Ouvrir cette fenêtre en pleine page
  • Imprimer
  • Partager
    • Courriel
    • Twitter
    • Facebook
    • del.icio.us
    • Viadeo
    • LinkedIn

Optimisation d'un système de video surveillance dans les villes intelligentes en utilisant le Deep Learning et la video compressive sensing

(Document en Anglais)

Accès au(x) document(s)

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Accéder au(x) document(s) :
    • https://aurore.unilim.fr/theses/nxfile/default/c6ba3961-8db4-4cbe-9a45-8f7c851d4c01/blobholder:0/2022LIMO0080.pdf
    • https://www.theses.fr/2022LIMO0080/abes
    • https://tel.archives-ouvertes.fr/tel-03850837
    Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Informations sur les contributeurs

Auteur
Saideni Wael
Date de soutenance
13-10-2022

Directeur(s) de thèse
Cances Jean-Pierre - Helbert David
Président du jury
Crussière Matthieu
Rapporteurs
Treuillet Sylvie - Couturier Raphaël
Membres du jury
Cances Jean-Pierre - Helbert David - Courrèges Fabien

Laboratoire
XLIM - UMR CNRS 7252
Ecole doctorale
École doctorale Sciences et Ingénierie (Limoges ; 2022-)
Etablissement de soutenance
Limoges

Informations générales

Discipline
Electronique, microelectronique, optique et lasers, optoelectronique microondes robotique
Classification
Sciences de l'ingénieur

Mots-clés libres
Acquisition comprimée, Apprentissage profond, Traitement de vidéo, Vision par ordinateur
Mots-clés
Traitement du signal -- Techniques numériques,
Données -- Compression (télécommunications),
Apprentissage profond,
Vision par ordinateur,
Villes intelligentes,
Vidéosurveillance
Résumé :

La technique de compressive sensing joue un rôle important dans le traitement des données vu que l’acquisition et la compression se font simultanément grâce à un processus de prise de mesures. Cette technique optimise les capacités de stockage des systèmes ainsi que la vitesse et le coût d’acquisition. Récemment, cette technique est devenue de plus en plus utilisée grâce à l’optimisation des algorithmes de reconstruction en utilisant les architectures du Deep Learning. L’objectif principal de cette thèse est de tirer profit des architectures de Deep Learning pour optimiser la technique de compressive sensing en l’appliquant sur des signaux vidéo et par la suite optimiser l’acquisition, la transmission et la reconstruction des vidéos dans les systèmes numériques modernes. Ainsi, la stratégie adoptée au cours de ces travaux de recherche consiste à commencer par établir une étude comparative sur les approches de vidéo compressive sensing (VCS) basées sur le Deep Learning en évaluant la qualité et la vitesse de reconstruction ainsi que les différentes architectures. Puis, deux environnements de VCS ont été conçus : le premier se base sur la prédiction des frames vidéo en implémentant une approche basée sur un nouveau réseau récurrent et le deuxième exploite les dernières performances réalisées avec les Transformers et le mécanisme d’attention. Alors, la démarche adoptée dans ces deux approches repose sur une analyse de l’état de l’art suivie d’une explication de chaque architecture et une validation expérimentale. Les différentes contraintes rencontrées au cours de ces travaux sont discutées et des solutions appropriées sont proposées.

Informations techniques

Type de contenu
Text
Format
PDF

Informations complémentaires

Entrepôt d'origine
STAR : dépôt national des thèses électroniques françaises
Identifiant
2022LIMO0080
Numéro national
2022LIMO0080

Pour citer cette thèse

Saideni Wael, Optimisation d'un système de video surveillance dans les villes intelligentes en utilisant le Deep Learning et la video compressive sensing, thèse de doctorat, Limoges, Université de Limoges, 2022. Disponible sur https://aurore.unilim.fr/ori-oai-search/notice/view/2022LIMO0080