Titre :	Deep learning for the recognition and classification of different postures and behaviors of vehicle drivers
Type de document :	texte imprimé
Auteurs :	Hamitouche,Ilyes, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2018
Importance :	1 vol (71 f .)
Format :	29 cm
Langues :	Anglais (eng) Langues originales : Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Deep learning Réseau de neurons convolutionnel Reconnaissance Des postures Apprentissage automatique Data mining Tensorflow
Index. décimale :	004 Informatique
Résumé :	Résumé Ce travail présente un nouveau système qui applique le réseau de neurons convolutionnel pour détecter automatiquement et prédire les postures des conducteurs. L’idée principale est de surveiller les informations discriminantes extraites pour prédire les différentes postures de conduite. L’approche a été testée et vérifiée à l’aide du base de données State Farm distracted driver, qui comprend des images couvrant dix positions de conduite différentes, y compris la conduite normal (sécurisée), parler au téléphone main droite/main gauche, manipuler la radio, parler avec le passager etc. Comparé à d’autres approches populaires avec des descripteurs d’image et des méthodes de classification différents, notre modèle a obtenu les meilleures résultats.
Note de contenu :	Sommaire List of Tables 9 List of Figures 11 1 Introduction 1 1.1 Thesis objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Background 3 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Why DataMining (Motivation) ? . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 Type of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3.1 Data of DataBases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3.2 Data of DataWarehouses . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.3.3 Transactional data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4 DataMining techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.1 Association rules mining . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.4.3 Prediction technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.4 Clustering technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.5 Outlier analysis technique . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5 DataMining Task Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.6 What isMachine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.6.1 Some Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7 Machine learning techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.7.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.7.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8.2 Support vector machine . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.8.3 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.8.4 Randomforests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 CONTENTS 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Deep Learning Overview: A new artificial intelligence alternative. 23 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2 Concepts and definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.3 Deep Learning architectures types . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3.1 Deep Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.2 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . 28 3.3.4 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.5 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Image and video processing . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.2 Speech and audio processing . . . . . . . . . . . . . . . . . . . . . . . 34 3.4.3 Text Analysis and Natural Language Processing . . . . . . . . . . . . 35 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4 Literature review 37 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2 Posture recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2.2 Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 Human postures recognition methods . . . . . . . . . . . . . . . . . . . . . . 40 4.3.1 Intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.2 Non-intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.4 Postures recognition methodology . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.4 Feature Extrcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4.5 Recognition and classification . . . . . . . . . . . . . . . . . . . . . . 43 4.5 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5 Methodology and tools 47 5.1 Dataset, Preprocessing and features extraction . . . . . . . . . . . . . . . . . 47 CONTENTS 5.1.1 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.1.2 Preprocessing and Feature extraction . . . . . . . . . . . . . . . . . . 49 5.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.3 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.5 Scikitlearn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.6 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3.2 Poposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.3.3 CNN Confugirations results . . . . . . . . . . . . . . . . . . . . . . . . 54 5.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.1 First configuration results . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.2 Second configuration results . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.3 Randomforest results . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6 Conclusion 61 Bibliography 63
Côte titre :	MAI/0227
En ligne :	https://drive.google.com/file/d/1g4J8M_tIvqVfAv0bAQQkVVw_UHQwsibf/view?usp=shari [...]
Format de la ressource électronique :	pdf

Deep learning for the recognition and classification of different postures and behaviors of vehicle drivers [texte imprimé] / Hamitouche,Ilyes, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (71 f .) ; 29 cm.
Langues : Anglais (eng) Langues originales : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Deep learning Réseau de neurons convolutionnel Reconnaissance Des postures Apprentissage automatique Data mining Tensorflow
Index. décimale :	004 Informatique
Résumé :	Résumé Ce travail présente un nouveau système qui applique le réseau de neurons convolutionnel pour détecter automatiquement et prédire les postures des conducteurs. L’idée principale est de surveiller les informations discriminantes extraites pour prédire les différentes postures de conduite. L’approche a été testée et vérifiée à l’aide du base de données State Farm distracted driver, qui comprend des images couvrant dix positions de conduite différentes, y compris la conduite normal (sécurisée), parler au téléphone main droite/main gauche, manipuler la radio, parler avec le passager etc. Comparé à d’autres approches populaires avec des descripteurs d’image et des méthodes de classification différents, notre modèle a obtenu les meilleures résultats.
Note de contenu :	Sommaire List of Tables 9 List of Figures 11 1 Introduction 1 1.1 Thesis objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Background 3 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Why DataMining (Motivation) ? . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 Type of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3.1 Data of DataBases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3.2 Data of DataWarehouses . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.3.3 Transactional data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4 DataMining techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.1 Association rules mining . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.4.3 Prediction technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.4 Clustering technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.5 Outlier analysis technique . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5 DataMining Task Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.6 What isMachine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.6.1 Some Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7 Machine learning techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.7.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.7.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8.1 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.8.2 Support vector machine . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.8.3 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.8.4 Randomforests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 CONTENTS 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Deep Learning Overview: A new artificial intelligence alternative. 23 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2 Concepts and definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.3 Deep Learning architectures types . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3.1 Deep Autoencoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.2 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . 28 3.3.4 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.5 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4 Deep Learning Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Image and video processing . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.2 Speech and audio processing . . . . . . . . . . . . . . . . . . . . . . . 34 3.4.3 Text Analysis and Natural Language Processing . . . . . . . . . . . . 35 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4 Literature review 37 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2 Posture recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2.2 Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 Human postures recognition methods . . . . . . . . . . . . . . . . . . . . . . 40 4.3.1 Intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.3.2 Non-intrusive techniques . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.4 Postures recognition methodology . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.1 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4.4 Feature Extrcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4.5 Recognition and classification . . . . . . . . . . . . . . . . . . . . . . 43 4.5 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5 Methodology and tools 47 5.1 Dataset, Preprocessing and features extraction . . . . . . . . . . . . . . . . . 47 CONTENTS 5.1.1 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.1.2 Preprocessing and Feature extraction . . . . . . . . . . . . . . . . . . 49 5.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.3 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.4 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.5 Scikitlearn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2.6 Google Colaboratory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3.2 Poposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.3.3 CNN Confugirations results . . . . . . . . . . . . . . . . . . . . . . . . 54 5.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.1 First configuration results . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.2 Second configuration results . . . . . . . . . . . . . . . . . . . . . . . 55 5.4.3 Randomforest results . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6 Conclusion 61 Bibliography 63
Côte titre :	MAI/0227
En ligne :	https://drive.google.com/file/d/1g4J8M_tIvqVfAv0bAQQkVVw_UHQwsibf/view?usp=shari [...]
Format de la ressource électronique :	pdf