- [ VRPG-Doc] Informatique --- إعلام آلي

Permanent URI for this collection

https://dspace.univ-sba.dz/handle/123456789/451

Browse

Now showing 1 - 5 of 13

Reconnaissance des Formes appliquée à la Biométrie
(2018-06-24) Zoubida Leila; Encadreur: Feraoun Mohamed Kamel; Co-Encadreur: Adjoudj Réda
الملخص (بالعربية) التعرف على الأشكال يمثل مجالا نشطا للأبحاث. هدفه الرئيسي هو تطوير الأنظمة الذكية التي تكون قادرة على التعلم والتفكير. في الواقع أن أساليب التعرف على الأشكال لديها تطبيقات في عدة مجالات. ينجذب جزء هام من هذه التطبيقات إلى القياسات الحيوية التي يتم استخدامها في العديد من المجالات وخاصة في التطبيقات الأمنية. تستند القياسات الحيوية إلى استخدام طرق القياس الحيوي الفيزيائية أو السلوكية. إختيار القياسات يعتبر مهما لنجاح الأنظمة الأمنية. من بين هذه القياسات المختلفة اخترنا دمج الوجه و كلا القز حيتين التي تعتبر من القياسات الحيوية الأكثر استعمالا تقترح هذه الأطروحة تقنية متعددة القياسات الحيوية والتي تجمع بين الوجه و القزحيتين (القزحية اليسرى و القزحية اليمنى) للتحقق من الهوية.هذا الدمج يسمح بالجمع بين مزايا كلا القياسين. مرحلة تجزئة القزحيتين تمت بطريقة معدلة.في حين أن استخراج ميزات الوجه والقزحية تم بطريقة عامة (المويجات). تم الحصول على النتائج من اجل الدمج بطريقة شعاع الدعم الآلي. ثم تم تطبيع النتائج المتحصل عليها بطريقة الحد الأقصى و الحد الأدنى .الدمج كان على مستوى النتائج من خلال تقنية تجمع بين طريقتين: طريقة الجمع وطريقة التصنيف. وأكدت النتائج المتحصل عليها أن الأنظمة متعددة القياسات الحيوية المقترحة أفضل من الأنظمة أحادية القياسات الحيوية Résumé (Français et/ou Anglais) : Résumé: La reconnaissance des formes est un domaine de recherche actif. Son principal objectif est de développer des systèmes intelligents capables d’apprendre et de raisonner. En effet, les méthodes de reconnaissance des formes trouvent des applications dans plusieurs domaines. Une partie importante de ces applications est reliée à la biométrie, cette dernière est utilisée dans plusieurs domaines et spécialement dans la sécurité. La biométrie est basée sur l'utilisation des modalités biométriques physiques ou comportementales. Le choix des modalités est important pour le succès des systèmes de sécurité. Parmi les différents traits biométriques, nous combinons le visage et les deux iris qui sont considérés comme des modalités biométriques les plus utilisées. Cette thèse propose une technique multi-biométriques basée sur l’intégration du visage et les deux iris (l’iris gauche et l’iris droite) dans le but de l’authentification des personnes. Cette intégration ou fusion combine les avantages des deux modalités. Pour les deux instances de l’iris, l’étape de segmentation est réalisée par une méthode modifiée. Tandis que l’extraction des caractéristiques du visage et de l’iris se fait par une approche globale (les ondelettes de Daubechies). Les scores de fusion sont obtenus par la méthode des machines à vecteurs de support SVMs. Ensuite, les scores obtenus sont normalisés par la méthode MIN-MAX. La fusion est réalisée au niveau des scores par une technique d’intégration, combinant les deux approches, la combinaison et la classification. Les résultats obtenus confirment que les systèmes multi-biométriques sont mieux cotés que les systèmes mono-modaux. Abstract: The pattern recognition is an active area of research. Its main goal is to develop intelligent systems which can be able to learn and to reason. Indeed, the pattern recognition methods find applications in several areas. An important part of these applications is attracted to the biometric which is used in several areas and especially in the security applications. The biometric is based on the use of the physical or the behavioral biometric modalities. The choice of modalities is important for the success of the security systems. Among the different biometric traits, we choose to combine the face with the both irises which are considered as the most used biometric modalities. This thesis proposes a multi-biometric technique based on the integration of the face with the both irises (the left and the right irises) in order to realize the authentication task. This fusion allows combining the advantages of the both modalities. For the both instances of the iris, the segmentation step is realized by a modified method. While the features extraction of the face and the iris is done by a global approach (the Daubechies wavelets). The scores for the fusion are obtained by the Support Vector Machines SVMs. Then, the scores obtained are normalized by the Min-Max method. The fusion is performed at the score level by an integration technique, combining two approaches, namely combination, and classification. The obtained results have confirmed that the proposed multi-biometrics systems are better than the mono-modal systems.
La gestion de la confidentialité dans le Cloud Computing
(2017-11-08) KABOU SALHEDDINE; Encadreur: Benslimane Sidi Mohamed
Résumé (Français et/ou Anglais) : Le Cloud Computing représente un nouveau modèle d'entreprise qui assure le partage de ressources informatiques contenant des informations personnellesà travers plusieurs bases de données distribuées et privées. La confidentialité et la sécurité sont les principaux obstacles qui empêchent l'adoption extensive de cette nouvelle technologie. La confidentialité de ces informations doit être préservée avant la publication dans le Cloud, c'est à dire aucune information sensible ne doit être divulguée. L'anonymisation des données est l'une des solutions qui peuvent être utilisées pour préserver la confidentialité des données tout en assurant leurs utilisations. La plus part des travaux utilisent le fameux modèle K-anonymat pour préserver la confidentialité des objets des données. Parmi les principaux inconvénients de ce modèle est qu’il ne préserve pas l’utilité des données. Dans ce travail de thèse, nous avons développé un nouveau protocole d’anonymisation distribué horizontalement pour la préservation de la confidentialité des données (individus), et la confidentialité des fournisseurs des données dans un environnement Cloud. Pour garantir la confidentialité des individus, nous avons utilisé le modèle K-concealment qui assure un haut niveau de sécurité et minimise la perte des données. Pour soutenir la confidentialité des fournisseurs de données, nous avons conçu un nouvel algorithme d'anonymisation distribué utilisant la structure de l’arbre- R* qui fournit une meilleur utilité des données. Les résultats des expérimentations, ont montré que notre approche fournit une meilleure utilité des données généralisées par rapport aux approches d’anonymisation centralisées.
Approche sémantique pour le développement des systèmes de recommandation
(2018-03-15) FRIDI Asmaa; Encadreur: BENSLIMANE Sidi Mohamed
Résumé (Français et/ou Anglais) : Les systèmes de recommandations ont contribué à la réussite des sites Web personnalisées car ils peuvent automatiquement et efficacement choisir des articles ou des services adaptés à l’intérêt de l’utilisateur à partir d’énormes ensembles de données. Cependant, ces systèmes souffrent de problématiques liées au nombre peu important d’évaluations, au démarrage à froid du système et au nouvel utilisateur, nouvelle ressource. C’est pour cela que plusieurs voies ont été explorées pour trouver des solutions aux problématiques associées. LeWorld Wide Web se déplace d’un Web des documents hyper-liés à un Web des données liées. L’avènement de l’initiative Linked Open Data (LOD) a donné naissance à un grand choix de bases de connaissances ouvertes librement accessibles sur le Web tel que DBpedia. Ils fournissent une source d’information précieuse qui peut améliorer les systèmes de recommandation conventionnels, s’il est bien exploité. Dans cette thèse, nous montrons que l’utilisation des informations sémantiques décrivant les utilisateurs et les ressources peut améliorer la précision, la couverture et la qualité des systèmes de recommandation. Ceci en fournissant des informations supplémentaires permettant d’enrichir les items et les utilisateurs. Le web sémantique ou plus précisément le web des données ouvertes liées est l’infrastructure idéale pour obtenir ces descriptions sémantiques, car il permetla gestion décentralisée de l’information et l’agrégation de plusieurs sources
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.
Enrichissement et intégration des données liées
(2017-11-21) BENCHERIF Khayra; Encadreur: MALKI Mimoun
Résumé (Français et/ou Anglais) : Les données liées, telles qu’elles sont proposées par Tim Berners-Lee (2006), visent à partager et à interconnecter des données structurées sur le web sous forme d’une représentation lisible par la machine pour former un seul espace de données global. Dans ce contexte, Linked Open Data Cloud est un projet qui permet de publier et d’interconnecter des données structurées sur le web conformément aux principes des données liées. Avec le nombre croissant de données disponibles dans le LOD Cloud, le problème d’hétérogénéité des données dans ces sources augmente et, par conséquent, le besoin d’accéder à toutes ces sources via une interface unique et cohérente a été le défi de nombreuses recherches dans le domaine d’intégration des données liées. En fait, le processus d’intégration des données liées nécessite trois étapes principales : l’établissement de liens typés au niveau d’instances et l’alignement de différents vocabulaires utilisés pour décrire les entités ainsi que l’évaluation de la qualité et la fusion des données. Dans la littérature, il existe plusieurs travaux qui visent à réduire l’hétérogénéité en appliquant plusieurs méthodes d’intégration des données sur les données liées. Cependant, ces méthodes ne sont pas totalement satisfaisantes et le problème d’intégration reste ouvert pour la proposition de nouvelles contributions. Pour intégrer des ensembles de données liées, nous avons proposé plusieurs méthodes dans cette thèse. Afin de découvrir des liens typés au niveau d’instances, nous avons proposé une méthode qui vise à réduire le nombre de comparaisons lors du mapping de grands ensembles de données liées. De plus, nous avons développé un outil appelé LDVT (Linked Data VisualizationTool) qui permet de visualiser le résultat du processus de découverte de liens pour vérifier la précision et l’exhaustivité des liens. En outre, nous avons proposé une nouvelle approche pour fusionner les données liées à l’aide d’un algorithme génétique. Notre approche vise à combiner des valeurs conflictuelles de différents ensembles de données pour obtenir une vue unifiée de ces données. Nos méthodes d’intégration des données liées ont été évaluées en utilisant des ensembles de données réels à partir du LOD Cloud. Nous avons également comparé les méthodes proposées avec d’autres méthodes d’intégration de la littérature.