Haute Ecole de la Province de Liège

Informations générales sur l'unité d'enseignement : "Traitement d'image"

Cycle 2
Niveau du cadre francophone de certification 7
Code ARCSYSINF-2-012 1.2.1
Crédits ECTS 5
Volume horaire (h/an) 60
Période Quadrimestre 2
Implantation(s) TECHNIQUE - Liège (Ing.)
Unité Obligatoire
Responsable de la fiche WAGNER, Jean-Marc
Pondération 50
Composition de l'unité d'enseignement
Intitulé Nombre d'heures Pondération
Traitement du signal 1D et 2D - introduction aux réseaux de neurones 60 100
Prérequis -
Corequis -

  • Acquis d'apprentissage spécifiques sanctionnés par l'évaluation

    • AA1 : Traitement du signal 1D et 2D  définir et expliquer la notion de signal 1D, et en réaliser une classification (analogique, numérique, etc).  définir et expliquer la notion de signal 2D (ou image), et décrire les différentes représentations d’une image.  expliquer les techniques et utiliser les outils de bases du traitement du signal 1D et 2D (transformée de Fourier, séries de Fourier, convolution, filtrage linéaire et non linéaire, etc).  définir et décrire les techniques de communication de base (modulations analogiques) et définir la notion de transmission numérique.  créer une application informatique de traitement du signal ou d’image, basée sur une librairie existante ou créée par lui-même.  résoudre, par le développement d’une application informatique, les problèmes élémentaires rencontrés en traitement d’images, et choisir la ou les technique(s) appropriée(s).

    AA2 : Mathématiques appliquées à l’informatique - introduction aux réseaux de neurones  découvrir le domaine du machine learning et ses applications  comprendre le fonctionnement d'un réseau de neurones mono et multicouches  comprendre le mécanisme et les paramètres d'apprentissage d'un réseau de neurones  concevoir et implémenter les algorithmes de base d'un réseau de neurones sur des petites applications

  • Objectifs

  • AA1 : Traitement du signal 1D et 2D

    - définir et expliquer la notion de signal 1D, et en réaliser une classification (analogique, numérique, etc).

    - définir et expliquer la notion de signal 2D (ou image), et décrire les différentes représentations d’une image.expliquer les techniques et utiliser les outils de bases du traitement du signal 1D et 2D (transformée de Fourier, séries de Fourier, convolution, filtrage linéaire et non linéaire, etc).

    - définir et décrire les techniques de communication de base (modulations analogiques) et définir la notion de transmission numérique.

    - créer une application informatique de traitement du signal ou d’image, basée sur une librairie existante ou créée par lui-même.résoudre, par le développement d’une application informatique, les problèmes élémentaires rencontrés en traitement d’images, et choisir la ou les technique(s) appropriée(s).

     

    AA2 : Introduction aux réseaux de neurones

    - découvrir le domaine du machine learning et ses applications

    - comprendre le fonctionnement d'un réseau de neurones mono et multicouches

    - comprendre le mécanisme et les paramètres d'apprentissage d'un réseau de neurones

    - concevoir et implémenter les algorithmes de base d'un réseau de neurones sur des petites applications

  • Contenus

  • AA1 : Traitement du signal 1D et 2D

    - Représentation et classification des signaux 1D

    - Analyse spectrale des systèmes et des signaux

    - Numérisation

    - Transformée de Fourier analogique et discrète (DFT) 1D et 2D

    - Séries de Fourier 1D

    - Transmission analogique du signal : modulations d’amplitude et angulaires

    - Introduction aux modulations numériques

    - Types d’images

    - Traitements linéaires (convolutions locale et globale) et non-linéaires (morphologie mathématique) d’images

    - Rehaussement et restauration d’une image

    - Détection de contours, segmentation et seuillage d’images

     

    AA2 : Introduction aux réseaux de neurones

    - Introduction au machine learning et à ses applications

    - Perceptron et algorithmes d'apprentissage : descente du gradient et ADALINE  

    - Réseaux de neurones "feed-forward" mono-couches

    - Réseaux de neurones "feed-forward" multi-couches : algorithme de rétropropagation du gradient de l'erreur.

    - Applications : classification et régression linéaire et non-linéaire

  • Méthodes d'enseignement et d'apprentissage

  • Cours magistraux
  • Travaux pratiques ou dirigés
  • Travaux de laboratoire

  • Autres méthodes

  • Evaluation

  • Traitement du signal 1D et 2D - introduction aux réseaux de neurones
    • Examen Ecrit
    • Examen Oral
    • Evaluation Continue

  • Langue(s) de l'unité d'enseignement

  • Français

  • Supports de cours

  • Introduction aux réseaux de neurones artificiels Wagner Jean-Marc
    Traitement du signal 1D et 2D Wagner Jean-Marc

  • Lectures conseillées

  • Aucune lecture conseillée

Contactez-nous | © HEPL - Province de Liège