University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Touahria,Mohamed |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheContribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique / Sadik Bessou
Titre : Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique Type de document : texte imprimé Auteurs : Sadik Bessou, Acteur ; Touahria,Mohamed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (73 f .) Format : 29 cm Catégories : Informatique Mots-clés : Traitement automatique du langage naturel
Traduction automatique
Techerche d'information
Transfert morphologique
Transfert syntaxique
Approche à base de règle
Langue arabeIndex. décimale : 004 Informatique Résumé :
Dans cette thèse, on abordeplusieurs points importants concernant l'analyse morpho-logique de la langue arabe appliquée à l'informatique documentaire et à la traduction automa-tique. Tout d'abord, on a dressé un aperçu sur la traduction automatique, son histoire et son développement, puis on a exposé les techniques de la traduction humaine pour une éventuelle inspiration dans la traduction automatique, ainsi on a exposé les approches linguistiques et particulièrement les approches indirectes de transfert. Enfin nous avons présenté nos contribu-tions pour la résolution des problèmes morphosyntaxiques dans l'informatique documentaire comme la recherche d'information multilingue et dans la traduction automatique.Dans une première contribution, nous avons développé un analyseur morphologique pour la langue arabe, et on l'a exploité dans la recherche d'information bilingue comme appli-cation de l'informatique documentaire multilingue. La validation des résultats montre une performance statistiquement signifiante. Dans une seconde contribution, nous avons proposé une liste de règles de transfert morphosyntaxique de l'anglais vers l'arabe, pour une traduction en trois phases:analyse, transfert, génération.On ainsisté sur la phase transfert, destinée à plonger sans distorsion sé-mantique une abstraction de l'anglais dans un sous-ensemble suffisant de l'arabe.Note de contenu :
TABLE DES MATIÈRES
CHAPITRE 1: LA TRADUCTION AUTOMATIQUE
CHAPITRE 2: LA TRADUCTION HUMAINE
CHAPITRE 3: LES APPROCHES LINGUISTIQUES DE LA TRADUCTION AUTOMATIQUE
CHAPITRE 4: ANALYSE MORPHOLOGIQUE DE LA RECHERCHE D'INFORMATION A LA TRADUCTION AUTOMATIQUE DE LA LANGUE ARABE
CHAPITRE 5: RÈGLES MORPHOLOGIQUES POUR LE TRANSFERT DE L'ANGLAIS VERS L'ARABE
CHAPITRE 6: RÈGLES SYNTAXIQUES POUR LE TRANSFERT DE L'ANGLAIS VERS L'ARABECôte titre : DI/0001-0003 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1724 Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique [texte imprimé] / Sadik Bessou, Acteur ; Touahria,Mohamed, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (73 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Traitement automatique du langage naturel
Traduction automatique
Techerche d'information
Transfert morphologique
Transfert syntaxique
Approche à base de règle
Langue arabeIndex. décimale : 004 Informatique Résumé :
Dans cette thèse, on abordeplusieurs points importants concernant l'analyse morpho-logique de la langue arabe appliquée à l'informatique documentaire et à la traduction automa-tique. Tout d'abord, on a dressé un aperçu sur la traduction automatique, son histoire et son développement, puis on a exposé les techniques de la traduction humaine pour une éventuelle inspiration dans la traduction automatique, ainsi on a exposé les approches linguistiques et particulièrement les approches indirectes de transfert. Enfin nous avons présenté nos contribu-tions pour la résolution des problèmes morphosyntaxiques dans l'informatique documentaire comme la recherche d'information multilingue et dans la traduction automatique.Dans une première contribution, nous avons développé un analyseur morphologique pour la langue arabe, et on l'a exploité dans la recherche d'information bilingue comme appli-cation de l'informatique documentaire multilingue. La validation des résultats montre une performance statistiquement signifiante. Dans une seconde contribution, nous avons proposé une liste de règles de transfert morphosyntaxique de l'anglais vers l'arabe, pour une traduction en trois phases:analyse, transfert, génération.On ainsisté sur la phase transfert, destinée à plonger sans distorsion sé-mantique une abstraction de l'anglais dans un sous-ensemble suffisant de l'arabe.Note de contenu :
TABLE DES MATIÈRES
CHAPITRE 1: LA TRADUCTION AUTOMATIQUE
CHAPITRE 2: LA TRADUCTION HUMAINE
CHAPITRE 3: LES APPROCHES LINGUISTIQUES DE LA TRADUCTION AUTOMATIQUE
CHAPITRE 4: ANALYSE MORPHOLOGIQUE DE LA RECHERCHE D'INFORMATION A LA TRADUCTION AUTOMATIQUE DE LA LANGUE ARABE
CHAPITRE 5: RÈGLES MORPHOLOGIQUES POUR LE TRANSFERT DE L'ANGLAIS VERS L'ARABE
CHAPITRE 6: RÈGLES SYNTAXIQUES POUR LE TRANSFERT DE L'ANGLAIS VERS L'ARABECôte titre : DI/0001-0003 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1724 Exemplaires (3)
Code-barres Cote Support Localisation Section Disponibilité DI/0001 DI/0001-0003 Thèse Bibliothéque des sciences Français Disponible
DisponibleDI/0003 DI/0001-0003 Thèse Bibliothéque des sciences Français Disponible
DisponibleDI/0002 DI/0001-0003 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique Type de document : texte imprimé Auteurs : Sadik Bessou, Auteur ; Touahria,Mohamed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (191 f .) Format : 29 cm Catégories : Informatique Mots-clés : Traitement automatique du langage naturel, Traduction automatique, Recherche
d'information, Transfert morphologique, Transfert syntaxique, Approche à base de règles,
Langue arabe.Résumé : Résumé
Dans cette thèse, on aborde plusieurs points importants concernant l'analyse morphologique de la langue arabe appliquée à l'informatique documentaire et à la traduction automatique. Tout d'abord, on a dressé un aperçu sur la traduction automatique, son histoire et son
développement, puis on a exposé les techniques de la traduction humaine pour une éventuelle
inspiration dans la traduction automatique, ainsi on a exposé les approches linguistiques et
particulièrement les approches indirectes de transfert. Enfin nous avons présenté nos contributions pour la résolution des problèmes morphosyntaxiques dans l'informatique documentaire
comme la recherche d'information multilingue et dans la traduction automatique.
Dans une première contribution, nous avons développé un analyseur morphologique
pour la langue arabe, et on l'a exploité dans la recherche d'information bilingue comme application de l'informatique documentaire multilingue. La validation des résultats montre une
performance statistiquement signifiante.
Dans une seconde contribution, nous avons proposé une liste de règles de transfert
morphosyntaxique de l'anglais vers l'arabe, pour une traduction en trois phases : analyse,
transfert, génération. On a insisté sur la phase transfert, destinée à plonger sans distorsion sémantique une abstraction de l'anglais dans un sous-ensemble suffisant de l'arabe.
Note de contenu : Table des matières
Introduction ......................................... 1
Chapitre 1. La Traduction Automatique 6
Introduction.................................................................................................................................6
1. Définition.............................................................................................................................7
2. Historique de la traduction automatique .........................................................................8
2.1. Avant l'ordinateur 9
2.2. Après l'avènement de l'ordinateur 9
2.3. La période 1950 - 1955 9
2.4. La période 1956 - 1966 10
2.5. La période post ALPAC : 1966 - 1980 11
2.6. Les années 1980 12
2.7. Les années 1990 13
2.8. Après l'avènement d'internet 14
2.9. Les ressources linguistiques 15
2.10. La traduction automatique et les langues dans le monde 15
3. Le Traitement automatique du langage naturel............................................................16
3.1. Définition 16
3.2. Les objectifs 16
3.3. Les origines de TALN 17
3.4. Les Niveaux de traitement du langage naturel 17
3.5. Les approches de TALN 19
3.6. Les applications de TALN 20
4. La traduction automatique, mythes et réalités..............................................................20
4.1. Idée 1 : la traduction automatique est un processus direct 21
4.2. Idée 2 : la traduction est automatisable 21
4.3. Idée 3 : la traduction est hors de mes mains 21
4.4. Idée 4 : la TA est une perte de temps car elle ne traduit pas les textes de Shakespeare 21
4.5. Idée 5 : la qualité des traducteurs automatiques est mauvaise, alors la TA est inutile 22
4.6. Idée 6 : la traduction automatique menace le métier des traducteurs 22
5. L’importance de la traduction automatique ..................................................................22
5.1. Des sociétés utilisant la TA 22
5.2. Des pays et des institutions utilisant la TA 23
5.3. Le marché mondial de la TA 23
6. Les raisons d’utiliser des systèmes de traduction automatique....................................25
7. Les difficultés de la traduction automatique..................................................................27
8. Evaluation des systèmes de traduction automatique.....................................................29
8.1. Évaluation en boîte noire (Black box evaluation) 30
8.2. Évaluation en boîte blanche (Glass box evaluation) 30
8.3. Évaluation selon les critères de la clientèle 30
8.4. Evaluation humaine 30
8.5. Evaluation automatique 31
8.6. La métrique Bleu (BiLingual Evaluation Understudy) 31
9. Les approches de la traduction automatique .................................................................34
9.1. L'approche à base de règles 35
9.2. L'approche statistique 36
9.3. L'approche à base d’exemples 36
.
9.4. Les approches hybrides 37
Conclusion .................................................................................................................................37
Chapitre 2. La Traduction Humaine 39
Introduction...............................................................................................................................39
1. Origine de la traduction...................................................................................................39
2. Définitions.........................................................................................................................42
2.1. Traduction 42
2.2. Interprétariat 42
2.3. Traduction et interprétariat 42
2.4. La traduction est-elle indispensable ? 43
3. Spécialisations possibles dans la Traduction .................................................................43
3.1. Traducteur audiovisuel 43
3.2. Traducteur expert ou assermenté 44
3.3. Traducteur littéraire 44
3.4. Traducteur technique 45
4. La traductologie................................................................................................................45
5. Les approches de la traduction humaine........................................................................46
5.1. Les approches linguistiques 46
5.2. L'approche Herméneutique 53
5.3. Les approches idéologiques 54
5.4. L'approche poétologique 54
5.5. L'approche textuelle 55
5.6. Les approches sémiotiques 56
5.7. Les approches communicationnelles 56
5.8. Les approches cognitives 58
Conclusion .................................................................................................................................58
Chapitre 3. Les approches linguistiques de la traduction automatique 59
Introduction...............................................................................................................................59
1. Les approches linguistiques de la TA .............................................................................59
1.1 L'approche directe 61
1.2 L'approche de Transfert 65
1.3 Combinaison des approches directe et de transfert 69
1.4 L'approche à langue-pivot 70
2. Niveaux de représentations..............................................................................................72
3. Flexibilités des systèmes de TA .......................................................................................73
Conclusion .................................................................................................................................74
Chapitre 4. Analyse morphologique : de la Recherche d’Information à la
Traduction automatique de la langue arabe 75
Introduction...............................................................................................................................75
Aspect multilingue 75
1. Recherche d'information multilingue.............................................................................77
2. Motivation des Systèmes de RI multilingues..................................................................77
3. Taxonomie des modèles de recherche d’information....................................................78
3.1. Le modèle booléen ou ensembliste 78
3.2. Le modèle vectoriel 78
3.3. Le modèle probabiliste 78
.
3.4. Les réseaux inférentiels bayésiens 78
3.5. Le modèle connexionniste 78
3.6. Les modèles de langage 79
3.7. Latent Semantic Indexing : LSI 79
4. Approches de recherche d'information multilingue......................................................79
4.1. Approches basées sur la TA 79
4.2. Approches basées sur les dictionnaires 81
4.3. Approches basées sur les corpus alignés 82
4.4. Approches basées sur un vocabulaire prédéfini (thésaurus) 83
4.5. Approches basées sur Croisement de Langue - LSI 83
5. Recherche d'information translinguistique avec l'arabe ..............................................84
6. Contribution dans la recherche d'information en langue arabe ..................................84
6.1. Problématique 84
6.2. Démarche d’analyse 85
6.3. Illustration 92
6.4. Expérimentations et résultats 95
6.5. Recherche multilingue 96
Conclusion .................................................................................................................................98
Chapitre 5. Règles morphologiques pour le transfert de l'anglais vers
l'arabe ................................................. 100
Introduction......................................................................................................100
1. Les recherches morpho-syntaxiques de l'arabe pour la TA.......................................100
2. Algorithme de TA pour l'arabe.....................................................................................103
2.1. Problématique 103
2.2. Méthode proposée 103
3. Règles de transfert.................................................................................106
3.1. Le verbe.................................................................................................109
3.1.1. L'accord verbe/sujet 109
3.1.2. Le pronom sujet 111
3.1.3. Le pronom objet 115
3.1.4. La forme négative 117
3.1.5. La forme Interrogative 121
3.1.6. Les verbes irréguliers 123
.3.2 Le Nom ……………………………………………………...……………………….126
3.2.1. La définition (la détermination) 126
3.2.2. Le sujet 127
3.2.3. Complément d'agent 128
3.2.4. Le complément d'objet direct 128
3.2.5. Le nombre 129
3.2.6. Le nom de nombre 131
3.2.7. Les conjonctions de coordination 132
3.2.8. Les prépositions 132
3.2.9. L'annexion 133
3.2.10. Les pronoms possessifs 136
3.2.11. Accord Nom-adjectif 137
3.2.12. Sujet- prédicat 140
3.2.13. L'adverbe 147
Conclusion ................................................147Côte titre : DI/0018 En ligne : https://drive.google.com/file/d/1gKmCq0n9lOZ5HBc0FlFKL8Rp1k2wNYAS/view?usp=shari [...] Format de la ressource électronique : Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique [texte imprimé] / Sadik Bessou, Auteur ; Touahria,Mohamed, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (191 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Traitement automatique du langage naturel, Traduction automatique, Recherche
d'information, Transfert morphologique, Transfert syntaxique, Approche à base de règles,
Langue arabe.Résumé : Résumé
Dans cette thèse, on aborde plusieurs points importants concernant l'analyse morphologique de la langue arabe appliquée à l'informatique documentaire et à la traduction automatique. Tout d'abord, on a dressé un aperçu sur la traduction automatique, son histoire et son
développement, puis on a exposé les techniques de la traduction humaine pour une éventuelle
inspiration dans la traduction automatique, ainsi on a exposé les approches linguistiques et
particulièrement les approches indirectes de transfert. Enfin nous avons présenté nos contributions pour la résolution des problèmes morphosyntaxiques dans l'informatique documentaire
comme la recherche d'information multilingue et dans la traduction automatique.
Dans une première contribution, nous avons développé un analyseur morphologique
pour la langue arabe, et on l'a exploité dans la recherche d'information bilingue comme application de l'informatique documentaire multilingue. La validation des résultats montre une
performance statistiquement signifiante.
Dans une seconde contribution, nous avons proposé une liste de règles de transfert
morphosyntaxique de l'anglais vers l'arabe, pour une traduction en trois phases : analyse,
transfert, génération. On a insisté sur la phase transfert, destinée à plonger sans distorsion sémantique une abstraction de l'anglais dans un sous-ensemble suffisant de l'arabe.
Note de contenu : Table des matières
Introduction ......................................... 1
Chapitre 1. La Traduction Automatique 6
Introduction.................................................................................................................................6
1. Définition.............................................................................................................................7
2. Historique de la traduction automatique .........................................................................8
2.1. Avant l'ordinateur 9
2.2. Après l'avènement de l'ordinateur 9
2.3. La période 1950 - 1955 9
2.4. La période 1956 - 1966 10
2.5. La période post ALPAC : 1966 - 1980 11
2.6. Les années 1980 12
2.7. Les années 1990 13
2.8. Après l'avènement d'internet 14
2.9. Les ressources linguistiques 15
2.10. La traduction automatique et les langues dans le monde 15
3. Le Traitement automatique du langage naturel............................................................16
3.1. Définition 16
3.2. Les objectifs 16
3.3. Les origines de TALN 17
3.4. Les Niveaux de traitement du langage naturel 17
3.5. Les approches de TALN 19
3.6. Les applications de TALN 20
4. La traduction automatique, mythes et réalités..............................................................20
4.1. Idée 1 : la traduction automatique est un processus direct 21
4.2. Idée 2 : la traduction est automatisable 21
4.3. Idée 3 : la traduction est hors de mes mains 21
4.4. Idée 4 : la TA est une perte de temps car elle ne traduit pas les textes de Shakespeare 21
4.5. Idée 5 : la qualité des traducteurs automatiques est mauvaise, alors la TA est inutile 22
4.6. Idée 6 : la traduction automatique menace le métier des traducteurs 22
5. L’importance de la traduction automatique ..................................................................22
5.1. Des sociétés utilisant la TA 22
5.2. Des pays et des institutions utilisant la TA 23
5.3. Le marché mondial de la TA 23
6. Les raisons d’utiliser des systèmes de traduction automatique....................................25
7. Les difficultés de la traduction automatique..................................................................27
8. Evaluation des systèmes de traduction automatique.....................................................29
8.1. Évaluation en boîte noire (Black box evaluation) 30
8.2. Évaluation en boîte blanche (Glass box evaluation) 30
8.3. Évaluation selon les critères de la clientèle 30
8.4. Evaluation humaine 30
8.5. Evaluation automatique 31
8.6. La métrique Bleu (BiLingual Evaluation Understudy) 31
9. Les approches de la traduction automatique .................................................................34
9.1. L'approche à base de règles 35
9.2. L'approche statistique 36
9.3. L'approche à base d’exemples 36
.
9.4. Les approches hybrides 37
Conclusion .................................................................................................................................37
Chapitre 2. La Traduction Humaine 39
Introduction...............................................................................................................................39
1. Origine de la traduction...................................................................................................39
2. Définitions.........................................................................................................................42
2.1. Traduction 42
2.2. Interprétariat 42
2.3. Traduction et interprétariat 42
2.4. La traduction est-elle indispensable ? 43
3. Spécialisations possibles dans la Traduction .................................................................43
3.1. Traducteur audiovisuel 43
3.2. Traducteur expert ou assermenté 44
3.3. Traducteur littéraire 44
3.4. Traducteur technique 45
4. La traductologie................................................................................................................45
5. Les approches de la traduction humaine........................................................................46
5.1. Les approches linguistiques 46
5.2. L'approche Herméneutique 53
5.3. Les approches idéologiques 54
5.4. L'approche poétologique 54
5.5. L'approche textuelle 55
5.6. Les approches sémiotiques 56
5.7. Les approches communicationnelles 56
5.8. Les approches cognitives 58
Conclusion .................................................................................................................................58
Chapitre 3. Les approches linguistiques de la traduction automatique 59
Introduction...............................................................................................................................59
1. Les approches linguistiques de la TA .............................................................................59
1.1 L'approche directe 61
1.2 L'approche de Transfert 65
1.3 Combinaison des approches directe et de transfert 69
1.4 L'approche à langue-pivot 70
2. Niveaux de représentations..............................................................................................72
3. Flexibilités des systèmes de TA .......................................................................................73
Conclusion .................................................................................................................................74
Chapitre 4. Analyse morphologique : de la Recherche d’Information à la
Traduction automatique de la langue arabe 75
Introduction...............................................................................................................................75
Aspect multilingue 75
1. Recherche d'information multilingue.............................................................................77
2. Motivation des Systèmes de RI multilingues..................................................................77
3. Taxonomie des modèles de recherche d’information....................................................78
3.1. Le modèle booléen ou ensembliste 78
3.2. Le modèle vectoriel 78
3.3. Le modèle probabiliste 78
.
3.4. Les réseaux inférentiels bayésiens 78
3.5. Le modèle connexionniste 78
3.6. Les modèles de langage 79
3.7. Latent Semantic Indexing : LSI 79
4. Approches de recherche d'information multilingue......................................................79
4.1. Approches basées sur la TA 79
4.2. Approches basées sur les dictionnaires 81
4.3. Approches basées sur les corpus alignés 82
4.4. Approches basées sur un vocabulaire prédéfini (thésaurus) 83
4.5. Approches basées sur Croisement de Langue - LSI 83
5. Recherche d'information translinguistique avec l'arabe ..............................................84
6. Contribution dans la recherche d'information en langue arabe ..................................84
6.1. Problématique 84
6.2. Démarche d’analyse 85
6.3. Illustration 92
6.4. Expérimentations et résultats 95
6.5. Recherche multilingue 96
Conclusion .................................................................................................................................98
Chapitre 5. Règles morphologiques pour le transfert de l'anglais vers
l'arabe ................................................. 100
Introduction......................................................................................................100
1. Les recherches morpho-syntaxiques de l'arabe pour la TA.......................................100
2. Algorithme de TA pour l'arabe.....................................................................................103
2.1. Problématique 103
2.2. Méthode proposée 103
3. Règles de transfert.................................................................................106
3.1. Le verbe.................................................................................................109
3.1.1. L'accord verbe/sujet 109
3.1.2. Le pronom sujet 111
3.1.3. Le pronom objet 115
3.1.4. La forme négative 117
3.1.5. La forme Interrogative 121
3.1.6. Les verbes irréguliers 123
.3.2 Le Nom ……………………………………………………...……………………….126
3.2.1. La définition (la détermination) 126
3.2.2. Le sujet 127
3.2.3. Complément d'agent 128
3.2.4. Le complément d'objet direct 128
3.2.5. Le nombre 129
3.2.6. Le nom de nombre 131
3.2.7. Les conjonctions de coordination 132
3.2.8. Les prépositions 132
3.2.9. L'annexion 133
3.2.10. Les pronoms possessifs 136
3.2.11. Accord Nom-adjectif 137
3.2.12. Sujet- prédicat 140
3.2.13. L'adverbe 147
Conclusion ................................................147Côte titre : DI/0018 En ligne : https://drive.google.com/file/d/1gKmCq0n9lOZ5HBc0FlFKL8Rp1k2wNYAS/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0018 DI/0018 Thèse 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 : Multimodalité biométrique dans le cadre d’une application d’authentification Type de document : texte imprimé Auteurs : Houda Benaliouche, Auteur ; Touahria,Mohamed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (171 f .) Format : 29 cm Catégories : Informatique Mots-clés : Multimodalité biométrique
Application d’authentification
BIOMÉTRIE
MULTIMODALE
EMPREINTE DIGITALE
IRIS
INTELLIGENCE ARTIFICIELLE
LOGIQUE FLOUEIndex. décimale : 004 Informatique Résumé :
La biométrie multimodale consiste à combiner plusieurs modalités biométriques, ou plusieurs échantillons ou instances biométriques du même trait, ou encore utiliser plusieurs capteurs ou appliquer plusieurs extracteurs au même trait biométrique. Elle est de plus en plus utilisée de nos jours. En effet, elle permet de pallier les limites observées dans les systèmes biométriques unimodaux comme le manque d’individualité et la sensibilité aux attaques, tout en améliorant l’efficacité et la performance de la reconnaissance. Dans ce travail nous présentons trois éléments de contribution, montrant chacun un type de la biométrie multimodale. - La première contribution concerne la proposition d’un algorithme d’identification par l’iris à base de deux algorithmes d’appariement. Dans cette proposition nous utilisons la fuzzification des résultats de la reconnaissance marquée par le degré d’appartenance aux ensembles flous modélisant les décisions du système, ce qui offre un intervalle intermédiaire entre la décision d’accepter le client et la décision de le rejeter. Le système peut donc, par exemple, déclarer une authentification comme « fortement accepter », ou bien « fortement rejeter ». Nous agissons au niveau de la phase d’appariement en appliquant deux algorithmes d’appariement différents et en essayant de voir l’influence et l’apport de la fusion par l’inférence floue sur les résultats de la reconnaissance du système. - La deuxième contribution concerne La proposition d’un nouvel algorithme de la reconnaissance par empreinte digitale assurant l’identification par instances répétées (plusieurs impressions du même doigt) et multiples (plusieurs doigts) d’empreintes digitales. La fusion est établie au niveau caractéristique (feature level). A ce niveau de fusion, Choisir de combiner les informations biométriques provenant d’instances répétées et/ou multiples engendre un ensemble de caractéristique (feature set) plus riche en information biométrique que d’utiliser la fusion au niveau Score ou bien au niveau de Décision. En plus, il assure la détection des points de caractéristiques biométriques redondants qui seront supprimés avant l’appariement. Cet avantage n’est pas offert par la fusion au niveau Score ou bien au niveau de Décision, ensuite, Choisir la fusion au niveau caractéristique est idéal quand les codes à fusionner sont homogènes (dans notre cas les codes sont tous des codes d’instances d’empreinte). Nous avons mesuré la Spécificité et la Sensibilité de l’algorithme proposé en utilisant une instance, trois instances puis huit instances de l’empreinte et on a déduit à propos de la meilleure combinaison. Le critère de la Spécificité mesure la pertinence du système à éviter les fausses détections, le critère de la Sensibilité mesure la pertinence du système à détecter les vraies minuties. Les résultats expérimentaux ont montrés que la précision de la reconnaissance est améliorée chaque fois on fusionne plus d’instances.Note de contenu :
SOMMAIRE
CHAPITRE 1: LA BIOMÉTRIE MULTIMODALE
CHAPITRE 2: LA RECONNAISSANCE PAR L'EMPREINTE DIGITALE
CHAPITRE 3: LA RECONNAISSANCE PAR L'IRIS
CHAPITRE 4: L’INTELLIGENCE ARTIFICIELLE
CHAPITRE 5: LA LOGIQUE FLOUE
CHAPITRE 6: LA RECONNAISSANCE D'IRIS PAR FUSION DE DÉCISIONS
CHAPITRE 7: FUSION D'EMPREINTE AU NIVEAU CARACTÉRISTIQUE
CHAPITRE 8: RECONNAISSANCE PAR FUSION D'IRIS ET D'EMPREINTECôte titre : DI/0004-0005;DI/0021 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1659 Multimodalité biométrique dans le cadre d’une application d’authentification [texte imprimé] / Houda Benaliouche, Auteur ; Touahria,Mohamed, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (171 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Multimodalité biométrique
Application d’authentification
BIOMÉTRIE
MULTIMODALE
EMPREINTE DIGITALE
IRIS
INTELLIGENCE ARTIFICIELLE
LOGIQUE FLOUEIndex. décimale : 004 Informatique Résumé :
La biométrie multimodale consiste à combiner plusieurs modalités biométriques, ou plusieurs échantillons ou instances biométriques du même trait, ou encore utiliser plusieurs capteurs ou appliquer plusieurs extracteurs au même trait biométrique. Elle est de plus en plus utilisée de nos jours. En effet, elle permet de pallier les limites observées dans les systèmes biométriques unimodaux comme le manque d’individualité et la sensibilité aux attaques, tout en améliorant l’efficacité et la performance de la reconnaissance. Dans ce travail nous présentons trois éléments de contribution, montrant chacun un type de la biométrie multimodale. - La première contribution concerne la proposition d’un algorithme d’identification par l’iris à base de deux algorithmes d’appariement. Dans cette proposition nous utilisons la fuzzification des résultats de la reconnaissance marquée par le degré d’appartenance aux ensembles flous modélisant les décisions du système, ce qui offre un intervalle intermédiaire entre la décision d’accepter le client et la décision de le rejeter. Le système peut donc, par exemple, déclarer une authentification comme « fortement accepter », ou bien « fortement rejeter ». Nous agissons au niveau de la phase d’appariement en appliquant deux algorithmes d’appariement différents et en essayant de voir l’influence et l’apport de la fusion par l’inférence floue sur les résultats de la reconnaissance du système. - La deuxième contribution concerne La proposition d’un nouvel algorithme de la reconnaissance par empreinte digitale assurant l’identification par instances répétées (plusieurs impressions du même doigt) et multiples (plusieurs doigts) d’empreintes digitales. La fusion est établie au niveau caractéristique (feature level). A ce niveau de fusion, Choisir de combiner les informations biométriques provenant d’instances répétées et/ou multiples engendre un ensemble de caractéristique (feature set) plus riche en information biométrique que d’utiliser la fusion au niveau Score ou bien au niveau de Décision. En plus, il assure la détection des points de caractéristiques biométriques redondants qui seront supprimés avant l’appariement. Cet avantage n’est pas offert par la fusion au niveau Score ou bien au niveau de Décision, ensuite, Choisir la fusion au niveau caractéristique est idéal quand les codes à fusionner sont homogènes (dans notre cas les codes sont tous des codes d’instances d’empreinte). Nous avons mesuré la Spécificité et la Sensibilité de l’algorithme proposé en utilisant une instance, trois instances puis huit instances de l’empreinte et on a déduit à propos de la meilleure combinaison. Le critère de la Spécificité mesure la pertinence du système à éviter les fausses détections, le critère de la Sensibilité mesure la pertinence du système à détecter les vraies minuties. Les résultats expérimentaux ont montrés que la précision de la reconnaissance est améliorée chaque fois on fusionne plus d’instances.Note de contenu :
SOMMAIRE
CHAPITRE 1: LA BIOMÉTRIE MULTIMODALE
CHAPITRE 2: LA RECONNAISSANCE PAR L'EMPREINTE DIGITALE
CHAPITRE 3: LA RECONNAISSANCE PAR L'IRIS
CHAPITRE 4: L’INTELLIGENCE ARTIFICIELLE
CHAPITRE 5: LA LOGIQUE FLOUE
CHAPITRE 6: LA RECONNAISSANCE D'IRIS PAR FUSION DE DÉCISIONS
CHAPITRE 7: FUSION D'EMPREINTE AU NIVEAU CARACTÉRISTIQUE
CHAPITRE 8: RECONNAISSANCE PAR FUSION D'IRIS ET D'EMPREINTECôte titre : DI/0004-0005;DI/0021 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1659 Exemplaires (3)
Code-barres Cote Support Localisation Section Disponibilité DI/0004 DI/0004-0005 Thèse Bibliothéque des sciences Français Disponible
DisponibleDI/0005 DI/0004-0005 Thèse Bibliothéque des sciences Français Disponible
DisponibleDI/0021 DI/0021 Thèse Bibliothéque des sciences Français Disponible
DisponiblePermalinkPermalink
Permalink
