Etude comparative sur les algorithmes de détection et de reconnaissance de véhicules dans une séquence d’images
Les travaux examinent les techniques de détection et de reconnaissance de véhicules dans des séquences vidéo pour améliorer la sécurité routière. L’étude compare les performances des modèles YOLOv5 et Faster R-CNN dans le cadre de la vision par ordinateur. L’objectif principal est la classification des véhicules selon leur type (bus, voiture, motocycle, camion, bicyclette). Les résultats montrent que Faster R-CNN obtient les meilleures performances avec une précision de 89%.
Université –Ain Temouchent- Belhadj Bouchaib
Faculté des Sciences et de Technologie Département des Mathématiques et de l’Informatique
Diplôme de Master en Informatique
Projet de Fin d’Etudes
Étude comparative sur les algorithmes de détection et de reconnaissance de véhicules dans une séquence d’images
Melle. BENZAZOU Aïcha & Melle. SAHRAOUI Yasmine Tekfa
Supervised by: Dr. Mohammed Hakim Bendiabdallah & Mme. Fatima Zahra Berrakem & Mme. Samira Saidi
2021/2022
La sécurité routière et autoroutière est devenue un enjeu prioritaire pour les autorités publiques en raison de l’augmentation massive des accidents de la route chaque année. A cet effet, la détection de véhicules
Remerciements
Avant tout nous tenons à remercier ALLAH le tout puissant de nous avoir donné le courage, la patience, la santé et la volanté pour mener à bien ce modeste travail, qu’il soit béni et glorifié.
Nous exprimons nos profonds et sincères remerciements à notre encadrante Mme SAIDI Samira, pour avoir cru en nos capacités et de vouloir bien nous encadrer, pour le temps qu’elle nous a consacré, pour ses remarques et conseils ainsi que pour sa
patience, sa compréhension et d’avoir éclairé nos chemins aussi d’avoir été là pour nous soutenir.
Également nous remercions les membres de Jury d’avoir accepté d’évaluer ce modeste travail.
Nos vifs remerciements ainsi que nos gratitudes à nos très chers parents, qui nous ont accompagné et soutenu tout au long de notre cursus.
Enfin, sans oublier tous nos amis qui nous ont aidés et encouragés, même par leurs pensées, qui nous aiment et que nous aimons.
A tous on vous dit encore merci, c’est grâce à vous tous qu’on a pu réaliser ce mémoire.
Table des matières
TABLE DES MATIÈRES I
LISTE DES FIGURES III
LISTE DES TABLEAUX IV
LISTE DES ABRÉVIATIONS V
INTRODUCTION GÉNÉRALE 1
CHAPITRE I : DÉTECTION ET RECONNAISSANCE DE VÉHICULES DANS UNE SÉQUENCE D’IMAGES 3
• Introduction 4Le transport intelligent 4Définition 4Objectifs des STI 5Politique des STI en Algérie 5La détection, classification et reconnaissance des véhicules 6La détection des véhicules 6La classification des véhicules 6La reconnaissance de véhicule dans une vidéo 7Etat de l’art 8Les méthodes de détection et classification des véhicules dans une vidéo 8La détection de véhicules en mouvement 9Les détections basées sur la différence inter-images 10Les détections basées sur la modélisation du fond 10Les détections basées sur la cohérence 11Détection par les caractéristiques d’apparence 12Extraction de caractéristiques 12Apprentissage profond 13Les algorithmes de détection et de reconnaissance de véhicules dans une vidéo 15L’augmentation des données et RCNN plus rapide améliorent la détection et la reconnaissance des véhicules 15Détection de véhicule et classification de type basée sur CNN-SVM 16Une approche de détection de véhicule robuste basée sur un algorithme R-CNN plus rapide 17Détection de véhicules à l’aide de différents algorithmes d’apprentissage profond à partir d’une séquence d’images 17Détection de véhicules à l’aide de modèles d’apprentissage profond Alexnet et R-CNN plus rapide : Une étude comparative 18Conclusion 19
• Introduction 4
• Le transport intelligent 4Définition 4Objectifs des STI 5Politique des STI en Algérie 5
• Définition 4
• Objectifs des STI 5
• Politique des STI en Algérie 5
• La détection, classification et reconnaissance des véhicules 6La détection des véhicules 6La classification des véhicules 6
• La détection des véhicules 6
• La classification des véhicules 6
• La reconnaissance de véhicule dans une vidéo 7
• Etat de l’art 8Les méthodes de détection et classification des véhicules dans une vidéo 8La détection de véhicules en mouvement 9Les détections basées sur la différence inter-images 10Les détections basées sur la modélisation du fond 10Les détections basées sur la cohérence 11Détection par les caractéristiques d’apparence 12Extraction de caractéristiques 12Apprentissage profond 13Les algorithmes de détection et de reconnaissance de véhicules dans une vidéo 15L’augmentation des données et RCNN plus rapide améliorent la détection et la reconnaissance des véhicules 15Détection de véhicule et classification de type basée sur CNN-SVM 16Une approche de détection de véhicule robuste basée sur un algorithme R-CNN plus rapide 17Détection de véhicules à l’aide de différents algorithmes d’apprentissage profond à partir d’une séquence d’images 17Détection de véhicules à l’aide de modèles d’apprentissage profond Alexnet et R-CNN plus rapide : Une étude comparative 18
• Les méthodes de détection et classification des véhicules dans une vidéo 8La détection de véhicules en mouvement 9Les détections basées sur la différence inter-images 10Les détections basées sur la modélisation du fond 10Les détections basées sur la cohérence 11Détection par les caractéristiques d’apparence 12Extraction de caractéristiques 12Apprentissage profond 13
• La détection de véhicules en mouvement 9Les détections basées sur la différence inter-images 10Les détections basées sur la modélisation du fond 10Les détections basées sur la cohérence 11
• Les détections basées sur la différence inter-images 10
• Les détections basées sur la modélisation du fond 10
• Les détections basées sur la cohérence 11
• Détection par les caractéristiques d’apparence 12Extraction de caractéristiques 12Apprentissage profond 13
• Extraction de caractéristiques 12
• Apprentissage profond 13
• Les algorithmes de détection et de reconnaissance de véhicules dans une vidéo 15L’augmentation des données et RCNN plus rapide améliorent la détection et la reconnaissance des véhicules 15Détection de véhicule et classification de type basée sur CNN-SVM 16Une approche de détection de véhicule robuste basée sur un algorithme R-CNN plus rapide 17Détection de véhicules à l’aide de différents algorithmes d’apprentissage profond à partir d’une séquence d’images 17Détection de véhicules à l’aide de modèles d’apprentissage profond Alexnet et R-CNN plus rapide : Une étude comparative 18
• L’augmentation des données et RCNN plus rapide améliorent la détection et la reconnaissance des véhicules 15
• Détection de véhicule et classification de type basée sur CNN-SVM 16
• Une approche de détection de véhicule robuste basée sur un algorithme R-CNN plus rapide 17
• Détection de véhicules à l’aide de différents algorithmes d’apprentissage profond à partir d’une séquence d’images 17
• Détection de véhicules à l’aide de modèles d’apprentissage profond Alexnet et R-CNN plus rapide : Une étude comparative 18
• Conclusion 19
CHAPITRE II : RÉSEAUX DE NEURONES ET RÉSEAUX DE NEURONES CONVOLUTIFS (CNN) 20
• Introduction 21Introduction à l’intelligence artificielle 21Qu’est-ce que l’intelligence artificielle 21Brève histoire sur l’intelligence artificielle 22Canard de Vaucanson 1738 22Le test de TURING 1950 23La méthode de résolution 1965 23Les années 1970 23Les années 1980 et 1990 24Domaines d’application de l’IA 24Apprentissage profond 25Apprentissage automatique (Machine Learning) 25Apprentissage supervisé 26Apprentissage non supervisé 26Apprentissage par renforcement 27Apprentissage automatique vs apprentissage profond 27Réseaux de neurones artificiels (RNA) 28Qu’est-ce qu’un réseau de neurones artificiel 28Les couches des réseaux de neurones artificiels 28Les types des réseaux de neurones artificiels 29Réseaux de neurones convolutifs (CNN) 31Architecture des CNN 31Les couches de convolution (Convolution Layer CONV) 31Les couches de Pooling 31Les couches de connexion complète (Full Connected Layer) 32La fonction d’activation 32Exemples d’architectures CNN 33LeNet-5 (1998) 33AlexNet (2012) 33GoogleNet (2014) 33VGGNet (2014) 33ResNet (2015) 34Conclusion 34
• Introduction 21
• Introduction à l’intelligence artificielle 21Qu’est-ce que l’intelligence artificielle 21Brève histoire sur l’intelligence artificielle 22Canard de Vaucanson 1738 22Le test de TURING 1950 23La méthode de résolution 1965 23Les années 1970 23Les années 1980 et 1990 24Domaines d’application de l’IA 24
• Qu’est-ce que l’intelligence artificielle 21
• Brève histoire sur l’intelligence artificielle 22Canard de Vaucanson 1738 22Le test de TURING 1950 23La méthode de résolution 1965 23Les années 1970 23Les années 1980 et 1990 24
• Canard de Vaucanson 1738 22
• Le test de TURING 1950 23
• La méthode de résolution 1965 23
• Les années 1970 23
• Les années 1980 et 1990 24
• Domaines d’application de l’IA 24
• Apprentissage profond 25Apprentissage automatique (Machine Learning) 25Apprentissage supervisé 26Apprentissage non supervisé 26Apprentissage par renforcement 27Apprentissage automatique vs apprentissage profond 27
• Apprentissage automatique (Machine Learning) 25Apprentissage supervisé 26Apprentissage non supervisé 26Apprentissage par renforcement 27
• Apprentissage supervisé 26
• Apprentissage non supervisé 26
• Apprentissage par renforcement 27
• Apprentissage automatique vs apprentissage profond 27
• Réseaux de neurones artificiels (RNA) 28Qu’est-ce qu’un réseau de neurones artificiel 28Les couches des réseaux de neurones artificiels 28Les types des réseaux de neurones artificiels 29
• Qu’est-ce qu’un réseau de neurones artificiel 28
• Les couches des réseaux de neurones artificiels 28
• Les types des réseaux de neurones artificiels 29
• Réseaux de neurones convolutifs (CNN) 31Architecture des CNN 31Les couches de convolution (Convolution Layer CONV) 31Les couches de Pooling 31Les couches de connexion complète (Full Connected Layer) 32La fonction d’activation 32Exemples d’architectures CNN 33LeNet-5 (1998) 33AlexNet (2012) 33GoogleNet (2014) 33VGGNet (2014) 33ResNet (2015) 34
• Architecture des CNN 31Les couches de convolution (Convolution Layer CONV) 31Les couches de Pooling 31Les couches de connexion complète (Full Connected Layer) 32La fonction d’activation 32
• Les couches de convolution (Convolution Layer CONV) 31
• Les couches de Pooling 31
• Les couches de connexion complète (Full Connected Layer) 32
• La fonction d’activation 32
• Exemples d’architectures CNN 33LeNet-5 (1998) 33AlexNet (2012) 33GoogleNet (2014) 33VGGNet (2014) 33ResNet (2015) 34
• LeNet-5 (1998) 33
• AlexNet (2012) 33
• GoogleNet (2014) 33
• VGGNet (2014) 33
• ResNet (2015) 34
• Conclusion 34
CHAPITRE III : CONCEPTION ET IMPLÉMENTATION 35
• Introduction 36Conception 36Choix des algorithmes 36YOLOv5 36Faster R-CNN 36Architecture YOLO 37Architecture R-CNN 38Architecture Fast R-CNN 39Architecture Faster R-CNN 39ResNet-50 41Mask R-CNN 42Architecture de détection de véhicule avec YOLOv5 43Base d’entrainement 43Paramètres utilisés 43Résultats sur des images fixes 44Détection de véhicule avec Faster R-CNN 44Base d’apprentissage 45Evaluation des performances 45Matrice de confusion 45Implémentation 46Environnement et outils de développement 46Google Colab 46Mode d’exécution GPU 47Langage Python 47Bibliothèques utilisées 47Résultats d’entrainement 48Conclusion 57
• Introduction 36
• Conception 36Choix des algorithmes 36YOLOv5 36Faster R-CNN 36Architecture YOLO 37Architecture R-CNN 38Architecture Fast R-CNN 39Architecture Faster R-CNN 39ResNet-50 41Mask R-CNN 42Architecture de détection de véhicule avec YOLOv5 43Base d’entrainement 43Paramètres utilisés 43Résultats sur des images fixes 44Détection de véhicule avec Faster R-CNN 44Base d’apprentissage 45Evaluation des performances 45Matrice de confusion 45
• Choix des algorithmes 36YOLOv5 36Faster R-CNN 36
• YOLOv5 36
• Faster R-CNN 36
• Architecture YOLO 37
• Architecture R-CNN 38
• Architecture Fast R-CNN 39
• Architecture Faster R-CNN 39ResNet-50 41
• ResNet-50 41
• Mask R-CNN 42
• Architecture de détection de véhicule avec YOLOv5 43Base d’entrainement 43Paramètres utilisés 43Résultats sur des images fixes 44
• Base d’entrainement 43
• Paramètres utilisés 43
• Résultats sur des images fixes 44
• Détection de véhicule avec Faster R-CNN 44Base d’apprentissage 45
• Base d’apprentissage 45
• Evaluation des performances 45Matrice de confusion 45
• Matrice de confusion 45
• Implémentation 46Environnement et outils de développement 46Google Colab 46Mode d’exécution GPU 47Langage Python 47Bibliothèques utilisées 47Résultats d’entrainement 48
• Environnement et outils de développement 46Google Colab 46Mode d’exécution GPU 47Langage Python 47Bibliothèques utilisées 47
• Google Colab 46
• Mode d’exécution GPU 47
• Langage Python 47
• Bibliothèques utilisées 47
• Résultats d’entrainement 48
• Conclusion 57
CONCLUSION GÉNÉRALE 58
BIBLIOGRAPHIE 59
RÉSUMÉ ……………………………………………………………………………………………………………………………………………..
Liste des figures
Figure 1: Schéma de la classification d’un véhicule dans une image avec les réseaux de neurones. [Touahri, 2020] 7
Figure 2: Le schéma général des méthodes de reconnaissance de véhicules. [Rerbal et Foukia,2017] 8
Figure 3: Illustration du Background et Foreground (Autoroute Est-Ouest Algérie). [Fardjallah, 2014] 9
Figure 4: Liste des méthodes de détection et de classification des véhicules. [Harianto et al., 2021] 9
Figure 5: La différence inter-image. [A. Bugeau, 2011] 10
Figure 6: Soustraction du fond. [A. Bugeau, 2011] 10
Figure 7 : Illustration d’une opération de soustraction d’arrière-plan. [Fardjallah, 2014] 11
Figure 8: (a) Image originale, (b) Régions en mouvement détectées. [Fardjallah, 2014] 12
Figure 9: Etapes d’extraction des caractéristiques. [Chabot, 2015] 13
Figure 10: Les principales catégories de détecteurs d’objets. [Atif et Misseraoui, 2020] 14
Figure 11: Le Canard Digérateur 1738. [Benbrahim, 2020] 23
Figure 12: IA vs ML vs DP. [Medium, 2020] 27
Figure 13: Organisation en couches d’un réseau de neurones artificiel. [Wikipédia] 29
Figure 14: Perceptron monocouche i. [Bisimwa, 2011] 30
Figure 15: Perceptron multicouche. [Bisimwa, 2011] 30
Figure 16: Architecture standard d’un réseau à convolutions. [Fabien, 2018] 31
Figure 17: (A) Max pooling avec un filtre 2*2 et un pas de 2, (B) Moy pooling. 32
Figure 18: Allure de la fonction ReLU. [Santi, 2019] 32
Figure 19: Architecture de YOLO. [Redmon et al, 2016] 37
Figure 20: Principe de l’algorithme YOLO. [Redmon et al, 2016] 37
Figure 21: Architecture R-CNN. [Girshick et al., 2014] 38
Figure 22: L’architecture Fast R-CNN. [GIRSHICK, 2015] 39
Figure 23: Architecture de FasterR-CNN. [Redmon et al, 2016] 40
Figure 24: L’architecture du ResNet-50. [Aditi Rastogui, 2022] 41
Figure 25: L’architecture du Mask RCNN. [KAZI TANI L., 2020] 42
Figure 26: Quelques images de jeu de données vehicles-OpenImages. 43
Figure 27: Résultats du modèle YOLOv5. 44
Figure 28: Interface de Google Colab. 46
Figure 29: Paramètres du notebook sur Google Colab. 47
Figure 30: Graphes de métriques (YOLOv5) 49
Figure 31: Matrice de confusion (YOLOv5). 50
Figure 32: Estimateurs (metrics) (YOLOv5). 51
Figure 33: La fonction loss (YOLO V5). 51
Figure 34: Détection de véhicules par YOLOv5 (1). 53
Figure 35: Détection véhicules par Faster R-CNN (1) 53
Figure 36: Détection de véhicules par YOLO (2). 54
Figure 37: Détection de véhicules par Faster R-CNN (2). 54
Figure 38: Détection de véhicules par YOLO (3). 55
Figure 39: Détection de véhicules par Faster R-CNN (3). 55
Figure 40: Détection de véhicules par YOLO (4). 56
Figure 41: Détection de véhicules par Faster R-CNN (4). 56
Liste des tableaux
Tableau 1: Résultats du test comparatif des trois méthodes à l’époque 10. 16
Tableau 2: Tableau récapitulatif des algorithmes étudiés pour la détection de véhicules. 19
Tableau 3: Comparaison de R-CNN, Fast R-CNN et Faster R-CNN 40
Tableau 4: Matrice de confusion pour une classification binaire 45
Tableau 5: Rapport de classification. 48
Tableau 6: Comparaison entre les deux méthodes (séquence 1). 53
Tableau 7: Comparaison entre les deux méthodes (séquence 2). 54
Tableau 8: Comparaison entre les deux méthodes (séquence 3). 55
Tableau 9: Comparaison entre les deux méthodes (séquence 4) 56
Liste des abréviations
ANN : Artificiel Neural Network (réseau neuronal artificiel)
CNN : Convolutional Neural Network (réseaux de neurones convolutifs).
CPU : Central Processing Unit (unité centrale de traitement).
DL : Deep Learnig.
Faster R-CNN : Faster Region-CNN.
GPU : Graphics Processing Unit.
IA : Intelligence Artificielle.
ML : Machine Learning.
ResNet : RESidual NETwork (réseaux résiduels).
RNA : Réseaux de Neurones Artificiels.
STI : Systèmes de Transport Intelligents.
SVM : Support Vector Machine (machine à vecteurs de support).
TIC : Technologies de l’Information et de la Communication (Information and Communications Technologies).
YOLO : You Only Look Once.
Bibliographie
ABIDI Amina, SLIMANI Mabrouka (2016), « Suivi d’objet en mouvement dans une séquence d’images », Mémoire de fin d’étude, Université Ahmed Draia – Adrar, p19.
Aditi Rastogui (2022), « ResNet50 », Publié dans Génie du développeur le 14 Mars, [consulter le 28 juin 2022]. Disponible sur: https://blog.devgenius.io/resnet50-6b42934db431
Ali Tourani et al (2019), « A RobustVehicleDetectionApproachbased on Faster R-CNN Algorithm », 978-1-7281-1621-1.
AMMAR M, Ana G, BENNAMOUN M, et Senjian A. (2018), « Automatic Hierarchical Classification of Kelps Using Deep Residual Features? ».
ANDRIAMIANDRASOA I. (2019), « SYSTEME DE DETECTION D’OBJET BASE SUR LE DEEP
LEARNING DANS UN MAGASIN INTELLIGENT », Mémoire de fin d’études, Université D’ANTANANARIVO, Août, 101 p.
ATIF Rahil et MISSERAOUI Nacera (2020), « Evaluation d’un algorithme de Deep Learning pour l’amélioration du taux de détection d’objets multiples dans des scènes denses », Mémoire de Master, Université de Blida, p32.
ATIK.M, CEPNI.S et DURAN.Z (2020), « Vehicle Detection Using Different Deep Learning Algorithms from Image Sequence », vol 8, N0.2,347-358, p 357.
Aurélie Bugeau (2011), « Détection et suivi d’objets en mouvement dans des scenes complexes, application a la surveillance des conducteurs.», Thése, Université de RENNES I, janvier, p17.
BELLAHMER H. (2020), « Implémentation et évaluation d’un modèle d’apprentissage automatique pour l’estimation de la valeur marchande de propriétés immobilières », Mémoire de fin d’études, UNIVERSITÉ MOULOUD MAMMERI DE TIZI-OUZOU.
Benahmed Khelifa, Benyamina Zakaria, Bounaama Fateh (2017), « les systems de transport intelligente (STI) », Journées portes ouvertes sur la Faculté des Sciences Exacts JFSE 2017, Juin, 15p.
BENDAOUD Y. (2014), « Prédiction Des Résistances Mécaniques Des Bétons à Base Des Ciments Composés En Utilisant Les Réseaux Neurones Artificiels », Mémoire, Université CONSTANTINE I, juillet, 107 p.
BENSIAH O. (2020), « La proposition d’une nouvelle approche basée Deep Learning pour la prédiction du cancer du sein », Mémoire de fin d’études, Université L’arbi Ben M’hidi Oum El Bouaghi, 86 p.
BISIMWA M. (2011), « Caractérisation et extraction informatique de la structure d’un tableau par une méthode implémentant un réseau de neurones », Mémoire, Institut Supérieur Pédagogique.
Boughaba M & Boukhris B. (2017), « L’apprentissage profond (Deep Learning) pour la classification et la recherche d’images par le contenu », Mémoire de fin d’études, Université KASDI MERBAH OUARGLA, 43 p.
DILMI A. (2012), « APPRENTISSAGE PAR RENFORCEMENT EN UTILISANT LES RESEAUX DE NEURONES ARTIFICIELS : SIMULATION DE LA NAVIGATION D’UN ROBOT MOBILE », Mémoire
de fin d’études, Université de MSILA, juin, 74 p.
Dinesh Kumar (2020), « The Vanishing Gradient Problem », le 19 septembre, Great Learning, [consulter le 28 juin 2022]. Disponible sur : https://www.mygreatlearning.com/blog/the-vanishing-gradient- problem
DJABALLAH M. (2021), « Système de prédiction de la consommation d’énergie basé Deep Learning
», Mémoire de fin d’études, Université de 8 Mai 1945 – Guelma, septembre, 35p.
Dominique PASTRE (2000), « L’INTELLIGENCE ARTIFICIELLE DEFINITION – GENERALITES –
HISTORIQUE – DOMAINES », cours, Module Intelligence Artificielle, Université Paris 5, Février, 3- 8p.
FABIEN M (2018), « IA : vers des robots intelligents ?», Revue de l’Electricité et de l’Electronique.
FARDJALLAH Rachid, BOUGHAZI Wafa (2014), « Analyse d’un tronçon routier et suivi des véhicules pour le monitoring du trafic urbain », Mémoire de Master, Universite de GUELMA, juin, p37.
FATOUMATA Y & AMOR A. (2021), « Machine learning pour la maintenance prédictive », Mémoire de fin d’études, Université Larbi Ben Mhidi d’Oum El-Bouaghi, juillet, 42p.
GANA M. (2016), « Implémentation d’un réseau de neurones dans un microcontrôleur », Mémoire de fin d’études, Université MOULOUD MAMMERI TIZI-OUZOU, juin, 76 p.
Gaudenz Boesch (2022), « Deep Residual Networks (ResNet, ResNet50) – Guide in 2022 », Viso.ai, [consulter le 28 juin 2022]. Disponible sur : https://viso.ai/deep-learning/resnet-residual-neural- network/
GHEDIRI N & SAKRI Z. (2021), « ETUDE ET EXPERIMENTATION DES RESEAUX RESNET-50 ET INCEPTION-V3 DANS LA CLASSIFICATION DE CANCER DE LA PEAU », Mémoire de fin d’études,
Université Larbi Ben M’Hidi d’Oum El Bouaghi.
HARIANTO A el al. (2021), « Data Augmentation and Faster RCNN Improve Vehicle Detection and Recognition », 978-1-6654-0514-0, Avril, 128p.
HICHAM CHAOUI (2002), « CONCEPTION ET COMPARAISON DE LOIS DE COMMANDE ADAPTATIVE À BASE DE RÉSEAUX DE NEURONES POUR UNE ARTICULATION FLEXIBLE AVEC NON-LINÉARITÉ DURE », Mémoire, Univérsité du QUÉBEC À TROIS-RIVIÈRES,
Décembre, p28.
HOURRANE Oumaima (2018), « Brève introduction aux fonctions de perte (Loss Function) », DataScienceToday le 26 juin, [consulter le 30 juin 2022]. Disponible sur : https://www.datasciencetoday.net/index.php/fr/machine-learning/149-breve-introduction-aux- fonctions-de-perte-loss-function
Innocent Mateyaunga, « Prédictive Maintenance Using Machine Learning », la thèse de master, sous la direction de Hadj Abdelkader, Faculté de technologie de l’université de Tlemcen, 2020, 61p.
Intelligence artificielle Vs Machine learning Vs Deep learning Vs Data Science, août 2020, [consulté le
15 juin 2022]. Disponible sur : https://medium.com/@designer.web174/artificial-intelligence-vs- machine-learning-vs-deep-learning-vs-data-science-10e22cbc6ebe
Jean-Paul HATON, Marie-Christine HATON (2013), Résolution de problèmes et modèles de résonnement, 4 décembre 2013 [consulter le 13 mars 2022]. Disponible sur : https://lacademie.tv/conferences/resolution-de-problemes-et-modeles-de-raisonnement
John W.Branch, , Jorge E.Espinosal, Sergio et A.Velastin (2017), «Vehicle Detection Using Alex Net and Faster R-CNN Deep Learning Models: A Comparative Study», 10645, p. 3-15.
José M. Costa (2006), Systèmes de transport intelligents, manuel sur les communications mobiles terrestres, Union internationale des télécommunications, 3p, ISBN : 92-61-11872-0.
KAZI TANI L. (2020), « Conception et Réalisation d’un Outil Semi-Automatique Dédié à l’Analyse et la Recherche du Contenu Vidéo du Web », Thèse, Université d’Oran, juin, 59p.
KHELALEF A. (2020), « Reconnaissance d’activités humaines en utilisant les descripteurs spatio- temporels 2D/3D », Thèse, Université Batna 2 Mostefa Ben Boulaïd, juin, 114p.
KHODJA F. (2011), « Conception d’un système intelligent à base de réseaux de neurones artificiels pour l’étude de la dynamique des streamers à la surface des polymères », Mémoire, Université des Sciences et de la Technologie d’Oran, octobre, 101 p.
L’histoire de l’intelligence artificielle, CEA, 11 avril 2018 [consulté le 8 février 2022]. Disponible sur : https://www.cea.fr/multimedia/Pages/videos/culture-scientifique/technologies/histoire-intelligence- artificielle.aspx#:~:text=%E2%80%8BLes%20premi%C3%A8res%20machines%20pensantes,d’imagi ner%20des%20machines%20pensantes.
MARGOT G. (2021), « Détection et reconnaissance de chiffres manuscrits à partir de plans cadastraux anciens par apprentissage profond », Mémoire de fin d’études, le cnam GeF, septembre.
M. BENBRAHIM (2020), « Chapitre I : Introduction à l’intelligence artificielle », Cours pour master, Université Batna 2, 2p.
Mezaache H. (2008), « Les réseaux de Neurones formels Et Les systèmes Neuro-Flous Pour l’apprentissage par renforcement », Mémoire de fin d’études, Université El Hadj Lakhdar Batna, juillet, 76 p.
M. Gérard VOISIN (2009), « Le déploiement de systèmes de transport intelligents dans le domaine du transport routier et d’interfaces avec d’autres modes de transport », rapport d’information, LA COMMISSION DES AFFAIRES EUROPÉENNES, n°2134, Décembre, 14p.
MIFDAL R, « Application des techniques d’apprentissage automatique pour la prédiction de la tendance des titres financiers », L’obtention De La Maitrise, Sous la direction de M. Edmond Miresco, École De Technologie Supérieure Université Du Québec, 2019, p 176.
MOHAMED.A. BOUHEDADJA (2021), « UTILISATION DE L’APPRENTISSAGE PROFOND POUR LA CLASSIFICATION DES MAUVAISES HERBES DANS LE BLEUET NAIN », Mémoire, UNIVERSITÉ DU QUÉBEC, Avril, p38.
Moustafa ZOUINAR (2020), « Évolutions de l’Intelligence Artificielle : quels enjeux pour l’activité humaine et la relation Humain-Machine au travail ? », activités n°4941, Janvier, 3p.
OUKACINE N. (2012), « Utilisation des réseaux de neurones pour la reconstitution de défauts en évaluation non destructive », Mémoire de Magister, Université Mouloud Mammeri Tizi-ouzou, juillet, 111p.
Olivier Boisard (2020), « Brève histoire de l’Intelligence Artificielle », cours, Ecole Centrale de Lille, Mars, 1p.
Olivier EZRATTY (2018), Les usages de l’intelligence artificielle, Paternité-Pas d’Utilisation Commerciale-Pas de Modification 2.0 France, 21p,23p, ISBN.
OULMI M & KALOUNE S. (2018), « Classification d’objets avec le Deep Learning », Mémoire de fin d’études, Université Akli Mohand Oulhadj de Bouira, 56 p.
OUNISSI M & HARNANE Z. (2020), « Modélisation et classification avec Deep Learning Application à la détection du Coronavirus Covid-19 », Mémoire de fin d’études, Université Mohamed Larbi Ben M’hidi – Oum El Bouaghi, 30 p.
RERBAL Ghouti, FOUKIA Salah Eddine (2017), « Détection et comptage des véhicules dans des séquences vidéo », Mémoire de Master, Université de Tlemcen, juin, p35.
S.Karungaru, L.Dongyang, et K.Terada (2021), « Stephen Karungaru, LyuDongyang, and Kenji Terada », Vol. 11, No. 4, Juillet, 310p.
Senani S. (2019), « Réseaux de neurones convolutionnels pour la détection précoce de la rétinopathie diabétique », Mémoire de fin d’études, Université Mouloud Mammeri de Tizi-Ouzou, juillet, 103 p.
SURYA G. Algorithme de détection d’objets – Architecture YOLO v5, août 2021, [consulté le 15 juin 2022]. Disponible sur : https://medium.com/analytics-vidhya/object-detection-algorithm-yolo-v5- architecture-89e0a35472ef
SYSTEMES DE TRANSPORT INTELLIGENTS (STI), SINGLE WINDOW FOR LOGISTICS, 16
novembre 2018 [consulter le 7 mars 2022]. Disponible sur : https://logistics.public.lu/fr/why- luxembourg/logistics-infrastructure/intelligent-transportation-system.html
Tina Jacob (2022), « Problème de gradient de fuite, expliqué », le 25 février 2022, [consulter le 29 juin 2022]. Disponible sur : https://www.kdnuggets.com/2022/02/vanishing-gradient-problem.html#
TOUAHRI I (2019), « Détection et Classification des Véhicules par Réseaux de Neurones à Convolution CNN », Mémoire de Master, Université de Guelma.
Trafic routier Alger : 25 carrefours « intelligents » Opérationnels à la fin février. Radio Algérienne, 4 février 2019 [consulté le 12 avril 2022]. Disponible sur : https://radioalgerie.dz/news/fr/article/20190204/161607.html
Virginie MATHIVET (2014), L’Intelligence Artificielle pour les développeurs. Concepts et implémentations en C#, Editions ENI, 21,23p, ISBN: 978-2-7460-9215-0.
Zeki Murat Çınar, Abubakar Abdussalam Nuhu, Qasim Zeeshan, Orhan Korhan, Mohammed Asmael and Babak Safaei, « Machine Learning in Predictive Maintenance towards Sustainable Smart Manufacturing in Industry 4.0 » Sustainability, Octobre 2020.
ZERARGUI F & BENZAOUI O. (2021), « Le discours de haine sur le web et les médias sociaux », Mémoire de fin d’études, Université de Bordj Bou Arreridj Mohammed El Bachir El Ibrahimi, 28p.