Semestre 9 - Traitement du signal et de l'image

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE

Connaître plusieurs types de modèle qui peuvent être exploitées pour représenter les signaux dans différents contextes applicatifs : (C3, N3)
Connaître et comprendre différentes approches d'estimation pouvant reposer des filtrages adaptatifs de type LMS et RLS ou les filtres de Kalman (standard ou étendu) : (C3, N3)
Connaître les principes généraux du traitement du signal radar, de l'émission à la réception : (C2, N2)
Connaître les bases du pistage d'objet dans le domaine du radar : (C3, N3)

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Etre en mesure de définir les modélisations des signaux et des systèmes étudiés les plus appropriés : (C3, N3)
Développer, simuler, évaluer et valider des approches de traitement du signal reposant sur des techniques d'estimation de paramètres, dans le cadre d'une application donnée : (C3, N3)
Evaluer l'utilité de chaque bloc de la chaîne radar, de la sélection de la forme d'onde au bloc d'information en passant par l'étage RF et le bloc de réception de traitement du signal : (C2, N2)

Voir la page complète

Ce cours a pour objet de présenter les techniques de traitement du signal appliquées au radar

Voir la page complète

De nombreux phénomènes aléatoires se manifestent dans la nature : c'est le cas des fluctuations de la température, de la pression atmosphérique, etc. En électronique et en télécommunications, l'étude des processus aléatoires est utile notamment dans le contexte des communications numériques certains signaux sont impossibles à caractériser a priori. L'exploitation des processus aléatoires est aussi à la base de nombreuses approches en traitement du signal, que ce soit pour caractériser le contenu fréquentiel du signal (analyse spectrale), ou pour débruiter, coder et tatouer un signal de parole. Plus généralement, les sources d'information telles que le son, les images sont aléatoires et varient dans le temps.
Le cours de processus aléatoire/théorie de l'information vise donc à introduire les propriétés et les outils de traitement des phénomènes variant aléatoirement dans le temps. Il sert notamment pour les enseignements de traitement du signal et d'automatique.

Voir la page complète

L'objet de ce cours est de présenter les outils de base pour développer des approches paramétriques en
traitement du signal. Cela comprend une réflexion sur la modélisation des signaux, les techniques d'estimation
des paramètres associés ainsi qu'une présentation des filtrages adaptatifs de type LMS ou RLS. Enfin, le filtrage de Kalman est traité dans le cas d'une représentation de l'espace d'état linéaire. Ces approches peuvent être déclinées dans différentes applications (parole, communication mobile, radar, etc.)

Voir la page complète

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE

Connaître les principes de la segmentation dans une chaîne de traitement : (C1, N2)
Connaître les méthodes de segmentation de régions (division/fusion, modèles markoviens, croissance de germes, ligne de partage des eaux) : (C1, N3)
Connaître les méthodes de segmentation de frontières basés sur des opérateurs dérivatifs (Sobel, Prewitt, Kirch, Mdif, Nagdif, Laplacien, Canny) : (C1, N3)
Acquérir les notions de morphologie (élément structurant, opérations basiques ou avancées, connexité) : (C1, N2)
Connaître des algorithmes de labellisation et leurs applications (granulométrie, squelettisation, filtres morphologiques, etc.) : (C1, N2)
Connaître le modèle d'une caméra sténopée et le modèle homographique : (C1, N2)
Connaître les formalismes des transformations 3D rigides (rotation et translation d'une caméra dans un environnement 3D) : (C1, N2)
Acquérir les notions de géométrie épipolaire (matrice essentielle et matrice fondamentale) : (C1, N3)

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Segmenter une image avec la technique de la ligne de partage des eaux : (C2, N3)
Mettre en oeuvre une labellisation selon un algorithme à deux passes : (C2, N3)
Utiliser des API de vision par ordinateur (détection de points d'intérêts, appariement, etc.) : (C2, N2)
Implémenter les algorithmes de type RANSAC, "Bundle Adjustment" et "Semi-Global Matching" : (C2, N3)
Mettre en oeuvre une chaîne de traitement d'une séquence vidéo basée sur le mouvement (calcul du flot optique, représentation du champ dense de mouvement, segmentation des régions de fort déplacement) : (C5, N3)
Segmenter une image en régions par une approche statistique : (C2, N2)
Estimer l'orientation d'une région dans une partition : (C2, N2)
Appliquer une rotation à une image en utilisant une interpolation bilinéaire : (C2, N2)

Voir la page complète

L'objectif de ce cours est de présenter les grandes familles d'approches permettant de réaliser la segmentation d'une image, c'est- à-dire la partition d'une image en différentes zones représentant chacune un objet caractéristique, ainsi que les bases de la morphologie mathématique appliquée aux images.

Voir la page complète

Cet enseignement a pour objectif de s'initier aux problématiques spécifiques de la vision par ordinateur et notamment le traitement des séquences vidéo

Voir la page complète

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE

Aquérir les notions de reconnaissance de formes (représentations et descripteurs, identification/classification, apprentissage, Machine/Deep Learning) : (C1, N3)
Connaître les descripteurs de contours et de régions (facteurs de forme, moments, descripteurs de fourier, CSS, enveloppe, squelette) : (C1, N3)
Connaître les principales méthodes de Machine Learning : (C1, N4)
Connaître les principes et les architectures de Deep Learning : (C1, N3)

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Déterminer le contour d'une région binaire : (C2, N2)
Reéchantillonner un contour de longueur quelconque en un nombre donné de points : (C2, N3)
Reconnaitre des caractères d'imprimerie par descripteurs de Fourier et classification : (C2, N4)
Implémenter quelques architectures Deep Learning en Python pour des applications de détection ou de segmentation : (C2, N3)

Voir la page complète

L'intelligence artificielle (IA) a reçu un considérable essor ces dernières années, notamment grâce à l'utilisation des cartes graphiques et la capacité de nos ordinateurs qui ne cessent d'évoluer. Un nouveau challenge consiste à pouvoir embarquer ces algorithmes intelligents sur des systèmes contenant des capacités restreintes.
Le cours porte sur trois axes principaux :

Brève exposition des différentes techniques d'IA et architectures, plus particulièrement des réseaux de neurones.
Utilisation et création de conteneurs docker avec installation du framework Keras et de ses dépendances.
Utilisation et création de modèles de réseaux de neurones dans Keras.

Le développement complet d'une application légère de reconnaissance de caractères manuscrits capturés à partir d'une caméra sera envisagé. Afin d'arriver à ce résultat, il sera nécessaire de créer sa propre base de données et de déterminer quelles seront les données utilisées pour l'apprentissage et celles utilisées pour tester l'efficacité de l'algorithme.
L'implémentation de la phase d'apprentissage d'un réseau de neurones sera effectuée sur un ordinateur à partir d'un conteneur docker possédant les bibliothèques nécessaires à l'utilisation de Keras (framework d'IA). Une fois, le modèle d'apprentissage fixé, l'implémentation de la phase d'inférence (ou de production) pourra être entreprise. Cette dernière sera codée en langage C et embarquée sur une carte type Raspberry Pi ou autre.

Voir la page complète

Ce cours concerne la reconnaissance de formes à l'aide de descripteurs classiques ("région" et "contour") et de méthodes de classification (Machine Learning)

Voir la page complète

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

Voir la page complète

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE

Acquérir les notions qui concernent les pointeurs en Langage C dans les algorithmes de traitement de signal au sens large : (C1, N3)
Connaître les syntaxes permettant la mise en oeuvre des pointeurs de données et de fonctions en Langage C : (C1, N4)
Connaître les différentes méthodes d'accélération d'algorithmes de calcul, l'architecture des GPU et les performances atteignables par les GPU comparées à celles des CPU : (C1, N2)
Connaître les principes de l'implémentation de traitements parallèles accélérés sur GPU au moyen de CUDA : (C1, N3)
Connaitre les différents algorithmes de block-matching (stratégies de recherche et critères de ressemblance) : (C1, N4)

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Maîtriser la mise en oeuvre de pointeurs en Langage C dans des algorithmes de traitement de signal au sens large : (C2, N4)
Analyser, corriger, faire évoluer une implémentation mettant en oeuvre des pointeurs en Langage C : (C2, N3)
Implémenter des algorithmes classiques de traitement du signal au sens large en CUDA : (C2, N3)
Mesurer les temps d'exécution des différents blocs d'une chaine de compression vidéo : (C2, N3)
Evaluer les performances obtenues (temps d'exécution et qualité) en remplaçant un bloc de calcul de vecteurs de mouvement à forte complexité calculatoire par un algorithme alternatif adapté : (C2, N4)
Présenter un compromis temps/précision : (C5, N3)

Voir la page complète

Les composants matériels reconfigurables du type FPGA (Field Programmable Gate Array) sont, depuis le début des années 2000, de réelles alternatives aux composants matériels spécifiques ASIC (Application Specific Integrated Circuit). Dans le cadre du traitement du signal, l'exploitation du parallélisme matériel des FPGA permet d'obtenir des performances supérieures aux classiques implémentations ciblant des DSP (Digital Signal Processor). Pour augmenter l'adéquation des FPGA au domaine du traitement du signal, les fabricants de circuits ont fait évoluer leurs produits au niveau architectural (apparition dans les circuits de blocs arithmétiques matériels dédiés au traitement du signal) et au niveau logiciel (développement d'outils de conception de haut niveau liées aux outils de développement des algorithmes comme Matlab). Les FPGA sont donc aujourd'hui des composants de premier plan pour l'implémentation d'applications du traitement du signal.


Cet enseignement propose de fournir les connaissances et les méthodes pour implémenter efficacement des applications orientées traitement du signal en ciblant un circuit du type FPGA.

Voir la page complète

Le langage C est l'un des meilleurs choix possibles pour l'implémentation efficace d'algorithmes de traitement du signal. Son utilisation requiert une maitrise parfaite des pointeurs qui sont abordés dans cet enseignement sous tous leurs aspects : passage par référence, tableaux, allocation et transtypage, arithmétique de pointeurs, pointeurs génériques, pointeurs de pointeurs ou encore pointeurs de fonctions. Chacun de ces différents points donne lieu à une implémentation de traitement d'image. Un intérêt tout particulier est porté à l'optimisation au sens large : génie logiciel (cohérence d'écriture, structuration, etc) et amélioration de la vitesse d'éxécution.

Voir la page complète

L'objectif est ici d'implémenter quelques applications de traitement des images au moyen d'algorithmes d' intelligence artificielle et d'évaluer les performances des résultats obtenus.

Voir la page complète

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Acquérir en faible supervision de nouvelles connaissances en lien avec une problématique d'intérêt ou industrielle : (C6, N3)
Identifier des solutions algorithmiques au problème posé : (C4, N3), (C5, N3)
Travailler en équipe de 4 ou 5 personnes (identification et répartition des tâches, coordination et validation des travaux, information sur l'état d'avancement) : (C7, N3)
Produire des délivrables (état de l'art, preuve de concept, démonstrateur, rapport, etc.) au fil d'un projet : (C8, N3), (C9, N3)
Présenter de manière synthétique et pédagogique le travail réalisé aussi bien à l'écrit qu' à l'oral et répondre à des questions techniques et scientifiques : (C8, N3)

Voir la page complète

Ce projet se déroule pendant la totalité du 5ème semestre par groupes de 4 élèves. Il permet d'approfondir, par une expérience pratique, les matières enseignées pendant les deux premières années. Chaque projet est encadré par un enseignant-chercheur.

Voir la page complète

Voir la page complète

Niveau de connaissances (savoirs) :

N1 : débutant
N2 : intermédiaire
N3 : confirmé
N4 : expert

Les connaissances (savoirs) attendues à l'issue des enseignements de l'UE

Maitriser l'anglais et connaître d'autres cultures (C10, N1 à N4)

Les acquis d'apprentissage en termes de capacités, aptitudes et attitudes attendues à l'issue des enseignements de l'UE

Savoir communiquer avec des personnes de langues et cultures différentes (C10, N2 à N4)
Savoir s'adapter dans différents contextes, dans l'entreprise, à l'international (C10, C12, N1 à N3)
Savoir communiquer avec de spécialistes et non-spécialistes (C12, N1 à N3)
Apprendre à mieux se connaître, à s'autoévaluer, à gérer ses compétences (C13, N2 - N3)

Voir la page complète

Ce module se compose de deux parties complémentaires :
- Projet Professionnel
- Business Challenge.

Partie 1 : PROJET PROFESSIONNEL (4 heures)
Identification des sources de motivation et des forces/faiblesses/opportunités/menaces rencontrées pendant le stage de 1ere année et 2ème année se préparer à l'embauche Construire son pitch et se préparer à la soutenance du projet professionnel.
MODULE 1 :Debriefing du stage 2A,
MODULE 2 : Préparation du pitch en vue de la soutenance de projet professionnel

Partie 2 : BUSINESS CHALENGE (24 heures)
A travers une simulation l'étudiant doit :- Apprendre à développer une stratégie- comprendre les mécanismes de fonctionnement de l'entreprise ( coûts, comptabilité, finances, marketing, production...)- Analyser les résultats- Se sensibiliser au DDRSMieux comprendre les intéractions entre les différentes dimensions d'une entreprise est un des principaux objectifs de Global Challenge. Les participants devront traiter de multiples disciplines liées à la gestion en les intégrant dans une stratégie globale. De plus, les participants devront apprendre à travailler en équipe, afin de mieux analyser les implications opérationnelles et financières de leurs décision.Chaque équipe, regroupée en unité autonome de gestion, doit gérer un ensemble de produits sur un marché virtuel.

Voir la page complète

Voir la page complète

Voir la page complète