Browsing by Author "Encadreur: Elberrichi Zakaria"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    A Hierarchical Fusion Strategy in Multibiometric Authentication Systems
    (2015-05-14) Elmir Youssef; Encadreur: Elberrichi Zakaria
    الملخص (بالعربية) ملخص : أنظمة التحقق أو التعرف على الهوية متعددة القياسات الحيوية و التي تدمج المعلومات من مصادر حيوية متعددة، استفادت من مساحة أكبر في مجال الأمن وخصوصا في مجال التعرف والتحقق من هوية الأشخاص، و هذا نظرا لقدرتها على التغلب على القيود المفروضة على القياسات الحيوية الأحادية مثل عدم شمولية الصفات الحيوية، التشويش على مستوى أجهزة الاستشعار الحيوية و التغيرات الحيوية الكبيرة لنفس المستعمل ... الخ في هذه الأطروحة، تم البحث في حالة دمج البيانات الحيوية في جميع هذه الظروف من أجل انجاز نظام التحقق و التعرف على الهوية بقياسات حيوية متعددة استنادا الى دمج القياسات الحيوية للوجه، بصمة الاصبع، الصوت، الامضاء أو وريد الأصبع. وتعتمد غالبية أنظمة التحقق من الهوية متعددة القياسات الحيوية المقترحة في أحدث التقنيات الصناعية على أنظمة الدمج أو التكامل في نمط تسلسلي أو متوازي. و عكس ذلك فقد قمنا في هذه الأطروحة بالاعتماد على استكشاف استراتيجية الدمج الهرمية للاستفادة من مزايا النمطين التسلسلي والمتوازي وتحسين معدل التحقق الشامل لنظام التعرف على الهوية. بالإضافة إلى ذلك، تحسين أداء القياس الحيوي هو تحد صعب. في هذه الأطروحة، تم تقديم نظام التعرف و التحقق من الهوية متعدد القياسات الحيوية استنادا على استراتيجية دمج هرمية. وتعتمد هذه الاستراتيجية على مجموعة من عدة صفات حيوية باستخدام دمج هرمي متعدد المستويات للقياسات الحيوية. يشمل دمج القياسات الحيوية متعدد المستويات دمج قبلي مع اختيار الخصائص المثلى و دمج بعدي على أساس أقصى درجات التشابه. الحل المقترح يعزز أداء التعرف الحيوي استنادا إلى اختيار و تحديد خاصية مناسبة مثل تحليل المكون الرئيسي والتحليل الخطي المميز، تماشيا مع انعدام دعم كل مكونات الخصائص لدرجة تحسين الأداء Résumé (Français et/ou Anglais) : Résumé : Les systèmes d'authentification multi-biométriques qui fusionnent les informations de plusieurs sources biométriques, ont gagné plus d'espace dans le domaine de la sécurité et plus précisément dans le domaine de la reconnaissance et de vérification de l'identité des personnes, ce, en raison de leur capacité à surmonter les limites de la biométrie uni-modale comme la non-universalité des traits biométriques, le bruit au niveau des capteurs biométriques et la grande variation intra-utilisateur ... etc. Dans cette thèse, le cas de la fusion de données biométriques est inspecté dans toutes ces circonstances afin de réaliser un système multi-biométrique basé sur la fusion biométrique du visage, l’empreinte digitale, la voix, la signature en ligne ou la veine de doigt. La majorité des systèmes multi-biométriques proposées dans l'état de l'art des systèmes d'authentification sont basés sur la fusion ou l'intégration en mode série ou en mode parallèle, cependant, nous considérons dans cette thèse à explorer la stratégie de fusion hiérarchique pour bénéficier des avantages des deux modes; série et parallèle et améliorer le taux de reconnaissance global du système d'authentification. En outre, l'amélioration de la performance biométrique est une tâche difficile. Dans cette thèse, un système biométrique multimodal basé sur une stratégie de fusion hiérarchique, est présenté. Cette stratégie repose sur une combinaison de plusieurs caractéristiques biométriques en utilisant une hiérarchie de fusion biométrique multi-niveaux. La fusion biométrique multi-niveaux comprend une fusion de pré-classification avec la sélection optimale des caractéristiques et une fusion de post-classification basée sur la similitude de maximum de scores. La solution proposée améliore les performances de reconnaissance biométrique basée sur la sélection et la réduction appropriée des caractéristiques tels que l’analyse principale des composantes et l'analyse discriminante linéaire, autant que pas tous les composants des vecteurs de caractéristiques prennent en charge le degré d'amélioration des performances. Abstract : Multi-biometric authentication systems that fuse information from multiple biometric sources, have gain more space, in the field of security and more precisely in the field of recognition and verification of person identities, this, due to their ability to overcome the limitations of uni-biometrics as the non-universality of the biometric traits, the noise at biometric sensors level and the large intra-user variation ... etc. In this thesis, the case of the fusion of biometric data is inspected in all these circumstances in order to release a multi-biometric system based on biometric fusion of face, fingerprint, voice, online signature or finger vein. The majority of multi- biometric systems proposed in the state of the art of authentication systems are based on the fusion or integration in serial mode or parallel mode, however, this thesis consider to explore hierarchical fusion strategy to benefit from the advantages of both of serial and parallel modes and to improve the overall recognition rate of the authentication system. In addition, biometric performance enhancement is a chalange. In this thesis, a multimodal biometric system based on hierarchical strategy of fusion, is presented. This strategy combines several biometric traits based on multi-level biometric fusion hierarchy. The multi-level biometric fusion includes a prior-to-matching fusion with optimal feature selection and an after-matching fusion based on the similarity of minimum of distances. The proposed solution enhances the overall recognition performances based on feature selection and reduction using principal component analysis (PCA) or Linear discriminant analysis (LDA).
  • Thumbnail Image
    Item
    Hybridation des métaheuristiques dans le processus d’extraction de connaissances à partir de données.
    (2021-01-21) Alaoui Abdiya; Encadreur: Elberrichi Zakaria
    الملخص (بالعربية) : اكتشاف نماذج واضحة وفعالة من البيانات هو هدفنا مع التحدي الذي هو العمل مع كمية كبيرة من البيانات واستخدام خوارزميات قوية لاستخراج المعرفة الأساسية. يعد التصنيف الخاضع للإشراف من بين المهام التي تمت دراستها على نطاق واسع في استخراج البيانات. تولد هذه العملية نموذجًا عن طريق تحليل الحالات المصنفة ثم يتم استغلال هذا النموذج للتنبؤ بفئات الحالات غير المسماة. يعتمد أداء النموذج الذي تم إنشاؤه على المصنف وجودة البيانات. أهداف اختيار البيانات هي تقليل حجم البيانات والقضاء على الضوضاء من أجل تحسين جودة البيانات. يوفر اختيار البيانات دقة عالية، ووقتًا أقل للتعلم، ونماذج تنبؤية أقل تعقيدًا، وتفسير البيانات المفهومة. يُعتبر التصنيف الخاضع للإشراف واختيار البيانات من مشكلات التحسين التي يصعب حلها والتي توجد لها حلول عن طريق علم الاكتشاف المتعدد. تهجين علم الاكتشاف المتعدد مع الخوارزميات الأخرى (علم الاكتشاف المتعدد، تقنية استخراج البيانات والتعلم الآلي، ...) يسمح لتطوير مرحلة ما قبل المعالجة وبعد ذلك لبناء نموذج تعليمي فعال وقوي الذي هو مساهمة هذه الأطروحة. الكلمات الرئيسية: استخراج المعرفة من البيانات، المعالجة المسبقة للبيانات ، استخراج البيانات، التصنيف، علم الاكتشاف المتعدد، التهجين، مشاكل التحسين الصعبة Résumé (en Français) : Notre objectif est de découvrir des modèles intelligibles et efficaces à partir de données. Le challenge est de travailler avec une grande masse de données et d’utiliser des algorithmes puissants permettant d’extraire des connaissances indispensables. La classification supervisée fait partie des tâches largement étudiées dans la fouille de données. Ce processus génère un modèle en analysant des instances étiquetées. Ensuite, ce modèle sera exploité pour prédire les classes des instances, non étiquetées. Les performances du modèle généré dépendent des classifieurs et de la qualité des données. Pour cela un bon prétraitement des données, et spécialement la sélection d’attributs, permet d’obtenir une précision élevée, une durée d’apprentissage inférieure, une complexité moindre des modèles prédictifs et une interprétation compréhensible des données. La classification supervisée et le prétraitement des données sont considérés comme des problèmes d’optimisation NP-difficile qui peuvent être résolus par les métaheuristiques. Hybridation de métaheuristiques avec d’autres algorithmes (métaheuristiques, technique de fouille de données et l’apprentissage automatique,. . .) permet de développer la phase de prétraitement et la tâche de la classification supervisée par la suite de construire un modèle d’apprentissage efficient et puissant qui est la contribution de cette thèse. Les mots clés : ECD (extraction de connaissances à partir de données), prétraitement de données, sélection d’attributs, Fouille de données, classification supervisée, Métaheuristiques, Hybridation, problèmes d’optimisation difficile. Abstract (en Anglais) : Our goal is to discover intelligible and efficient models from data. The challenge is to work with a large amount of data and to use powerful algorithms to extract essential knowledge. Supervised classification is among the widely studied tasks in data mining. This process generates a model by analyzing labeled instances. Then, this model will be exploited to predict the classes of unlabeled instances. The performance of the generated model depends on the classifier and the quality of data. The main idea of the data selection is the reduction of the data size and the elimination of the noise, which improves the quality of the data. Feature selection provides high accuracy, lower learning time, less complexity of predictive models, and understandable data interpretation. The supervise classification and the pre-processing of the data are considered to be NP-hard optimization problems that can be solved by meta-heuristics. Hybridization of Metaheuristics with other Algorithms (Metaheuristics, data mining technique and machine learning, ...) allows to develop the preprocessing phase and afterwards to build an efficient and powerful learning model that is the contribution of this thesis. Keywords : KDD (knowledge discovery in databases), data preprocessing, Feature selection, data mining, classification, metaheuristics, hybridization, difficult optimization problems.
  • Thumbnail Image
    Item
    L’apprentissage profond pour le traitement d’images
    (2020-12-23) DIF Nassima; Encadreur: Elberrichi Zakaria
    الملخص (بالعربية) الرؤية الحاسوبية هي أحدى مجالات علم الحاسوب التي تمكن الأنظمة الأوتوماتيكية بالتعرف على المعطيات المرئية (الصورة والفيديو). تستخدم هذه الأنظمة عادة لاداء مهام التوصية. في السنوات الأخيرة, تزايد كمية البيانات الرقمية ساهم بشكل كبير في الإهتمام المتزايد بأنظمة الرؤية الحاسوبية وذلك لمعالجة هذه الكمية المعتبرة من المعلومات وتسهيل إستخراج المعارف المهمة منها. تعتمد أنظمة الرؤية الحاسوبية بشكل أساسي على طرق تعلم الآلة وطرق التعلم العميق. في السنوات الأخيرة, ساهمت الكميات المعتبرة من المعلومات ووحدات معالجة الرسوميات القوية في تشجيع الباحثين على إستغلال طرق التعلم العميق. تتميز هذه التقنيات بأدائها الجيد على الكميات المعتبرة من البيانات, إضافة إلى ذلك, تتميز أيضا بقدرتها على الإستخلاص الأوتوماتيكي للميزات من البيانات الغير المنظمة, مثل الصور. أستخدمت طرق التعلم العميق في العديد من التطبيقات في مجال الرؤية الحاسوبية وذلك من أجل أداء مهام مختلفة مثل التصنيف, الكشف, وتقسيم الصور الرقمية. في هذه الأطروحة, وجهنا إهتمامنا بشكل خاص لإستخدام صنف خاص من خوارزميات التعلم العميق من أجل تصنيف الخصائص النسيجية للصور. في هذا السياق, إقترحنا العديد من الطرق من أجل معالجة مختلف المشاكل المتعلقة بتطبيق طرق التعلم العميق لمعالجة هذه الصور. تعتمد التقنيات المقترحة بشكل رئيسي على تقنيات التنظيم, التعلم الجماعي, ونقل التعلم. طرق التعلم الجماعي تساعد على حل مختلف المشاكل المتعلقة بالتباين المرتفع, التحيز, والتأثر المعتبر لطرق التعلم العميق بتغير البيانات. من ناحية أخرى, طرق نقل التعلم تستخدم من أجل حل مشاكل طرق التعلم العميق على الكميات المحدودة من البيانات. الكلمات الرئيسية: الرؤية الحاسوبية, طرق التعلم العميق, خوارزميات التعلم العميق, الخصائص النسيجية للصور. Résumé (en Français) : La vision par ordinateur est un champ d’étude qui permet aux systèmes automatiques à reconnaitre les entrées visuelles pour les exploiter dans des tâches de recommandation. Dans ces dernières années, la quantité des images et des vidéos a largement augmenté. L’exploitation des systèmes de vision par ordinateur pour l’analyse de cette quantité d’informations devient importante afin d’extraire de l’information pertinente. Les systèmes de vision par ordinateur sont basés essentiellement sur les méthodes d’apprentissage automatique (ML) et d’apprentissage profond (DL). Avec l’augmentation de la quantité de données et la disponibilité du matériel puissant, les méthodes DL ont connu un grand intérêt en raison de leur bonne performance sur les grands volumes de données et leur capacité d’extraction de caractéristique dans le cadre des données non structurées. Ces techniques étaient exploitées dans différents sous domaines en vision par ordinateur pour effectuer plusieurs tâches : classification, localisation, détection, et segmentation. Dans le contexte de la présente étude, nous nous intéressons à la classification des images histopathologiques par les méthodes DL, précisément par les réseaux de neurones convolutifs (CNN). Dans ce cadre, nous avons proposé plusieurs approches pour répondre aux différents problèmes liés à l’application des techniques DL en classification de ce type d’images. Les approches proposées sont basées essentiellement sur les techniques de régularisation, les méthodes ensemblistes, et les stratégies d’apprentissage transféré et de fine tuning. Il est intéressant de noter que les méthodes ensemblistes sont exploitées afin de résoudre les différents problèmes liés à la variance élevée, le sur-apprentissage, et la sensibilité des réseaux DL au changement de données. En plus, elles permettent de combiner les prédictions de plusieurs modèles, et cela génère des décisions plus robustes et stables au changement de données. D’autre part, les techniques d’apprentissage transféré et de fine tuning sont utilisés afin de résoudre le problème de sur-apprentissage sur les volumes limités de données. Les mots clés : vision par ordinateur, apprentissage profond, réseaux de neurones convolutifs, images histopathologiques. Abstract (en Anglais) : Computer vision is defined as a field of computer science that enables automatic systems to identify visual inputs. These systems are usually used to perform recommendation tasks. In recent years, the amount of digital data, such as images and videos, have largely increased. In this regard, the exploitation of computer vision systems became essential to maintain these volumes and also to extract relevant information. Computer vision systems are based on machine learning (ML) and deep learning (DL) methods. Many factors, such as the growing volumes of data and the availability of powerful graphical processing units (GPU) have encouraged the computer vision community to exploit DL methods. These techniques are characterized by their efficiency on large volumes of data and also by their capacity to extract features from non-structured data. DL methods have been exploited in different applications in computer vision to perform several tasks: classification, localization, detection, and segmentation. In this study, we are particularly interested in the classification of histopathological images by convolutional neural networks (CNN). In this context, we have proposed several pipelines to solve the different issues related to the application of DL methods on these types of images. The proposed frameworks are based mainly on regularization methods, ensemble learning techniques, and transfer learning and fine-tuning strategies. We should note that ensemble learning techniques are used to solve the different issues related to the high variance, overfitting, and the sensevity of neural networks to data changes. On the other hand, transfer learning and fine-tuning strategies are used to solve the overfitting problem on limited volumes of data. Keywords : Computer vision, deep learning, convolutional neural networks, histopathological images.