 Data Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6.2 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
..........Côte titre : MAI/0871 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0871 MAI/0871 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Cachement des données par interpolation d’images Type de document : texte imprimé Auteurs : Zerzour ,Youcef, Auteur ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (53 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : L'interpolation d’images
Masquage réversible des donnéesIndex. décimale : 004 - Informatique Résumé :
L’objectif de ce travail est l’étude de l'interpolation d'images, qui est une
branche très importante du traitement d'images. Elle est largement
utilisée dans le monde de l'imagerie. L'interpolation d'images est souvent
utilisée dans les images médicales tridimensionnelles pour compenser
l'insuffisance d'informations pendant la reconstruction de l'image en
simulant des images supplémentaires entre les images
bidimensionnelles.Côte titre : MAI/0530 En ligne : https://drive.google.com/file/d/1Adj7HhOMJZAD-pQVs7VmR3Lcq5QzDPR2/view?usp=shari [...] Format de la ressource électronique : Cachement des données par interpolation d’images [texte imprimé] / Zerzour ,Youcef, Auteur ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (53 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : L'interpolation d’images
Masquage réversible des donnéesIndex. décimale : 004 - Informatique Résumé :
L’objectif de ce travail est l’étude de l'interpolation d'images, qui est une
branche très importante du traitement d'images. Elle est largement
utilisée dans le monde de l'imagerie. L'interpolation d'images est souvent
utilisée dans les images médicales tridimensionnelles pour compenser
l'insuffisance d'informations pendant la reconstruction de l'image en
simulant des images supplémentaires entre les images
bidimensionnelles.Côte titre : MAI/0530 En ligne : https://drive.google.com/file/d/1Adj7HhOMJZAD-pQVs7VmR3Lcq5QzDPR2/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0530 MAI/0530 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Détection d'objet (piétons) basée sur HOG Type de document : texte imprimé Auteurs : Khaled Beddar, Auteur ; Amine Fellahi, Auteur ; Fella Berrimi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (76 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La vision par ordinateur est un domaine scientifiques et une branche de
l’intelligence artificielle ce domaine est né de l’idée de remplacer L’observateur
humain par un ordinateur grâce au traitement d’image.
L’objectif de ce mémoire et de concevoir un système de détection de passages
piétons en combinant deux grands concepts de la vision par ordinateur : la
détection du passage piéton par le descripteurs de l’histogramme de gradient
orienté (HOG) et la classification par le classificateur support vecteur machine
(SVM)Côte titre : MAI/0657 Détection d'objet (piétons) basée sur HOG [texte imprimé] / Khaled Beddar, Auteur ; Amine Fellahi, Auteur ; Fella Berrimi, Directeur de thèse . - 2022 . - 1 vol (76 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
La vision par ordinateur est un domaine scientifiques et une branche de
l’intelligence artificielle ce domaine est né de l’idée de remplacer L’observateur
humain par un ordinateur grâce au traitement d’image.
L’objectif de ce mémoire et de concevoir un système de détection de passages
piétons en combinant deux grands concepts de la vision par ordinateur : la
détection du passage piéton par le descripteurs de l’histogramme de gradient
orienté (HOG) et la classification par le classificateur support vecteur machine
(SVM)Côte titre : MAI/0657 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0657 MAI/0657 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Identification of people by face recognition Type de document : texte imprimé Auteurs : Bouzit,Ahmed Amine, Auteur ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (41 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Biometrics
FaceIndex. décimale : 004 - Informatique Résumé :
Face recognition is a challenging task in computer vision.
Humans identify the face easily and successfully and evolve very
precise visual skills, they can process a large amount of visual
informations very quickly.
However, scientists are trying for decades to learn the computer
to recognize the face. Recently face recognition has attracted
significant attention in the image analysis.
Our goal is to develop an algorithm to obtain better results
near-real-time using the principal component analysis (PCA)
method, The PCA method consists of comparing characteristics of
the query face to those known individuals in the face space
spanned from the ORL database.Côte titre : MAI/0526 En ligne : https://drive.google.com/file/d/1kEymrQ7kRBMnq61vV5yVo0W8wOMZs_BV/view?usp=shari [...] Format de la ressource électronique : Identification of people by face recognition [texte imprimé] / Bouzit,Ahmed Amine, Auteur ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (41 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Biometrics
FaceIndex. décimale : 004 - Informatique Résumé :
Face recognition is a challenging task in computer vision.
Humans identify the face easily and successfully and evolve very
precise visual skills, they can process a large amount of visual
informations very quickly.
However, scientists are trying for decades to learn the computer
to recognize the face. Recently face recognition has attracted
significant attention in the image analysis.
Our goal is to develop an algorithm to obtain better results
near-real-time using the principal component analysis (PCA)
method, The PCA method consists of comparing characteristics of
the query face to those known individuals in the face space
spanned from the ORL database.Côte titre : MAI/0526 En ligne : https://drive.google.com/file/d/1kEymrQ7kRBMnq61vV5yVo0W8wOMZs_BV/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0526 MAI/0526 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Object detection in LiDAR data Type de document : texte imprimé Auteurs : Ghada Hana Ketfi, Auteur ; Aymen Dhia eddine Touidjine ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (62 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : LiDAR
Deep Learning
YOLO
Three-dimentional
Point cloud,
Object detection.Index. décimale : 004 - Informatique Résumé :
LiDAR images are detailed 2D representations of 3D point cloud data, providing
valuable insights for analysis and decision-making. LiDAR technology is used in
various fields such as urban planning, forestry, archaeology, civil engineering, geology,
disaster management, transportation, precision agriculture, and environmental
monitoring. This thesis examines the use of LiDAR in image analysis, particularly
for object detection with YOLO (You Only Look Once). The study demonstrates
YOLO’s effectiveness in detecting objects within 3D point cloud data. Experimental
validation highlights YOLO as a robust solution for object detection in LiDAR
imagery.Note de contenu : Sommaire
1 Introduction 9
1.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 What is a Point Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 What is LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Point Cloud Representation . . . . . . . . . . . . . . . . . . . 10
1.4.2 Spatial Coordinates . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.3 Elevation or Height Information . . . . . . . . . . . . . . . . . 11
1.4.4 Intensity or Reflectance Values . . . . . . . . . . . . . . . . . 11
1.4.5 Data Density and Resolution . . . . . . . . . . . . . . . . . . 11
1.4.6 Data Acquisition Platforms . . . . . . . . . . . . . . . . . . . 11
1.4.7 Data Processing and Analysis . . . . . . . . . . . . . . . . . . 11
1.5 Principle of LiDAR system . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Components of LiDAR system . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Lasers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.2 Global Navigation Satellite Systems (GNSS) . . . . . . . . . . 15
1.6.3 Inertial Measurement Unit (IMU) . . . . . . . . . . . . . . . . 15
1.6.4 Clocks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Types of LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.1 Discrete return . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.2 Full waveform . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.3 Single Photon LiDAR . . . . . . . . . . . . . . . . . . . . . . 16
1.7.4 Multispectral LiDAR . . . . . . . . . . . . . . . . . . . . . . . 16
2 Methods of object detection in LiDAR images 18
2.1 RANSAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Iterative Closest Point (ICP) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Density-Based Spatial Clustering of Applications with Noise
(DBSCAN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Convolutional Neural Network (CNN) . . . . . . . . . . . . . 23
2.4.2 PointNet and PointNet++ . . . . . . . . . . . . . . . . . . . . 24
2.4.3 VoxelNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 SECOND (Sparsely Embedded Convolutional Detection) . . . 27
2.4.5 PointRCNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.6 PointPillars . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.7 CenterPoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.8 You Only Look Once (YOLO) . . . . . . . . . . . . . . . . . . 31
3 Our experiments and results 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Software Environments . . . . . . . . . . . . . . . . . . . . . . 34
3.3.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 Velodyne Folder . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.2 Labels Folder . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.3 Calibration Folder . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.4 Usage of Calibration Files . . . . . . . . . . . . . . . . . . . . 37
3.4.5 Validation Set . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Project Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5.1 Detailed preprocessing schema . . . . . . . . . . . . . . . . . . 38
3.6 Functions used in each file . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Visualizing Predictions and Evaluations . . . . . . . . . . . . . . . . . 50
3.7.1 Prediction Visualization . . . . . . . . . . . . . . . . . . . . . 50
3.7.2 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8 Challenges Faced . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.8.1 Hardware Limitations . . . . . . . . . . . . . . . . . . . . . . 53
3.8.2 Limited Dataset Resources . . . . . . . . . . . . . . . . . . . . 53
3.8.3 Conversion to Point Cloud Images . . . . . . . . . . . . . . . . 54
3.8.4 Preprocessing Challenges . . . . . . . . . . . . . . . . . . . . . 54Côte titre : MAI/0904
Object detection in LiDAR data [texte imprimé] / Ghada Hana Ketfi, Auteur ; Aymen Dhia eddine Touidjine ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (62 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : LiDAR
Deep Learning
YOLO
Three-dimentional
Point cloud,
Object detection.Index. décimale : 004 - Informatique Résumé :
LiDAR images are detailed 2D representations of 3D point cloud data, providing
valuable insights for analysis and decision-making. LiDAR technology is used in
various fields such as urban planning, forestry, archaeology, civil engineering, geology,
disaster management, transportation, precision agriculture, and environmental
monitoring. This thesis examines the use of LiDAR in image analysis, particularly
for object detection with YOLO (You Only Look Once). The study demonstrates
YOLO’s effectiveness in detecting objects within 3D point cloud data. Experimental
validation highlights YOLO as a robust solution for object detection in LiDAR
imagery.Note de contenu : Sommaire
1 Introduction 9
1.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 What is a Point Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 What is LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Point Cloud Representation . . . . . . . . . . . . . . . . . . . 10
1.4.2 Spatial Coordinates . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.3 Elevation or Height Information . . . . . . . . . . . . . . . . . 11
1.4.4 Intensity or Reflectance Values . . . . . . . . . . . . . . . . . 11
1.4.5 Data Density and Resolution . . . . . . . . . . . . . . . . . . 11
1.4.6 Data Acquisition Platforms . . . . . . . . . . . . . . . . . . . 11
1.4.7 Data Processing and Analysis . . . . . . . . . . . . . . . . . . 11
1.5 Principle of LiDAR system . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Components of LiDAR system . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Lasers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.2 Global Navigation Satellite Systems (GNSS) . . . . . . . . . . 15
1.6.3 Inertial Measurement Unit (IMU) . . . . . . . . . . . . . . . . 15
1.6.4 Clocks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Types of LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.1 Discrete return . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.2 Full waveform . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.3 Single Photon LiDAR . . . . . . . . . . . . . . . . . . . . . . 16
1.7.4 Multispectral LiDAR . . . . . . . . . . . . . . . . . . . . . . . 16
2 Methods of object detection in LiDAR images 18
2.1 RANSAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Iterative Closest Point (ICP) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Density-Based Spatial Clustering of Applications with Noise
(DBSCAN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Convolutional Neural Network (CNN) . . . . . . . . . . . . . 23
2.4.2 PointNet and PointNet++ . . . . . . . . . . . . . . . . . . . . 24
2.4.3 VoxelNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.4 SECOND (Sparsely Embedded Convolutional Detection) . . . 27
2.4.5 PointRCNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.6 PointPillars . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.7 CenterPoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.8 You Only Look Once (YOLO) . . . . . . . . . . . . . . . . . . 31
3 Our experiments and results 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Software Environments . . . . . . . . . . . . . . . . . . . . . . 34
3.3.2 Libraries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.1 Velodyne Folder . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.2 Labels Folder . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.3 Calibration Folder . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.4 Usage of Calibration Files . . . . . . . . . . . . . . . . . . . . 37
3.4.5 Validation Set . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Project Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5.1 Detailed preprocessing schema . . . . . . . . . . . . . . . . . . 38
3.6 Functions used in each file . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Visualizing Predictions and Evaluations . . . . . . . . . . . . . . . . . 50
3.7.1 Prediction Visualization . . . . . . . . . . . . . . . . . . . . . 50
3.7.2 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8 Challenges Faced . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.8.1 Hardware Limitations . . . . . . . . . . . . . . . . . . . . . . 53
3.8.2 Limited Dataset Resources . . . . . . . . . . . . . . . . . . . . 53
3.8.3 Conversion to Point Cloud Images . . . . . . . . . . . . . . . . 54
3.8.4 Preprocessing Challenges . . . . . . . . . . . . . . . . . . . . . 54Côte titre : MAI/0904
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0904 MAI/0904 Mémoire Bibliothéque des sciences Anglais Disponible
DisponiblePermalinkPermalinkPermalink
