Filière Electronique
Permanent URI for this collectionhdl:123456789/457
Browse
3 results
Search Results
Item Object Detection Using YOLO: Applications to Medical Images(Faculté des sciences et de la technologie université de Bordj Bou Arreridj, 2026-09-26) SOUIHER Mohammed EL Amine; NOUFEL ZakariaCe mémoire porte sur la mise en oeuvre et l’évaluation de modèles légers de détection d’objets pour l’analyse d’images médicales. Deux jeux de données, BUSI et Figshare, ont été préparés pour évaluer trois modèles YOLO : YOLOv8n, YOLO11n et YOLO26n. Les modèles CNN et VGG16 ont également été utilisés pour la localisation des lésions sur BUSI et comparés aux modèles YOLO. Les résultats montrent que les modèles étudiés peuvent détecter et localiser les lésions et les tumeurs dans les deux jeux de données. Parmi les modèles YOLO, YOLO26n a obtenu les meilleurs résultats globaux. Les modèles légers sont également adaptés aux applications liées aux systèmes embarqués.Item Object Detection Using YOLO: Applications to Medical Images(Université Mohamed El Bachir El Ibrahimi bordj bou arreridj, 2026-09-26) SOUIHER Mohammed EL Amine; NOUFEL ZakariaCe mémoire porte sur la mise en œuvre et l’évaluation de modèles légers de détection d’objets pour l’analyse d’images médicales. Deux jeux de données, BUSI et Figshare, ont été préparés pour évaluer trois modèles YOLO : YOLOv8n, YOLO11n et YOLO26n. Les modèles CNN et VGG16 ont également été utilisés pour la localisation des lésions sur BUSI et comparés aux modèles YOLO. Les résultats montrent que les modèles étudiés peuvent détecter et loca- liser les lésions et les tumeurs dans les deux jeux de données. Parmi les modèles YOLO, YO- LO26n a obtenu les meilleurs résultats globaux. Les modèles légers sont également adaptés aux applications liées aux systèmes embarqués.Item Face Recognition Using Deep Learning: A Comparative Study of Custom CNN, VGG16, and ResNet50 on Datasets of Varying Complexity(université de bordj bou arreridj, 2026-06-30) MAHLOUL Nadia; ZIDANI SalssabilLa reconnaissance faciale est l’un des problèmes les plus étudiés dans le domaine de la vision par ordinateur. Malgré les progrès considérables réalisés au cours des dernières décennies, obtenir une reconnaissance faciale fiable dans des conditions réelles non contrôlées demeure un défi majeur. Ce mémoire présente une étude comparative de trois architectures d’apprentissage profond pour la reconnaissance faciale automatique : un réseau de neurones convolutif (CNN) personnalisé entraîné à partir de zéro, ainsi que deux modèles pré-entraînés puis affinés (fine-tuned), à savoir ResNet50 et VGG16. Les expériences ont été menées sur trois bases de données de visages de complexité croissante : Hollywood Faces, CASIA-100 et Bollywood Faces, en utilisant un cadre unifié de prétraitement et d’évaluation afin de garantir une comparaison équitable. Les résultats montrent que VGG16 obtient la meilleure précision sur les ensembles de données contrôlés, tandis que ResNet50 démontre une robustesse supérieure sur les ensembles présentant une plus grande variabilité, mettant en évidence l’efficacité de l’apprentissage résiduel (residual learning) pour les tâches complexes de reconnaissance faciale. Le CNN personnalisé offre des performances compétitives sur les ensembles de données simples, mais présente une capacité de généralisation plus limitée à mesure que la complexité des données augmente. Dans l’ensemble, l’apprentissage par transfert surpasse systématiquement l’entraînement à partir de zéro, confirmant l’importance des représentations pré-entraînées dans les scénarios où les données sont limitées. Cette étude fournit des recommandations pratiques pour le choix des architectures CNN les plus adaptées à la reconnaissance faciale en fonction des différents niveaux de complexité des ensembles de données.