Département Electronique
Permanent URI for this communityhdl:123456789/449
Browse
3 results
Search Results
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.Item Reconnaissance d'objets basée sur les histogrammes de couleur : une alternative aux codes-barres pour la gestion automatisée des stocks(Université de Mohamed El-Bachir El-Ibrahimi Bordj Bou Arreridj, 2026-06-29) ZIANE Abdelbasset; ZAOUI FaresCe mémoire présente une étude comparative de plusieurs méthodes d’extraction de caractéristiques pour la classification d’images. L’objectif est d’évaluer l’impact des descripteurs de couleur sur les performances de classification. Cinq approches ont été étudiées : AlexNet, Vision Transformer (ViT), U-Net, CLIP et Mini-Batch K-Means. Les caractéristiques extraites sont combinées à des informations colorimétriques issues des espaces RGB et HSV, puis classifiées à l’aide des algorithmes CNN, SVM et KNN. Les expérimentations sont réalisées sur les bases COIL-100 et ALOI afin d’analyser la robustesse des méthodes face aux variations d’éclairage et de point de vue. Les résultats montrent que Vision Transformer obtient les meilleures performances globales, tandis que U-Net offre également une excellente capacité de généralisation. L’intégration des caractéristiques de couleur améliore significativement la précision de classification.Item Diagnostic de la maladie de Parkinson basé sur l’analyse de la voix et l’application de l’apprentissage profond(Faculté des sciences et de la technologie, 2025-07-01) Brahimi Romayssa; Bechami NourELHoudaLe diagnostic automatique de la maladie de Parkinson à partir de la voix, en s’appuyant sur l’apprentissage profond, est une méthode moderne et prometteuse pour la détection précoce de cette maladie neurologique. Cette approche se caractérise par son caractère non invasif et son faible coût. Plus particulièrement, un système de diagnostic de MP par la voix consiste à classifier des signaux vocaux en classes N (Normale) et AN (Anormale : Parkinsonien), en utilisant des algorithmes de Machine Learning (ML). Dans ce projet, on propose d’appliquer des algorithmes d’apprentissage profond sur les paramètres acoustiques pour cette tâche de diagnostic. La conception d’un tel système se base sur une phase d’apprentissage permettant la modélisation des différentes classes et une phase de reconnaissance permettant la classification du signal d’entrée en une classe N ou AN. Les résultats d’une étude comparative entre les performances du système proposé et celles d’un système basé sur des algorithmes d’apprentissage automatique tels KNN et SVM, nous ont montré l’efficacité du classificateur SVM en modes indépendant et dépendant du locuteur. Cependant, l’algorithme d’apprentissage profond montre une faible précision, causée par le nombre limité des données de la base d’apprentissage