UE E8-A3 TSI

Le cours couvre les aspects essentiels de la théorie de codage de source utilisés pour la conception d'algorithmes de compression de signaux. Après un bref rappel des grands principes de la théorie de l'information, nous étudions les traitements du signal visant à limiter le débit binaire nécessaire à la transmission des signaux, tels que l'image ou la vidéo. Ces traitements sont illustrés grâce aux principales normes de compression dédiées aux signaux multimedia (JPEG et MPEG).

Voir la page complète

Cet enseignement s'inscrit dans la continuité des cours de signal continu et traitement numérique du signal enseignés les semestres précédents.
L'objectif de ce cours est de proposer une méthodologie pour mener à bien une approche d'estimation en traitement du signal qui peut être développée à BAC+4, en s'appuyant sur les notions de base de type transformée de Fourier, fenêtrage et filtrage linéaire. Cette démarche peut être utile pour mener à bien des approches de classification de signaux s'appuyant sur l'extraction de "signatures" et des approches de type machine learning.
Pour cela, les aspects de caractérisation temporelle, fréquentielle (de la transformée de Fourier d'un signal à temps continu au périodogramme) et temps-fréquence (spectrogramme) sont dans un premier temps abordés. Des compléments de cours sur la catactérisation des filtres linéaires sont aussi donnés.
Puis, sur la base d'un exemple en traitement de la parole, on propose de modéliser le signal, en justifiant ce choix de modèle, puis d'estimer les paramètres du modèle. L'intérêt de cette démarche est mis en avant pour la compression et la classification de signaux de parole.
Enfin, alors que le cours de traitement numérique du signal du semestre 7 se fonde sur la caractérisation des filtres linéaires (RIF/RII, causalité, etc.), nous abordons la synthèse de filtres numériques au travers de différentes méthodes. La notion de filtrage adapté est enfin présenté.

Voir la page complète

Ce cours concerne les approches d'apprentissage profond (Deep Learning)

Voir la page complète

L'objectif de cet enseignement est de familiariser les étudiants avec le traitement numérique des images, ses concepts, ses méthodes de base et ses applications

Voir la page complète