Éditeur(s) : EUTIC : le réseau international et interdisciplinaire pour les Enjeux et Usages des Technologies de l'Information et de la Communication
Extrait de : "Les écosystèmes numériques et la démocratisation informationnelle" : colloque, les 3 et 4 novembre 2015. Université des Antilles
Description : Cette communication, proposé par Nicolas Lamic, Maître de Conférences en Sciences de l'Education à l'Université des Antilles, a pour objet la présentation d'une démarche d'évaluation empirique (Tricot et al, 2003) d'un test d'implantation de compteurs électriques communicants auprès d'un échantillon de foyers martiniquais sélectionnés dans le cadre d'une recherche expérimentale menée dans l'optique d'un déploiement ultérieur de cette nouvelle technologie sur l'ensemble du territoire de la Martinique. La recherche, toujours en cours, s'organise sur deux phases. La première correspond à l'étape concomitante à l'installation du compteur au domicile des personnes sélectionnées pour l'expérimentation. Elle vise à étudier les conditions d'acceptabilité du compteur communicant. La deuxième phase quant à elle s'intéresse à l'acceptation du compteur et du portail sur lequel les consommateurs peuvent visionner leurs consommations, suivre des objectifs et recevoir des conseils.
Siècle(s) traité(s) : 21
Droits : CC-BY-NC-ND - Attribution - Pas d'utilisation commerciale - Pas de modification
Permalien : http://www.manioc.org/fichiers/V15414
V15414

Éditeur(s) : HAL CCSD
Résumé : National audience
L’enseignement des sciences naturelles vise à permettre aux enfants de construire une représentation rationnelle de leur environnement. Pour ce faire, il est habituel de construire des enseignements authentiques mettant en place une démarche d’investigation ancrée dans un contexte écologique particulier. Des travaux antérieurs ont décrit les effets de contexte comme des événements se produisant en situation d’apprentissage lorsque les contextes de deux acteurs sont différents. Postulant que ces effets de contexte peuvent être considérés non comme une limite à l’apprentissage mais comme un atout, nous avons mis au point une innovation pédagogique afin d’observer, de décrire et de modéliser les modalités d’émergences des effets de contextes. Les apprentissages étudiés portent sur l’étude de grenouilles singulières (Lithobates catesbeianus, Euleutherodactylus sp.) par des enfants de 10 à 13 ans de Guadeloupe et du Québec. La séquence pédagogique inclut notamment un environnement numérique de travail, des visioconférences régulières et une démarche d’investigation sur le terrain assisté par ordinateur. Dans une méthodologie de design based research, des données de différents types (questionnaires, enregistrements, productions d’élève par exemple) ont été collectées. Les résultats préliminaires permettent de décrire différents types d’expression des effets de contexte. Une modélisation de leur émergence est menée à partir des différences entre les contextes écologiques sur lesquels les élèves travaillent. Elle vise à fournir des outils prédictifs pour le chercheur comme pour le concepteur d’enseignement.
IHM'14, 26e conférence francophone sur l'Interaction Homme-Machine
Lille, France

Droits : info:eu-repo/semantics/OpenAccess
hal-01089623
https://hal.archives-ouvertes.fr/hal-01089623
https://hal.archives-ouvertes.fr/hal-01089623/document
https://hal.archives-ouvertes.fr/hal-01089623/file/p38-forissier.pdf

Éditeur(s) : HAL CCSD
Résumé : International audience
This paper examines the historical signatures of 18th century composer, J. S. Bach, to evaluate the effects of vision impairment on handwritten signatures. It is questioned whether Bach penned certain signatures as it is historically documented that he was virtually blind in the years just prior to his death in 1750. Applying information collected from published forensic studies about the effects of vision impairment on handwriting, handwriting indices of vision impairment are compared to Bach's signatures in the late 1740s.
17th Biennial Conference of the International Graphonomics Society
Pointe-à-Pitre, Guadeloupe

hal-01165902
https://hal.univ-antilles.fr/hal-01165902
https://hal.univ-antilles.fr/hal-01165902/document
https://hal.univ-antilles.fr/hal-01165902/file/IGS_2015_submission_25.pdf

Éditeur(s) : HAL CCSD
Résumé : Session "Articles"
National audience
Dans cet article, nous présentons une méthode robuste et précise pour détecter 17 points caractéristiques du visage sur des images expressives. Une nouvelle architecture multi-résolution basée sur les récents algorithmes multi-noyau est introduite. Les patches de faibles résolutions codent les informations globales du visage donnant lieu à une détection grossière mais robuste du point désiré. Les patches de grandes résolutions quant à eux utilisent les détails locaux afin d'affiner cette localisation. En combinant une détection indépendante de points et des informations a priori sur les distributions de points, nous proposons un détecteur robuste aux changements d'expressions ainsi qu'aux variations d'illuminations. Ce système a été évalué sur plusieurs bases de données de la littérature. Les résultats présentés améliorent les performances des détecteurs de l'état de l'art
Actes de la conférence RFIA 2012
Lyon, France

hal-00656522
https://hal.archives-ouvertes.fr/hal-00656522
https://hal.archives-ouvertes.fr/hal-00656522/document
https://hal.archives-ouvertes.fr/hal-00656522/file/rfia2012_submission_99.pdf

Éditeur(s) : HAL CCSD Institute of Electrical and Electronics Engineers
Résumé : International audience
This paper presents our response to the first interna- tional challenge on Facial Emotion Recognition and Analysis. We propose to combine different types of features to automatically detect Action Units in facial images. We use one multi-kernel SVM for each Action Unit we want to detect. The first kernel matrix is computed using Local Gabor Binary Pattern histograms and a histogram intersection kernel. The second kernel matrix is computed from AAM coefficients and an RBF kernel. During the training step, we combine these two types of features using the recently proposed SimpleMKL algorithm. SVM outputs are then averaged to exploit temporal information in the sequence. To eval- uate our system, we perform deep experimentations on several key issues: influence of features and kernel function in histogram- based SVM approaches, influence of spatially-independent in- formation versus geometric local appearance information and benefits of combining both, sensitivity to training data and interest of temporal context adaptation. We also compare our results to those of the other participants and try to explain why our method had the best performance during the FERA challenge.
ISSN: 1083-4419

hal-00731864
http://hal.upmc.fr/hal-00731864
http://hal.upmc.fr/hal-00731864/document
http://hal.upmc.fr/hal-00731864/file/senechal12tsmc_preprint.pdf
DOI : 10.1109/TSMCB.2012.2193567

Éditeur(s) : HAL CCSD
Résumé : Session "Posters"
National audience
Nous présentons une méthode permettant la mesure complète de la pose de la tête lors de captures vidéo monoculaires. Ce procédé utilise un modèle de visage et de texture précis. Le modèle facial, construit à partir d'une distribution de scans 3D haute résolution de visages, permet de générer des densités adaptées aux résolutions effectives. L'étape d'initialisation de la position du modèle est cruciale car elle conditionne le suivi ultérieur de la pose. Nous proposons ainsi d'utiliser une métrique composite construite sur des textures extraites de trois bases de données différentes. L'algorithme est alors capable de suivre le visage dans de vastes plages de poses avec une grande précision. Nous proposons des séquences vidéo de test dotées de vérité-terrain de pose précise et indépendante (précision de 0.1 degrés RMS)
Actes de la conférence RFIA 2012
Lyon, France

hal-00656565
https://hal.archives-ouvertes.fr/hal-00656565
https://hal.archives-ouvertes.fr/hal-00656565/document
https://hal.archives-ouvertes.fr/hal-00656565/file/rfia2012_submission_118.pdf

Éditeur(s) : HAL CCSD Hong Kong : World Academic Publishing
Résumé : International audience
In automatic image analysis, when using natural images, it is important to select the elements in a scene that can lead to correct characterization. Extraneous elements can result in poor values in the parameter evaluation for recognition. Irrelevant elements also increase the processing time, because they can be used incorrectly by the algorithms for characterization or identification. The goal of this paper is to offer identification algorithms and characterizations that will allow effective recognition. We base our procedure on the photographer focus areas to identify those relevant elements in a scene. In this work, we propose a procedure to select the relevant shape from natural images. The treatment uses focal depth with edge detectors. The resulting points are combined with a region partition to obtain relevant shapes.
ISSN: 2309-0650

hal-01278550
https://hal.archives-ouvertes.fr/hal-01278550

Éditeur(s) : HAL CCSD
Résumé : International audience
Proceedings of the 15th Conference of the International Graphonomics Society - IGS 2011
Cancun, Mexico

hal-00604378
https://hal.archives-ouvertes.fr/hal-00604378

Éditeur(s) : HAL CCSD Springer
Résumé : Third International Workshop, MLMI 2012, Held in Conjunction with MICCAI 2012
International audience
Universal Nearest Neighbours (unn) is a classifier recently proposed, which can also effectively estimates the posterior probability of each classification act. This algorithm, intrinsically binary, requires the use of a decomposition method to cope with multiclass problems, thus reducing their complexity in less complex binary subtasks. Then, a reconstruction rule provides the final classification. In this paper we show that the application of unn algorithm in conjunction with a reconstruction rule based on the posterior probabilities provides a classification scheme robust among different biomedical image datasets. To this aim, we compare unn performance with those achieved by Support Vector Machine with two different kernels and by a k Nearest Neighbours classifier, and applying two different reconstruction rules for each of the aforementioned classification paradigms. The results on one private and five public biomedical datasets show satisfactory performance.
Machine Learning in Medical Imaging
Nice, France

hal-00958909
https://hal.archives-ouvertes.fr/hal-00958909
https://hal.archives-ouvertes.fr/hal-00958909/document
https://hal.archives-ouvertes.fr/hal-00958909/file/Miccai.pdf
DOI : 10.1007/978-3-642-35428-1_15

Éditeur(s) : HAL CCSD
Résumé : International audience
L'avènement des interfaces orientées stylo à conduit au développement de nombreuses applications concernant l'analyse d'une forme dessinée à main levée. Mais un dessin, ce n'est pas uniquement une forme, c'est également l'ensemble des gestes constituant l'activité de tracé ayant donné naissance à la trace. Les interfaces orientées stylo nous donnent la possibilité d'analyser cette dimension du dessin. Nous appelons ce type d'analyse : analyse procédurale. Dans cet article, nous allons montrer comment identifier les procédures de dessin privilégiées des utilisateurs, et ce malgré une grande variabilité intra-scripteur, en utilisant une méthode de filtrage du bruit procédural. Puis nous montrerons un exemple d'application de cette approche en proposant une méthode de reconnaissance de dessinateur basée sur l'analyse procédurale.
Actes du Colloque International Francophone sur l'Écrit et le Document 2012
Bordeaux, France

hal-00698875
https://hal.archives-ouvertes.fr/hal-00698875

Éditeur(s) : HAL CCSD
Résumé : International audience
The k-nearest neighbors (k-NN) classification rule is still an essential tool for computer vision applications, such as scene recognition. However, k-NN still features some major drawbacks, which mainly reside in the uniform voting among the nearest prototypes in the feature space. In this paper, we propose a new method that is able to learn the "relevance" of prototypes, thus classifying test data using a weighted k-NN rule. In particular, our algorithm, called Multi-class Leveraged k-nearest neighbor (MLNN), learns the prototype weights in a boosting framework, by minimizing a surrogate exponential risk over training data. We propose two main contributions for improving computational speed and accuracy. On the one hand, we implement learning in an inherently multiclass way, thus providing significant computation time reduction over one-versus-all approaches. Furthermore, the leveraging weights enable effective data selection, thus reducing the cost of k-NN search at classification time. On the other hand, we propose a kernel generalization of our approach to take into account real-valued similarities between data in the feature space, thus enabling more accurate estimation of the local class density. We tested MLNN on three datasets of natural images. Results show that MLNN significantly outperforms classic k-NN and weighted k-NN voting. Furthermore, using an adaptive Gaussian kernel provides significant performance improvement. Finally, the best results are obtained when using MLNN with an appropriate learned metric distance.
Proceedings of the 10th Asian Conference on Computer Vision, ACCV 2010, November 8-12, 2010, Queenstown, New Zealand
Queenstown, New Zealand

hal-00664606
https://hal.inria.fr/hal-00664606
https://hal.inria.fr/hal-00664606/document
https://hal.inria.fr/hal-00664606/file/mlnn_accvfinal.pdf

Éditeur(s) : HAL CCSD
Résumé : Session "Articles"
National audience
Nous présentons ici une méthode permettant de créer et de représenter sous forme vectorielle des classes de transition à partir d'une classification supervisée basée sur des arbres de décision flous. Cette méthode est particulièrement utile pour la classification stricte de données dont les frontières sont naturellement diffuses ainsi que pour leur représentation au sein d'un System d'Information Géographique. C'est le cas par exemple des formations forestières entre lesquels les transitions sont généralement étalées sur plusieurs centaines de mètres avec des gradients dépendant de condition environnementales locales ne permettant pas de définir une transition identique dans toutes les directions. La méthode présentée permet d'ajouter des classes lorsque les zones de transition sont trop étendues plutôt que de fixer une frontière arbitrairement
Actes de la conférence RFIA 2012
Lyon, France

Droits : info:eu-repo/semantics/OpenAccess
hal-00656502
https://hal.archives-ouvertes.fr/hal-00656502
https://hal.archives-ouvertes.fr/hal-00656502/document
https://hal.archives-ouvertes.fr/hal-00656502/file/rfia2012_submission_57.pdf

Éditeur(s) : HAL CCSD
Résumé : International audience
It is an admitted fact that mainstream boosting algorithms like AdaBoost do not perform well to estimate class conditional probabilities. In this paper, we analyze, in the light of this problem, a recent algorithm, unn, which leverages nearest neighbors while minimizing a convex loss. Our contribution is threefold. First, we show that there exists a subclass of surrogate losses, elsewhere called balanced, whose minimization brings simple and statistically efficient estimators for Bayes posteriors. Second, we show explicit convergence rates towards these estimators for unn, for any such surrogate loss, under a Weak Learning Assumption which parallels that of classical boosting results. Third and last, we provide experiments and comparisons on synthetic and real datasets, including the challenging SUN computer vision database. Results clearly display that boosting nearest neighbors may provide highly accurate estimators, sometimes more than a hundred times more accurate than those of other contenders like support vector machines.
European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD)
Bristol, United Kingdom

hal-00702771
https://hal.archives-ouvertes.fr/hal-00702771
https://hal.archives-ouvertes.fr/hal-00702771/document
https://hal.archives-ouvertes.fr/hal-00702771/file/ecml12-dnbnb-sub.pdf

Éditeur(s) : HAL CCSD
Résumé : Session "Atelier IHMA"
National audience
Nous présentons une méthode pour la simulation des capacités d'évaluation de la dissemblance de stratégies de construction de dessins. Cette méthode exploite un descripteur structurel des procédures, l'OPSRL, ainsi qu'une mesure de dissemblance que nous présentons. La polyvalence des types de traitements qui peuvent être mis en oeuvre grâce à cette méthode est illustrée sur des jeux de tracés de formes géométriques qui ont été acquis en ligne au moyen de tablettes à digitaliser.
Actes de la conférence RFIA 2012
Lyon, France

Droits : info:eu-repo/semantics/OpenAccess
hal-00660983
https://hal.archives-ouvertes.fr/hal-00660983
https://hal.archives-ouvertes.fr/hal-00660983/document
https://hal.archives-ouvertes.fr/hal-00660983/file/IHMA_06_-_Ney_-_Remi.pdf

Éditeur(s) : HAL CCSD
Résumé : International audience
Proceedings of the 15th International Conference of the Graphonomics Society - IGS 2011
Cancun, Mexico

hal-00604380
https://hal.archives-ouvertes.fr/hal-00604380

Éditeur(s) : HAL CCSD
Résumé : A standard approach for large scale image classification involves high dimensional features and Stochastic Gradient Descent algorithm (SGD) for the minimization of classical Hinge Loss in the primal space. Although complexity of Stochastic Gradient Descent is linear with the number of samples these method suffers from slow convergence. In order to cope with this issue, we propose here a Stochastic Low-Rank Newton Descent SLND for minimization of any calibrated loss in the primal space. SLND approximates the inverse Hessian by the best low-rank approximation according to squared Frobenius norm. We provide core optimization for fast convergence. Theoretically speaking, we show explicit convergence rates of the algorithm using these calibrated losses, which in addition provide working sets of parameters for experiments. Experiments are provided on the SUN, Caltech256 and ImageNet databases, with simple, uniform and efficient ways to tune remaining SLND parameters. On each of these databases, SLND challenges the accuracy of SGD with a speed of convergence faster by order of magnitude.
https://hal.archives-ouvertes.fr/hal-00825414

hal-00825414
https://hal.archives-ouvertes.fr/hal-00825414
https://hal.archives-ouvertes.fr/hal-00825414/document
https://hal.archives-ouvertes.fr/hal-00825414/file/TechnicalReport.pdf

Éditeur(s) : HAL CCSD Springer Verlag
Résumé : under revision for IJCV
International audience
The k-nearest neighbors (k-NN) classification rule has proven extremely successful in countless many computer vision applications. For example, image categorization often relies on uniform voting among the nearest prototypes in the space of descriptors. In spite of its good properties, the classic k-NN rule suffers from high variance when dealing with sparse prototype datasets in high dimensions. A few techniques have been proposed to improve k-NN classification, which rely on either deforming the nearest neighborhood relationship or modifying the input space. In this paper, we propose a novel boosting algorithm, called UNN (Universal Nearest Neighbors), which induces leveraged k-NN, thus generalizing the classic k-NN rule. We redefine the voting rule as a strong classifier that linearly combines predictions from the k closest prototypes. Weak classifiers are learned by UNN so as to minimize a surrogate risk. A major feature of UNN is the ability to learn which prototypes are the most relevant for a given class, thus allowing one for effective data reduction. Experimental results on the synthetic two-class dataset of Ripley show that such a filtering strategy is able to reject "noisy" prototypes. We carried out image categorization experiments on a database containing eight classes of natural scenes. We show that our method outperforms significantly the classic k-NN classification, while enabling significant reduction of the computational cost by means of data filtering.
ISSN: 0920-5691

hal-00481712
https://hal.archives-ouvertes.fr/hal-00481712
DOI : 10.1007/s11263-012-0539-2
ARXIV : 1001.1221

Éditeur(s) : HAL CCSD
Résumé : International audience
“Affective Computing is computing that relates to, arises from, or deliberately influences emotions” (R.W. Picard, MIT Press, 1997). Specifically, psychosocial equilibrium is now considered as a major issue for both individual and public health. Predicting human emotions via non-intrusive methods is a great challenge triggered by the rise of intelligent assisting systems. In order to determine the emotional state of a subject having a potential psychosocial disorder, it is required to process both neutral and expressive emotions. A computer-engineered method aiming to provide emotional information from videos is proposed. An original approach for affect classification and its interpretation is presented.The database is part of the HUMAINE database, and consists of a large volume of video clips, each displaying individuals, depressed or not, talking with a conversational agent. Both the high-dimensionality of data and its temporal aspect require a pre-training that consists of cleaning, sorting and feature selection, in order to make relevant information usable for further processing by MachineLearning methods. Next step consists in classifying the affective state of subjects according to their positivity or negativity (Russell's model, 1980). By means of six independent classifiers, each running a Support Vector Machine algorithm, separate performances are obtained for each class of emotions. The results reveal an interesting “neutral area phenomenon”, where emotions tend to be harder to be detected.Though more frequent, neutral emotions seem to carry less discriminant information than expressive ones. This issue will be a key for designing a tuning step in further research.
Caribbean Academy Of Science
Deshaies, France

hal-01408029
https://hal.univ-antilles.fr/hal-01408029

Éditeur(s) : HAL CCSD IEEE
Résumé : Object classification is a challenging task in computer vision. Many approaches have been proposed to extract meaningful descriptors from images and classifying them in a supervised learning framework. In this paper, we revisit the classic k-nearest neighbors (k-NN) classification rule, which has shown to be very effective when dealing with local image descriptors. However, k-NN still features some major drawbacks, mainly due to the uniform voting among the nearest prototypes in the feature space. In this paper, we propose a generalization of the classic k-NN rule in a supervised learning (boosting) framework. Namely, we redefine the voting rule as a strong classifier that linearly combines predictions from the k closest prototypes. To induce this classifier, we propose a novel learning algorithm, MLNN (Multiclass Leveraged Nearest Neighbors), which gives a simple procedure for performing prototype selection very efficiently. We tested our method on 12 categories of objects, and observed significant improvement over classic k-NN in terms of classification performances.
International Workshop on Image Analysis for Multimedia Interactive Services
Desenzano del Garda, Italy

hal-00481725
https://hal.archives-ouvertes.fr/hal-00481725
https://hal.archives-ouvertes.fr/hal-00481725/document
https://hal.archives-ouvertes.fr/hal-00481725/file/pbnn_wiamis_10.pdf

Éditeur(s) : HAL CCSD
Résumé : International audience
La recherche de liens conceptuels fréquents (FCL) est une nouvelle approche de clustering de réseaux, qui exploite à la fois la structure et les attributs des noeuds. Bien que les travaux récents se soient déjà intéressés à l’optimisation des algorithmes de recherche des FCL, peu de travaux sont aujourd’hui menés sur la complémentarité qui existe entre les liens conceptuels et l’approche classique de clustering qui consiste en l’extraction de communautés. Ainsi dans ce papier, nous nous intéressons à ces deux approches. Notre objectif est d’évaluer les relations potentiellement existantes entre les communautés et les FCL pour comprendre la façon dont les motifs obtenus par chacune des méthodes peuvent correspondre ou s’intersecter ainsi que la connaissance utile résultant de la prise en compte de ces deux types de connaissance. Nous proposons pour cela un ensemble de mesures originales, basées sur la notion d’homogénéité, visant à évaluer le niveau d’intersection des FCL et des communautés lorsqu’ils sont extraits d’un même jeu de données. Notre approche est appliquée à deux réseaux et démontre l’importance de considérer simultanément plusieurs types de connaissance et leur intersection.
Extraction et gestion des connaissances
Rennes, France

hal-01312560
https://hal.archives-ouvertes.fr/hal-01312560