Théses de Doctorat

Permanent URI for this collectionhttp://192.168.16.104:4000/handle/123456789/1850

Browse

Subject: search.filters.subject.Apprentissage profond

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Quantum deep learning for digital soil mapping and climate change prediction
    (2025-07-09) Belkadi; Widad Hassina
    Les 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.
  • No Thumbnail Available
    Item
    Multiple regions detection-based MSER
    (2025-07-08) Ait Mehdi; Mohamed
    L'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.