Utilisation de l’Analyse Automatisée des Images pour la Reconnaissance des Expressions Faciales
Des informations générales:
Le niveau |
Master |
Titre |
Utilisation de l’Analyse Automatisée des Images pour la Reconnaissance des Expressions Faciales |
SPECIALITE |
GENIE LOGICIEL |
Page de garde:
Sommaire:
1.1 .Introduction
Qu’est-ce que la vision par ordinateur ?.
.Complexité du système de la vision par ordinateur.
Système visuel humain
Comment les humains comprennent-ils le contenu de l’image ?
Pourquoi est-il difficile pour les machines de comprendre le contenu des images?
.Conclusion
. Introduction
2 Propriétés des caractéristiques de l’image
3 Détection, description des caractéristiques de l’image.
3.1 Extraction des points clés
Détecteurs de caractéristique invariants à la rotation.
3.1.1.1 Détecteur Hessian
3.1.1.2 Détecteur Harris
3.1.1.3 Laplacian of Gaussian (LoG).
3.1.1.4 Difference of Gaussian (DOG).
Les descripteurs
3.2.1 SIFT
3.2.2 SURF
3.2.2.1 Détection et localisation de points clés
3.2.2.2 Orientation assignement
HOG
BinaryRobust Independent Elementary Features
3.2.5 Local Binary Pattern
4 Apprentissage automatique pour la reconnaissance des émotions
5 Machine Learning pour la classification des images
5.1 Apprentissage supervisé.
Classification
5.1.1.1 Support Vector Machines
5.1.1.2 K-Naerest Neighbor.
5.1.1.3 Naive Bayes.
Apprentissage non supervisé
Clustering
5.2.1.1 K-means
5.2.1.2 Ascending hierarchical classification
6 Réduction de dimension en utilisant ACP
7 Les réseaux de neurones et Deeplearning
7.1 Classification des réseaux de neurones.
Types de réseau de neurones profond
7.1.1.1 Convolutional neural networks
Différence entre l’apprentissage automatique et l’apprentissage profond 30
8 Quand utiliser ML ou DL?.
9 Conclusion
Bibliographie
Qu’est-ce que la vision par ordinateur ?.
.Complexité du système de la vision par ordinateur.
Système visuel humain
Comment les humains comprennent-ils le contenu de l’image ?
Pourquoi est-il difficile pour les machines de comprendre le contenu des images?
.Conclusion
. Introduction
2 Propriétés des caractéristiques de l’image
3 Détection, description des caractéristiques de l’image.
3.1 Extraction des points clés
Détecteurs de caractéristique invariants à la rotation.
3.1.1.1 Détecteur Hessian
3.1.1.2 Détecteur Harris
3.1.1.3 Laplacian of Gaussian (LoG).
3.1.1.4 Difference of Gaussian (DOG).
Les descripteurs
3.2.1 SIFT
3.2.2 SURF
3.2.2.1 Détection et localisation de points clés
3.2.2.2 Orientation assignement
HOG
BinaryRobust Independent Elementary Features
3.2.5 Local Binary Pattern
4 Apprentissage automatique pour la reconnaissance des émotions
5 Machine Learning pour la classification des images
5.1 Apprentissage supervisé.
Classification
5.1.1.1 Support Vector Machines
5.1.1.2 K-Naerest Neighbor.
5.1.1.3 Naive Bayes.
Apprentissage non supervisé
Clustering
5.2.1.1 K-means
5.2.1.2 Ascending hierarchical classification
6 Réduction de dimension en utilisant ACP
7 Les réseaux de neurones et Deeplearning
7.1 Classification des réseaux de neurones.
Types de réseau de neurones profond
7.1.1.1 Convolutional neural networks
Différence entre l’apprentissage automatique et l’apprentissage profond 30
8 Quand utiliser ML ou DL?.
9 Conclusion
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.