FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS / Zineb Ferhat Hamida  

Public ISBD Titre : FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS Type de document : texte imprimé Auteurs : Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (98 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Informatique Mots-clés : Fake news Social networks Social bot detection Index. décimale : 004 Informatique Résumé : Due to the rise of social media platforms, a new political, economical and cultural climate arose in which the prevalence of fake news grew significantly. Thus, there are wide implications of false information for both individuals and society. For humans, it is difficult to identify and classify fake news through heuristics, common sense, and analysis. The objective of this Ph.D. research is to suggest automated intelligent approaches for detecting fake news sources, especially social bots. Social bots are autonomous entities that generate significant social media content. In our thesis, we present two main contributions: the first one presents “Sentiment Analysis-based Model for Bot Detection on Social Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach can achieve competitive performance with 97.36% of accuracy. The second contribution captures the linguistic-based features by developing a novel framework that we have called “Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This framework is split into two segments: the features learner and a deep neural networks classifier. The feature learner aims at performing the feature extraction task due to a deep autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to represent the high-order features in latent space; (ii) by building the semantic and the context features using the BiLSTM autoencoder; (iii) the merging of the two previous trained encoder blocks would generate a compacted data based on elite features. This architecture help us to discover human writing style patterns accurately. Experiments conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse. L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture des humains et des bots. Ensuite, les initialisation des classificateurs avec les fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots avec un précision de 92.22%. Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : pdf FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS [texte imprimé] / Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (98 f.) ; 29 cm. Langues : Anglais (eng) Catégories : Informatique Mots-clés : Fake news Social networks Social bot detection Index. décimale : 004 Informatique Résumé : Due to the rise of social media platforms, a new political, economical and cultural climate arose in which the prevalence of fake news grew significantly. Thus, there are wide implications of false information for both individuals and society. For humans, it is difficult to identify and classify fake news through heuristics, common sense, and analysis. The objective of this Ph.D. research is to suggest automated intelligent approaches for detecting fake news sources, especially social bots. Social bots are autonomous entities that generate significant social media content. In our thesis, we present two main contributions: the first one presents “Sentiment Analysis-based Model for Bot Detection on Social Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach can achieve competitive performance with 97.36% of accuracy. The second contribution captures the linguistic-based features by developing a novel framework that we have called “Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This framework is split into two segments: the features learner and a deep neural networks classifier. The feature learner aims at performing the feature extraction task due to a deep autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to represent the high-order features in latent space; (ii) by building the semantic and the context features using the BiLSTM autoencoder; (iii) the merging of the two previous trained encoder blocks would generate a compacted data based on elite features. This architecture help us to discover human writing style patterns accurately. Experiments conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse. L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture des humains et des bots. Ensuite, les initialisation des classificateurs avec les fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots avec un précision de 92.22%. Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DI/0077	DI/0077	Thèse	Bibliothèque des sciences	Anglais	Disponible Disponible

Option: Data Engineering and Web Technologies Deep Learning Image-based Plant Diseases Classification for Agricultural Systems / Riheb Ouissale Guissi

Public ISBD Titre : Option: Data Engineering and Web Technologies Deep Learning Image-based Plant Diseases Classification for Agricultural Systems Type de document : document électronique Auteurs : Riheb Ouissale Guissi ; Amina Meridja, Auteur ; Zineb Ferhat Hamida, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (80 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Plant diseases Deep learning Image classification Custom dataset Convolutional Neural Network (CNN) Transfer learning Precision agriculture Index. décimale : 004 Informatique Résumé : Plant diseases are a big problem for farming and the safety of food around the world. We suggest a way to automatically classify plant diseases using deep learning and a custom dataset made up of more than 24,000 images from different sources. To see how color affects model performance, the dataset was preprocessed, augmented, and split into two formats: colored and grayscale. We built a Convolutional Neural Network (CNN) model from the base up and also improved two pretrained models, ResNet50 and VGG16, using transfer learning methods. Our tests show that the VGG16 model was the best at classifying both colored and grayscale datasets. CNN worked well on colored datasets, and RESNET worked well on grayscale datasets. The results also show that grayscale images can work just as well, which shows how flexible deep learning models are when it comes to different types of input. In general, this study shows how important the model architecture, preprocessing strategy, and size and design of the dataset are for making strong AI solutions for precision agriculture. Note de contenu : Sommaire Abstract ii Résumé iii List of Tables xi List of Figures xii Abréviations xiv Introduction 1 1 Introduction 2 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Thesis Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2 State of art 5 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 Traditional detection methods in agriculture . . . . . . . . . . . . . . . 5 2.3 Smart Farming and Modern Technologies . . . . . . . . . . . . . . . . . 7 2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3.2 Advanced farming technologies . . . . . . . . . . . . . . . . . . 7 2.4 AI in agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.2 AI Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.3 Advantages & Disadvantages . . . . . . . . . . . . . . . . . . . 10 2.4.4 AI Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.2 Deep learning in agriculture . . . . . . . . . . . . . . . . . . . 13 2.5.3 Deep learning Workflow . . . . . . . . . . . . . . . . . . . . . . 13 2.5.4 Deep Learning Models . . . . . . . . . . . . . . . . . . . . . . . 14 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3 Related Review 17 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.2 Image-based plant diseases detection using Deep Learning . . . . . . . 17 3.3 Deep leaning in image-based plant phenotyping . . . . . . . . . . . . . 19 3.4 Pest Detection in Agriculture via DL and TSLM . . . . . . . . . . . . 20 3.5 Hybrid DL Model for Potato Leaf Disease Detection . . . . . . . . . . 21 3.6 Comparative Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4 Contribution 26 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2 Overview on the preposal contribution . . . . . . . . . . . . . . . . . . 27 4.3 Data Collection & Preprocessing . . . . . . . . . . . . . . . . . . . . . 27 4.3.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.3.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.4 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.5 Pretrained Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5.1 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5.2 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5 Implementations and Results 42 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2 Implementation tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.2 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.4 PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.5 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.6 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.7 kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.8 Napkin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2.9 OverLeaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.4 F1-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.5 Confusion matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4 Training Parameters:Definition . . . . . . . . . . . . . . . . . . . . . . 47 5.4.1 Batch Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.2 Epoch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.3 Adam Optimizer . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.4 Learning Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.5 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.6 CallBacks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.7 Early stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.8 Shuffle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.5 Training Parametrs:Use . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.6 Results On Colored Dataset . . . . . . . . . . . . . . . . . . . . . . . . 51 5.6.1 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.6.2 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.6.3 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.7 Results on grayscale dataset . . . . . . . . . . . . . . . . . . . . . . . . 60 5.7.1 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.7.2 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.7.3 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5.8 Side by Side Comparative Analysis . . . . . . . . . . . . . . . . . . . . 69 5.8.1 CNN VS Pretrained models . . . . . . . . . . . . . . . . . . . . 69 5.8.2 Colored VS Grayscale dataset . . . . . . . . . . . . . . . . . . . 70 5.9 General Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 5.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Conclusion 75 5.11 Future work and perspectives . . . . . . . . . . . . . . . . . . . . . . . 76 Bibliography 78 Côte titre : MAI/1052 Option: Data Engineering and Web Technologies Deep Learning Image-based Plant Diseases Classification for Agricultural Systems [document électronique] / Riheb Ouissale Guissi ; Amina Meridja, Auteur ; Zineb Ferhat Hamida, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (80 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Plant diseases Deep learning Image classification Custom dataset Convolutional Neural Network (CNN) Transfer learning Precision agriculture Index. décimale : 004 Informatique Résumé : Plant diseases are a big problem for farming and the safety of food around the world. We suggest a way to automatically classify plant diseases using deep learning and a custom dataset made up of more than 24,000 images from different sources. To see how color affects model performance, the dataset was preprocessed, augmented, and split into two formats: colored and grayscale. We built a Convolutional Neural Network (CNN) model from the base up and also improved two pretrained models, ResNet50 and VGG16, using transfer learning methods. Our tests show that the VGG16 model was the best at classifying both colored and grayscale datasets. CNN worked well on colored datasets, and RESNET worked well on grayscale datasets. The results also show that grayscale images can work just as well, which shows how flexible deep learning models are when it comes to different types of input. In general, this study shows how important the model architecture, preprocessing strategy, and size and design of the dataset are for making strong AI solutions for precision agriculture. Note de contenu : Sommaire Abstract ii Résumé iii List of Tables xi List of Figures xii Abréviations xiv Introduction 1 1 Introduction 2 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Thesis Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2 State of art 5 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 Traditional detection methods in agriculture . . . . . . . . . . . . . . . 5 2.3 Smart Farming and Modern Technologies . . . . . . . . . . . . . . . . . 7 2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3.2 Advanced farming technologies . . . . . . . . . . . . . . . . . . 7 2.4 AI in agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.2 AI Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.3 Advantages & Disadvantages . . . . . . . . . . . . . . . . . . . 10 2.4.4 AI Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.2 Deep learning in agriculture . . . . . . . . . . . . . . . . . . . 13 2.5.3 Deep learning Workflow . . . . . . . . . . . . . . . . . . . . . . 13 2.5.4 Deep Learning Models . . . . . . . . . . . . . . . . . . . . . . . 14 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3 Related Review 17 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.2 Image-based plant diseases detection using Deep Learning . . . . . . . 17 3.3 Deep leaning in image-based plant phenotyping . . . . . . . . . . . . . 19 3.4 Pest Detection in Agriculture via DL and TSLM . . . . . . . . . . . . 20 3.5 Hybrid DL Model for Potato Leaf Disease Detection . . . . . . . . . . 21 3.6 Comparative Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4 Contribution 26 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2 Overview on the preposal contribution . . . . . . . . . . . . . . . . . . 27 4.3 Data Collection & Preprocessing . . . . . . . . . . . . . . . . . . . . . 27 4.3.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.3.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.4 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.5 Pretrained Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5.1 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5.2 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5 Implementations and Results 42 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2 Implementation tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.2 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.4 PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2.5 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.6 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.7 kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2.8 Napkin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2.9 OverLeaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.3 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.4 F1-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3.5 Confusion matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4 Training Parameters:Definition . . . . . . . . . . . . . . . . . . . . . . 47 5.4.1 Batch Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.2 Epoch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.3 Adam Optimizer . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.4.4 Learning Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.5 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.6 CallBacks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.7 Early stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.8 Shuffle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.5 Training Parametrs:Use . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.6 Results On Colored Dataset . . . . . . . . . . . . . . . . . . . . . . . . 51 5.6.1 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.6.2 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.6.3 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.7 Results on grayscale dataset . . . . . . . . . . . . . . . . . . . . . . . . 60 5.7.1 CNN from scratch . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.7.2 ResNet50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.7.3 VGG16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5.8 Side by Side Comparative Analysis . . . . . . . . . . . . . . . . . . . . 69 5.8.1 CNN VS Pretrained models . . . . . . . . . . . . . . . . . . . . 69 5.8.2 Colored VS Grayscale dataset . . . . . . . . . . . . . . . . . . . 70 5.9 General Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 5.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Conclusion 75 5.11 Future work and perspectives . . . . . . . . . . . . . . . . . . . . . . . 76 Bibliography 78 Côte titre : MAI/1052

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1052	MAI/1052	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 2 / 2)