Théses de Doctorat
Permanent URI for this collectionhttp://192.168.16.104:4000/handle/123456789/1850
Browse
3 results
Search Results
Item Surveillance intelligente basée sur la recherche d’image dans les villes intelligentes(2026-01-15) Khalfi; AliDans le cadre de ma thèse de doctorat, j’ai traité la problématique de la surveillance intelligente basée sur l’analyse d’images, avec un focus particulier sur le monitoring du trafic routier dans le contexte des villes intelligentes. L’objectif principal de cette recherche est la conception et le développement de solutions intelligentes pour la surveillance du trafic routier, en exploitant des techniques d’analyse d’images et d’intelligence artificielle. Le travail réalisé propose des modèles performants pour la catégorisation d’images dans les environnements de smart cities, dans le but de renforcer les systèmes de transport intelligents (ITS). Les solutions proposées visent notamment à améliorer la détection de la disponibilité des places de stationnement ainsi que l’identification des situations de congestion routière, en s’appuyant sur des données visuelles issues des systèmes de surveillance. Le manuscrit de la thèse est structuré en six (6) chapitres. Le premier chapitre présente le contexte général de la recherche, expose la problématique, les motivations scientifiques, les objectifs poursuivis, ainsi que les contributions et l’organisation globale du document. Le deuxième chapitre fournit les notions de base relatives à la classification et à la recherche d’images, ainsi qu’un état de l’art sur les approches existantes en matière de détection de places de stationnement et de prévision de la congestion routière. Le troisième chapitre propose deux architectures pour la classification des images de parkings : la première basée sur un réseau de neurones convolutif (CNN) personnalisé, et la seconde exploitant le transfer learning combiné à des techniques d’augmentation de données. Dans le quatrième chapitre nous avons introduit une approche innovante de détection de la congestion routière utilisant un Vision Transformer paramétré avec cartographie d’images, en transformant les flux vidéo en données exploitables par des méthodes de traitement d’images. Le cinquième chapitre détaille le système multi-modules intégrant traitement d’images, analyse de la vitesse des véhicules et logique floue pour une évaluation en temps réel de l’état du trafic. Le dernier chapitre conclut la thèse, récapitule les contributions majeures et propose des perspectives pour de futurs travaux. Les travaux de mes recherches peuvent être résumés comme suit : • Développement d’un système efficace basé sur les réseaux de neurones convolutifs (CNN) pour détecter l’occupation des places de stationnement [1]. Le modèle se distingue par une réduction des paramètres de calcul grâce à une paramétrisation spécifique des couches et à l’utilisation d’un taux de dilatation progressif, garantissant une robustesse face aux occlusions et aux variations d’éclairage. Validé sur le jeu de données PKLot, ce modèle présente une faible complexité computationnelle, le rendant adapté aux environnements embarqués. • Mise en œuvre d’une solution exploitant le transfer learning avec le modèle Inception V3, associé à l’augmentation de données, pour la classification des places de stationnement (PKLot dataset) [2]. Les résultats expérimentaux ont démontré une précision élevée et des performances computationnelles satisfaisantes. • Proposition d’un modèle innovant exploitant l’analyse vidéo de trafic via une cartographie d’images [3]. Les images extraites des vidéos sont traitées avec YOLOv8s pour la détection de véhicules, puis converties en images cartographiées et analysées par le Vision Transformer. Évaluée sur le jeu de données UCSD et testée dans diverses conditions météorologiques. • Conception du système [4] reposant sur l’algorithme SIFT pour l’analyse de la congestion sans nécessiter de suivi individuel des véhicules. La détection de la densité et de la vitesse des véhicules est réalisée à travers le traitement d’images, tandis que la logique floue assure une interprétation robuste des différents scénarios de trafic. Les expérimentations, menées sur le jeu de données UItem Quantum deep learning for digital soil mapping and climate change prediction(2025-07-09) Belkadi; Widad HassinaLes ordinateurs quantiques promettent de relever des défis informatiques complexes qui sont actuellement hors de portée des systèmes classiques. Bien que l'avantage quantique à grande échelle reste insaisissable en raison des limitations matérielles, les algorithmes hybrides quantiques-classiques offrent une voie pratique, en particulier dans le domaine de l'apprentissage automatique (ML). L'apprentissage automatique quantique (QML), en tirant parti des propriétés uniques des systèmes quantiques, est apparu comme une voie prometteuse pour accélérer la prise de décision fondée sur les données et s'attaquer aux problèmes complexes du monde réel. Cette thèse explore l'application des techniques de pointe en ML et QML pour faire progresser la durabilité environnementale, avec un accent particulier sur la cartographie numérique des sols (DSM) et la surveillance des émissions de gaz à effet de serre (GHG), en particulier le méthane. Pour relever les défis de l'analyse des données sur les sols, nous avons développé SCORPAN, un entrepôt de données sur les sols structuré et évolutif intégrant de multiples facteurs environnementaux. Nous avons appliqué l'extraction de règles d'association pour découvrir des motifs cachés dans les ensembles de données sur les sols et nous avons introduit Quantum FP-growth, un nouvel algorithme quantique conçu pour améliorer l'efficacité de l'extraction de motifs fréquents. En outre, nous avons évalué divers modèles d'apprentissage automatique pour prédire les propriétés des sols dans le nord de l'Algérie, démontrant ainsi le potentiel des approches basées sur les données pour améliorer la gestion des terres et la durabilité de l'agriculture. Parallèlement, pour répondre au besoin urgent de surveillance du méthane, nous avons mis en œuvre une analyse des séries temporelles des données du satellite Sentinel-5P à l'aide de réseaux neuronaux récurrents profonds. En outre, nous avons proposé une architecture hybride quantique-classique U-Net, incorporant des couches convolutives quantiques pour améliorer la précision de la détection des fuites de méthane. Collectivement, nos résultats soulignent le potentiel transformateur de l'intégration des méthodologies quantiques et classiques pour accélérer les progrès vers l'agriculture durable et la résilience climatique.Item Multiple regions detection-based MSER(2025-07-08) Ait Mehdi; MohamedL'imagerie médicale joue un rôle essentiel dans le diagnostic clinique moderne. Cependant, le volume et la complexité croissants des images médicales nécessitent des outils d'analyse plus intelligents et automatisés. Dans cette thèse, nous présentons un large éventail de systèmes de diagnostic assisté par ordinateur (DAO) qui améliorent la précision et l'efficacité du diagnostic en combinant l'apprentissage profond (AP), l'informatique quantique et des méthodes de traitement d'images optimisées. La première contribution aborde les limites du détecteur de régions extrémales maximales stables (REMS) dans l'analyse d'images médicales en introduisant un cadre d'amélioration de la REMS basé sur l'optimisation. En formulant la configuration des paramètres de la REMS comme un problème d'optimisation, nous appliquons quatre algorithmes récents, à savoir : l'algorithme des moisissures visqueuses (AMS), l'algorithme des prédateurs marins (APM), l'optimiseur basé sur le tas (HBO) et l'optimiseur basé sur le gradient (GBO), afin d'améliorer significativement les performances de localisation des régions. De plus, un nouveau pipeline d'extraction de caractéristiques combinant MSER optimisé, motifs binaires locaux (LBP), Bag-of-Visual-Words (BoVW) et caractéristiques profondes est proposé pour les tâches de classification CAO impliquant des images de cellules sanguines et de lésions cutanées. La deuxième contribution introduit une approche d'apprentissage profond exploitant le modèle Swin Transformer combiné aux K-Nearest Neighbors (KNN) pour une détection et un comptage précis des cellules sanguines dans les images microscopiques. Cette méthode surpasse les méthodes de référence existantes sur un jeu de données public en relevant efficacement des défis tels que le chevauchement cellulaire, la variabilité de taille et le déséquilibre de classe. Notre dernière contribution propose un nouveau modèle de diagnostic hybride qui intègre les réseaux de neurones convolutifs (CNN) classiques à des circuits quantiques pour la classification des lésions cutanées. En utilisant le simulateur PennyLane et le jeu de données ISIC, notre cadre quantique amélioré atteint une précision compétitive et une généralisation améliorée par rapport aux références d'apprentissage profond classiques. Dans l’ensemble, les contributions proposées font progresser l’état de l’art en matière d’analyse automatisée d’images médicales, offrant des approches robustes et diversifiées pour améliorer la précision et la fiabilité du diagnostic dans de multiples contextes d’imagerie.