Chapitre 1 - Introduction À La RDF

2ème MP.
Infotronique ISTIC
Pattern Recognition
2ème MP. Infotronique
Chapitre 1 : Introduction à la RdF
Asma NAJJAR
ISTIC 2024-2025
Introduction
• Une vidéo pour commencer
YOLO
You Only Look Once

• Un système de détection d’objets en temps réel
Asma Najjar 1
2ème MP. Infotronique ISTIC
Exemples d’applications
• Reconnaissance de l’écriture manuscrite
3 6
…
3 6
… … 3
• Vision par ordinateur
– Classification
• Identifier, automatiquement, la nature des objets dans
les images
Asma Najjar 2
• Vision par ordinateur
– Identification d’objets
• Biométrie
– Reconnaissance faciale
– Reconnaissance d’empreinte digitales
– Reconnaissance de l’IRIS
Asma Najjar 3
• Reconnaissance de la parole
– Reconnaissance du locuteurs : Parmi 10 personnes,
qui parle ?
– Parmi ces 20 mots, lequel la personne "x" a dit ?
– Dictée vocale : Transcrire de la voix humaine sous la
forme d'un texte exploitable par une machine.
Introduction
• Reconnaissance de formes (RdF)
– En anglais : Pattern recognition
– Identifier des motifs (formes) à partir de données

brutes afin de prendre une décision dépendant de
la catégorie attribuée à ce motif (forme)
Asma Najjar 4
Introduction
• Forme/Motif (Pattern)
– Un ensemble d’instances (objets)
• Se partagent certaines régularités et similarités
• Répétables
• Observables (parfois partiellement)
• Peuvent présenter des bruits et des distorsions
– Exemples : empreintes digitales, écriture

manuscrite, visages, parole, images d’objets, …
Introduction
• La RdF consiste à étudier comment rendre les
machines capables, automatiquement, de :
– Apprendre à extraire des structures d’intérêt,
– Prendre des décisions en observant des données
– Reconnaître ou classifier des formes
• La reconnaissance de motifs est effectuée au moyen

de divers algorithmes d'apprentissage automatique.
10
Asma Najjar 5
Introduction
• L’apprentissage automatique
– Domaine s’intéressant à la conception et le
développement d’un ensemble d’algorithmes qui
permettent à une machine d’apprendre à
résoudre un problème spécifique à partir de
données.
La machine doit
récupérer les données
comme un Input
11
Exemple
• Exemple de reconnaissance chez l’être humain
– Un amateur doit apprendre à distinguer deux types de
oiseaux se trouvant sur la plage
• Distinguer une mouette rieuse d’un goéland.
Comment l’amateur doit procéder ?
12
Asma Najjar 6
Exemple
• Il faut se baser sur des critères pour, visuellement,
distinguer les deux oiseaux.
• L’amateur a besoin d’un expert, pour lui apprendre

comment faire la différence entre les deux oiseaux, en
utilisant ces critères!!
• Pour simplifier le problème, supposons que :

– Il n’y a pas d’autres oiseaux sur la mer
– On se base seulement sur deux critères
• La taille des oiseaux
• La couleur des plumes des oiseaux
13
Exemple
• 1ère étape  Observation
– L’amateur peut prendre des mesures de certains oiseaux
qu’il voit et dresser un graphe en fonction des critères.
14
Asma Najjar 7
Exemple
• 2ème étape  étiquetage de l’expert
15
Exemple
• 3ème étape  Règle d’apprentissage
– Il faut maintenant que l’amateur trouve une règle
permettant de séparer les exemples en minimisant l’erreur.
Exemple : 1ère règle Exemple : 2ème règle
16
Asma Najjar 8
Exemple
• 4ème étape Généralisation
– Appliquer la règle déterminée pour prédire
(reconnaître) le type d’un oiseau qui n’appartient pas
à l’ensemble déjà observé
• Remarque : Pour que la règle de séparation soit

considérée comme bonne, elle doit posséder de bonnes
propriétés de généralisation
• Doit fonctionner au mieux non pas seulement sur les
exemples étiquetés par l’expert mais aussi sur des exemples
non déjà observés .
17
Processus de reconnaissance
Algorithme de d’apprentissage
automatiques
Données bruts Transformer les Résultat de la

(image, vidéo, données "PREDIR" prédiction
parole,…)
Amélioration de la qualité
Nettoyage
Extraction de attributs
(Feature extraction)
18
Asma Najjar 9
• Transformation de données : Pourquoi ?
– Exemples de problèmes liés aux données
• Point de vue sous lesquels on les observe
• Conditions d’acquisition
19
• Variabilité intra-classe
– Différences entre les objets de la même classe
• Variabilité interclasse
– Différences entre deux objets différents
20
Asma Najjar 10
• Occlusion
• Déformations naturelles
21
– Exemple de problèmes liés aux données
• Réduction de dimensionnalité
– Les données sont rarement de taille raisonnable.
» Exemple: une image couleur 256x256x3=196608 valeurs
Application de certaines transformation aux données initiaux .
Il faut adopter une représentation des données de

taille raisonnable avec le moins possible de perte
d'informations
22
Asma Najjar 11
• Transformer les données : Comment?
– Nettoyer les données
• Les données ne peuvent pas être considérées dans leur état initial
mais doivent être préparées avant qu’elles soient exploitées.
– Décrire les données
• Extraction des attributs (Feature Extraction)
 L’objectif est d’avoir des données pertinentes qui seront utiles

pour la prédiction.
• La discrétisation des données continues
• Le traitement de bruit
• Le choix des attributs à utiliser pour la description
23
• Utilisation une représentation de l’instance plutôt que
l’instance elle-même.
• Représentation de l’instance = Attributs ou Descripteurs
= Features (en anglais).
• Les attributs sont symbolisés grâce à un espace de
représentation noté X.
• Si un objet est représenté par d informations alors X est un
espace de dimension d.
Exemples
• Chaque oiseau (Mouette, Goéland) est représenté par deux
informations (taille et couleur des plumes )  donc X est un espace
bi-dimensionnel.
• Un point dans l’espace est représenté par 3 valeurs numériques (les
coordonnées)  donc X = R3 24
Asma Najjar 12
• Chaque instance o est représentée par d attributs.
o={a1,…,ai,…ad}
• Nous possédons un échantillons de données qui
contient m instances {o1,…,oj,…, om}
L’ensemble de données seront sous la forme d’une
matrice de taille md
Les attributs Les attributs
a1 a2 ad
o1 …. Exemple Taille Couleur
Les oiseaux
o1
instances
o2 23 …
Les
….
om om 21 …
25
• Exemple : Classification des images d’objets
– Identifier, automatiquement, la nature des objets dans les
images
• Une instance o  Une image
– Image à niveau de gris (Pour simplifier le problème)
• Les attributs  Moyen de décrire une image
– Exemple de description :
• Histogramme : le nombre de fois ou chaque couleur au niveau
de gris apparaît dans l’image.
• Il y 256 niveaux de gris  d=256
26
Asma Najjar 13
• Suite de l’exemple sur la classification Représentation
vectorielle
Image Description Histogramme de l’Histogramme
101080 0 ….. 0 5059
0 …. 255
123 234 ….. 0 59
0 …. 255
133 24 ….. 5 45
0 …. 255
27
Introduction
• Processus détaillé de reconnaissance
Algorithme de d’apprentissage
automatiques
Données bruts Résultat de la

(image, vidéo, Prétraitement Description "Prédire"
classification
parole,…)
Transformer les données

28
Asma Najjar 14
• Les algorithmes de Machine Learning (ML)
– L’apprentissage non-supervisé
• Aucun expert n’est disponible. L’algorithme doit
découvrir par lui-même la structure des données.
– L’apprentissage supervisé
• un expert est employé pour étiqueter correctement des
exemples (instances).
– L’apprentissage par renforcement
• l’algorithme apprend un comportement.
• Il repose sur le principe d’essai/erreur.
29
• Les algorithmes de Machine Learning (ML)
Apprentissage Apprentissage non

supervisé supervisé
Apprentissage par
renforcement
30
Asma Najjar 15

Chapitre 1 - Introduction À La RDF

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1 - Introduction À La RDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 1 - Introduction À La RDF

Transféré par

Droits d'auteur :

Formats disponibles

2ème MP.

2ème MP. Infotronique

Chapitre 1 : Introduction à la RdF

You Only Look Once

– Reconnaissance d’empreinte digitales

– En anglais : Pattern recognition

– Identifier des motifs (formes) à partir de données

– Exemples : empreintes digitales, écriture

• La reconnaissance de motifs est effectuée au moyen

• Distinguer une mouette rieuse d’un goéland.

Comment l’amateur doit procéder ?

• L’amateur a besoin d’un expert, pour lui apprendre

• Pour simplifier le problème, supposons que :

• Remarque : Pour que la règle de séparation soit

Données bruts Transformer les Résultat de la

Application de certaines transformation aux données initiaux .

Il faut adopter une représentation des données de

 L’objectif est d’avoir des données pertinentes qui seront utiles

101080 0 ….. 0 5059

123 234 ….. 0 59

• Processus détaillé de reconnaissance

Données bruts Résultat de la

Transformer les données

Apprentissage Apprentissage non

Vous aimerez peut-être aussi