Titre :	Classification des textures par les réseaux de neurones convolutifs pré-entraînés
Type de document :	theses et memoires
Auteurs :	Lylia Leham ; Merzouki Kenza ; Kamal Hammouche, Directeur de thèse
Editeur :	TIZI-OUZOU : FGEI.UMMTO
Année de publication :	2019
Importance :	58 p.
Présentation :	ill.
Format :	30 cm.
Note générale :	Bibliogr
Langues :	Français
Mots-clés :	Textures, Réseaux de neurones  SVM  Deep learning  CNNs  Réseaux pré-entrainés
Résumé :	Le travail présenté dans ce mémoire porte sur la classification des textures couleur à base des réseaux de neurones (CNNs) pré-entrainés. Nous avons proposé dans notre application le modèle CNN-MLP, composé de 6 couches de convolution, de 3 couches max pooling et de trois couches fully connected de tailles. Les résultats de classification obtenus par ce modèle sur 3 bases de textures (USPTex, KTH-TIPS et OuTex13) se sont avérés médiocres. Pour améliorer ces résultats, nous avons substitué le classifieur MLP par le classifieur SVM. Les résultats obtenus par le modèle CNN-SVM ainsi développé étaient meilleurs que ceux du CNN-MLP mais restent toute de même peu satisfaisants. Pour améliorer d'avantage ces résultats, nous avons utilisé des modèles déjà entrainés (AlexNet, GoogleNet, ResNet 50, ResNet 101) comme extracteurs d'attributs et le classifieur SVM pour la classification. Les résultats obtenus ont montré que le modèle ResNet101 est très performant malgré qu'il n'a subi aucune modification (réglage fin avec les bases de texture).
En ligne :	D:\CD THESES 2019\MAST.AUTO\LEHAM LYLIA; MERZOUKI KENZA.PDF
Format de la ressource électronique :	PDF
Permalink :	./index.php?lvl=notice_display&id=34345

Classification des textures par les réseaux de neurones convolutifs pré-entraînés [theses et memoires] / Lylia Leham ; Merzouki Kenza ; Kamal Hammouche, Directeur de thèse . - TIZI-OUZOU (TIZI-OUZOU) : FGEI.UMMTO, 2019 . - 58 p. : ill. ; 30 cm.
Bibliogr
Langues : Français

Mots-clés :	Textures, Réseaux de neurones  SVM  Deep learning  CNNs  Réseaux pré-entrainés
Résumé :	Le travail présenté dans ce mémoire porte sur la classification des textures couleur à base des réseaux de neurones (CNNs) pré-entrainés. Nous avons proposé dans notre application le modèle CNN-MLP, composé de 6 couches de convolution, de 3 couches max pooling et de trois couches fully connected de tailles. Les résultats de classification obtenus par ce modèle sur 3 bases de textures (USPTex, KTH-TIPS et OuTex13) se sont avérés médiocres. Pour améliorer ces résultats, nous avons substitué le classifieur MLP par le classifieur SVM. Les résultats obtenus par le modèle CNN-SVM ainsi développé étaient meilleurs que ceux du CNN-MLP mais restent toute de même peu satisfaisants. Pour améliorer d'avantage ces résultats, nous avons utilisé des modèles déjà entrainés (AlexNet, GoogleNet, ResNet 50, ResNet 101) comme extracteurs d'attributs et le classifieur SVM pour la classification. Les résultats obtenus ont montré que le modèle ResNet101 est très performant malgré qu'il n'a subi aucune modification (réglage fin avec les bases de texture).
En ligne :	D:\CD THESES 2019\MAST.AUTO\LEHAM LYLIA; MERZOUKI KENZA.PDF
Format de la ressource électronique :	PDF
Permalink :	./index.php?lvl=notice_display&id=34345