les réseaux de neurones profonds

les réseaux de neurones profonds

Présentation de MASciR

MASciR est un organisme de recherche à caractère scientifique et technologique, dédié à la recherche en nanotechnologie, en biotechnologie, en technologie numérique, en microélectronique, en énergie et en environnement.Rassemblant d’éminents chercheurs des quatre coins du monde, MASciR, regroupe des équipes scientifiques oeuvrant dans des domaines innovants et complémentaires et met à leur disposition des instruments scientifiques de pointe.Initialement fondée en 2007 par le Gouvernement Marocain en tant que fondation à but non lucratif. Depuis sa création jusqu’à aujourd’hui, la nanotechnologie, la biomédecine, et les microélectroniques représentent les institutions de recherche de cette fondation :
 MASciR MicroElectronics : créé vers la fin de l’année 2008, a pour objectif de devenir un centre de Recherche et Développement dans le domaine de la microélectronique.
 MASciR BioTechnology : deuxième centre inscrit dans MASciR oeuvrant dans le domaine de la Biotechnologie : recherche et développement des médicaments ou des biocides.

Contexte du Projet

Le Deep Learning est un domaine de recherche récent et très répandu qui a réussi à captiver l’intérêt des chercheurs et des inventeurs. Aussi, les grandes entreprises se tournent vers le Deep Learning pour résoudre des problèmes qui demandent l’intelligence (ex : Google, IBM, Microsoft, Amazon, Adobe, Yandex…), MAScIR ne fait pas l’exception, la fondation a commencé à investir dans ce domaine en raison du besoin progressif de l’équipe des systèmes embarqués.
La thématique dominante dans l’équipe est le traitement d’images. Dans ce cadre, l’équipe travaille sur plusieurs projets visant la réalisation de systèmes d’inspection visuelles, citons par exemple :
 Projet Dari développé pour Dari Couspate, dont la fonctionnalité fondamentale est la classification et le comptage des graines de couscous non conformes, ainsi que les corps étrangers.
 Projet développé pour les centres techniques de contrôle de véhicule pour faire la reconnaissance des plaques de véhicule, et tester sa conformité.
 Projet développé pour l’OCP (Office chérifien des phosphates), pour la distinction du phosphates, de l’Astrid dans les zones miniers qui sont des matériaux visuellement semblables, d’où la nécessité d’utiliser des images hyperspectrales
 Projet développé pour ADM (Autoroutes du Maroc).l’objectif de ce projet est le développement d’un logiciel de comptage, classification, reconnaissance des véhicules dans un flux vidéos.
On remarque que la plupart de ces projets ont une tâche commune, la classification d’images ; que ça soit la classification des grains de couscous (conforme, non conforme) ; ou bien la classification de véhicules (voiture, camion, vélo), etc. Cela nous a motivé a développé une solution générique et efficace pour la classification des images basé sur les méthodes de Deep Learning.

Planification du projet

La planification d’un projet est un outil incontournable pour le management de projet. Elle permet de définir les travaux à réaliser, fixer les objectifs, coordonner les actions, maîtriser les moyens, diminuer les risques, suivre les actions en cours, et de rendre compte de l’état d’avancement du projet.Le diagramme de Gantt est un outil permettant de planifier le projet et de rendre plus simple le suivi de son avancement. Le présent planning est réajusté au fur et à mesure de l’avancement du projet.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Introduction Générale
Chapitre.I Contexte général du projet
I.1. Présentation de l’organisme d’accueil
I.1.1. Présentation de MASciR
I.1.2. MAScIR Microélectronique
I.1.3. Partenaire de la fondation
I.2. Contexte du Projet
I.2.1. Charte du projet
I.2.2. Planification du projet
I.3. Cahier de charge
I.4. Conclusion
Chapitre.II les réseaux de neurones profonds
II.1. Origine
II.2. L’apprentissage profond
II.2.1. Les réseaux de neurones profonds
II.2.2. Les réseaux de neurones à convolution
II.2.3. Réseaux de croyance profonde
II.2.4. Deep autoencoders
II.3. Éviter le sur-apprentissage
II.4. Conclusion
Chapitre.III Les images hyperspectrales
III.1. Image Hyperspectrale
III.1.1. Définition et notions
III.1.2. Domaine d’application
III.2. Classification des images Hyperspectrale à base de Deep Learning.
III.2.1. Enjeux
III.2.2. Réduction de dimension
III.2.3. Classification basé sur les caractéristiques spectrales
III.2.4. Classification basé sur les caractéristiques spatiales
III.2.5. Coopération spatio-spectral
III.3. Conclusion
Chapitre.IV Analyse et conception
IV.1. Diagramme de cas d’utilisateurs
IV.2. Architecture
IV.2.1. la partie model
IV.2.2. la partie Vue
IV.2.3. la partie Controller
IV.3. Conclusion
Chapitre.V Réalisation et démonstration du Framework
V.1. Environnement de travail
V.1.1. Environnement Matériels
V.1.2. Environnement logiciel et APIs utilisées
V.2. IHM de l’application
V.2.1. Partie d’apprentissage
V.2.2. Phase de test
V.2.3. La partie accueil
V.3. Conclusion
Conclusion et perspectives
Annexe