Système d’annotation et de détection de modèle de véhicule Université de Sfax *** Institut Supérieur d’Informatique et de Multimédia de Sfax Réalisé par.

Présentation au sujet: "Système d’annotation et de détection de modèle de véhicule Université de Sfax *** Institut Supérieur d’Informatique et de Multimédia de Sfax Réalisé par."— Transcription de la présentation:

1 Système d’annotation et de détection de modèle de véhicule Université de Sfax *** Institut Supérieur d’Informatique et de Multimédia de Sfax Réalisé par Hédia Ben Taleb & Héla Aidi Encadré par : Mr Bassem Bouaziz Année Universitaire: 2011-2012 1

2 PlanPlan 2

3 IntroductionIntroduction 3

4 Contexte du projet 4

5 Limites des systèmes existants demeure un problème complexe et non parfaitement résolu Complexité de manipulations La plupart des articles générés sont difficiles à interpréter Besoin de suivi de la sécurité des services de contrôle 5

6 PlanPlan 6

7 Solutions Proposées Avoir une résolution des problèmes des systèmes existant Générer un rapport détaillé et facile à interpréter Faciliter la manipulations Assure une sécurité satisfaisante 7

8 PlanPlan 8

9 Méthodologie utilisée « RUP »  RUP est un processus itératif qui se compose de quartes phase  Chaque phase contient plusieurs itérations  Pour chaque itération on trouve la phase de spécification des besoins InceptionConceptionConstructionTransition Il s’agit de décrire quelle vision on a du produit final et où on veut aller, de réaliser une étude de rentabilité et de définir le projet. Il s’agit de ¤ planifier les activités et les ressources nécessaires à la réalisation du projet ¤ spécifier les fonctionnalités ¤ concevoir l’architecture Il s’agit de ¤ planifier les activités et les ressources nécessaires à la réalisation du projet ¤ spécifier les fonctionnalités ¤ concevoir l’architecture Il s’agit de construire le système et de faire évoluer la vision, l ’architecture et les plans de développement jusqu’à l ’obtention d’un produit prêt à être testé. Il s’agit de soumettre le produit aux utilisateurs (béta-test) 9

10 Modélisation Conceptuelle  Modélisation des besoins  Identification d’acteur : Chercheur 10

11 11

12 12

13 13

14 14

15 15

16 Modélisation Conceptuelle ImageVéhicule (Id_img, Longueur, Largeur, x, y, # Id_img) Collection image (Id_col, Taille, Nbr_img,# nom_classifieur, # Nom_desc) Marque (nom_marque, # Id_img, # nom_classifieur) Classifieur (nom_clasifieur, # nom_marque, # Id_img) Descripteur (Nom_desc, Type_desc, # Nom_att) 16

17 Modélisation Conceptuelle Attributs (Nom_att, Type_att, dynamique_att, défaut_att, # nom_rég, # libellai) Région d’intérét (nom_rég, # Nom_att) Descripteur texuel (libellai) Forme (libellai, # Nom_att) 17

18 PlanPlan 18

19 Environnement de développement 19

20 Architecture de notre Application 20 Annoter l’image Extraire fichier XML Extraire contenu Sauvegarder Classification Définir la Marque Architecture de notre Application

21 Méthode de classification utilisée 21  Réseaux de Neurones

22 22 Réseaux de neurones synapse Noyau poids Dendritesentrées Fonction de transfert Axone Sortie f(..) w x

23 23 Réseaux de neurones Un neurone formel : Est une fonction algébrique non linéaire et bornée, dont la valeur dépend de paramètres appelés coefficients synaptique ou poids Poids : Est une valeur numérique associé à une connexion entre deux unités qui reflète la force de la relation entre ces deux unités. Apprentissage d’un réseau : les caractéristiques (poids) du réseau sont modifiées jusqu’à ce que le comportement désiré soit obtenu.

24 24 Un réseau de neurones artificielle : est un circuit composé d'un nombre très important d'unités de calcul simples basées sur des neurones formels. Réseaux de neurones

25 25 Architecture d’un réseaux de neurones

26 26 exempleexemple  MLP(multi-layer perceptron) Couche d’entrer Couche de sortie Couche cachée

27 27 AvantagesAvantages Classifieur très précis (si bien paramétré). Apprentissage automatique des poids. Possibilité de faire le parallélisme (les éléments de chaque couche peuvent fonctionner en parallèle). Résistance aux pannes (si un neurone ne fonctionne plus, le réseau ne se perturbe pas).

28 28 InconvénientsInconvénients Détermination de l’architecture du réseau est complexe. Paramètres difficiles à interpréter (boite noire). Difficulté de paramétrage surtout pour le nombre de neurone dans la couche cachée.

29 Au niveau des connaissances techniques De comprendre le processus d’annotation et de détection de modèle de véhicule De maitriser le réseaux de neurones en utilisant Le logiciel Weka Enrichir nos connaissances en termes de programmation Java Au niveau de la conception et du développement Appliquer une méthodologie de développement Se familiariser avec la modélisation orienté objet ApportsApports 29

30 PlanPlan 30

31 Conception et mise en œuvre d’un système d’annotation et de détection de modèle de véhicule qui : Avoir une résolution des problèmes des systèmes existant Générer un rapport détaillé et facile à interpréter Faciliter la manipulations Assure une sécurité satisfaisante Application de la méthodologie RUP Implémenter un classifieur MLP à travers un réseau de neurones Conclusion et Perspective 31

32 Conclusion et Perspective Ajouter ou d’améliorer d’autres attributs aux vecteurs qui caractérisent le véhicule 32

33 33