UNIVERSITÉ DU QUÉBEC

MÉMOIRE PRÉSENTÉ À
L’UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES

COMME EXIGENCE PARTIELLE

DE LA MAITRISE EN MATHÉMATIQUES ET INFORMATIQUE
APPLIQUÉES

PAR
ABOUBACAR SALIF TAPSOBA

CONCEPTION D’UN SYSTÈME DE RECONNAISSANCE FACIALE

MASQUÉE

JUILLET 2023
 Université du Québec à Trois-Rivières

Service de la bibliothèque

Avertissement

L’auteur de ce mémoire, de cette thèse ou de cet essai a autorisé

l’Université du Québec à Trois-Rivières à diffuser, à des fins non
lucratives, une copie de son mémoire, de sa thèse ou de son essai.

Cette diffusion n’entraîne pas une renonciation de la part de l’auteur à ses

droits de propriété intellectuelle, incluant le droit d’auteur, sur ce
mémoire, cette thèse ou cet essai. Notamment, la reproduction ou la
publication de la totalité ou d’une partie importante de ce mémoire, de
cette thèse et de son essai requiert son autorisation.
 Résumé

L’identification humaine est une tâche fondamentale dans le domaine

de la vision par ordinateur. Elle est utilisée en surveillance vidéo, entre autres.
Le volume de données acquises par les caméras de surveillance est énorme,
ce qui constitue un défi. Il est donc nécessaire d’extraire des caractéristiques
de base, qui peuvent être obtenues rapidement tout en minimisant l’espace
mémoire.
La reconnaissance des visages a été au cœur de plusieurs nouvelles
percées au cours des deux dernières décennies et a régulièrement proposé
plusieurs applications pluridisciplinaires qui vont des logiciels commerciaux
traditionnels aux applications essentielles d'application de la loi. Les récents
développements révolutionnaires dans l'analyse du Big Data, le Cloud
Computing, les réseaux sociaux et le Machine Learning ont considérablement
transformé la vision conventionnelle de la manière de résoudre plusieurs
problèmes complexes en vision par ordinateur. Dans ce projet, nous mènerons
une étude approfondie des concepts du Cloud Computing, du Big Data, des
réseaux de neurones et du Machine Learning dans une perspective
contemporaine de la Reconnaissance des visages, et proposerons une nouvelle
approche. Nous réaliserons des tests à une grande échelle et une comparaison
avec d’autres méthodes.
Mots-clés :

Reconnaissance faciale, détection de visage, mégadonnées, infonuagique,

apprentissage automatique.

II
 REMERCIEMENTS

Avant tous, nous remercions ALLAH, pour nous avoir donné le pouvoir
pour réaliser ce travail.
Un grand merci à mon encadreur M. Fathallah Nouboud, Professeur à
l’Université du Québec à Trois-Rivières, qui a fourni des efforts énormes par
ses conseils, ses orientations et ses informations.
Nous tenons à remercier les membres du jury et tous les enseignants du
département Mathématiques et Informatiques Appliquées.
A mon père, ma mère, mon frère, ma sœur, mon âme sœur, mes enfants,
mes amis bien-aimés et à toutes personnes ayant participé de près ou de loin
à la réalisation de ce modeste travail.

III
Table des matières
Résumé ........................................................................................................................................... II
REMERCIEMENTS ................................................................................................................... III
INTRODUCTION GÉNÉRALE ................................................................................................ 10
CHAPITRE 1 : ÉTAT DE L’ART ............................................................................................. 12
CHAPITRE 2 : AU CŒUR DU BIG DATA ............................................................................. 15
1. Introduction ..................................................................................................................... 15
2. Le paysage des données massives ................................................................................... 16
2.1. L’activité des données ............................................................................................. 16
2.2. Évolution des Mégadonnées.................................................................................... 16
3. Representation des mégadonnées ................................................................................... 17
3.1. Definition .................................................................................................................. 17
3.2. Dimensions des Mégadonnées................................................................................. 18
4. Sources de données .......................................................................................................... 19
5. Différents Types de données ........................................................................................... 19
5.1. Données Structurées ................................................................................................ 19
5.2. Données non structurées ......................................................................................... 20
5.3. Données semi-structurées ....................................................................................... 20
6. Infrastructure des mégadonnées .................................................................................... 20
7. Cycle de vie des mégadonnées ......................................................................................... 21
8. Défis rencontrés lors de la gestion des mégadonnées .................................................... 22
9. Techniques d’analyse des données .................................................................................. 22
9.1. Analyse descriptive ................................................................................................... 22
9.2. Analyse prédictive..................................................................................................... 23
9.3. Analyse Prescriptive.................................................................................................. 23
10. Cas d’usages du Big Data .............................................................................................. 23
10.1. Soins de santé ....................................................................................................... 23
10.2. Les télécoms .......................................................................................................... 24
10.3. Les services financiers........................................................................................... 24
11. Conclusion ..................................................................................................................... 24
CHAPITRE 3 : VISION PAR ORDINATEUR ...................................................................................... 25

IV
 1. Introduction ...................................................................................................................... 25
2. Aperçu de la vision par ordinateur ................................................................................ 26
3. Les cas d’usages de la vision par ordinateur .................................................................... 27
3.1. Sécurité et sureté ...................................................................................................... 27
3.2. Le domaine de l’automobile ..................................................................................... 27
3.3. Le secteur de la vente ............................................................................................... 28
3.4. Le domaine sportif .................................................................................................... 28
3.5. Le domaine médical .................................................................................................. 28
4. Les principales tâches de la vision par ordinateur........................................................... 28
5. Les défis de la vision par ordinateur ................................................................................ 29
6. Conclusion ......................................................................................................................... 29
CHAPITRE 4 : Le CLOUD COMPUTING .......................................................................................... 30
1. Introduction ...................................................................................................................... 30
2. La technologie Cloud Computing ..................................................................................... 30
2.1. Définition .................................................................................................................. 30
3. Modèles de services cloud................................................................................................ 31
3.1. SaaS (Software as a Service) ..................................................................................... 31
3.2. PaaS (Plateforme as a Service) ................................................................................. 32
3.3. IaaS (Infrastructure as a Service) .............................................................................. 32
4. Modèles de déploiement.................................................................................................. 33
4.1. Les Clouds publics ..................................................................................................... 33
4.2. Les Clouds privés ....................................................................................................... 33
4.3. Les Clouds communautaires ..................................................................................... 33
4.4. Les Clouds hybrides................................................................................................... 34
5. Avantages et inconvénients du Cloud Computing ........................................................... 34
5.1. Les avantages ............................................................................................................ 34
5.2. Les inconvénients...................................................................................................... 34
6. Les caractéristiques du Cloud ........................................................................................... 35
6.1. Libre-service à la demande ....................................................................................... 35
6.2. Large accès au réseau ............................................................................................... 35
6.3. Élasticité rapide......................................................................................................... 35
6.4. Mise en commun des ressources ............................................................................. 35
6.5. Services mesurés ...................................................................................................... 36

V
 7. Cloud Computing et Big Data ........................................................................................... 36
8. Conclusion ......................................................................................................................... 37
CHAPITRE 5 : CONTEXTE D’ÉTUDE ................................................................................................ 38
1. Introduction ...................................................................................................................... 38
2. Reconnaissance faciale .................................................................................................... 38
2.1. Architecture de reconnaissance faciale.................................................................. 38
2.2. Les types de représentations ................................................................................... 39
2.2.1. Les approches holistiques ..................................................................................... 39
2.2.2. Les approches locales ........................................................................................... 40
2.2.3. Les approches Hybrides ........................................................................................ 40
2.3. Les domaines d’applications .................................................................................... 40
3. Les réseaux de neurones ................................................................................................. 41
3.1. Fonction d’activation............................................................................................... 42
3.2. Algorithme d’apprentissage ................................................................................... 43
3.3. Rétropropagation .................................................................................................... 43
3.4. Bases de données ...................................................................................................... 44
3.5. Quelques notions ...................................................................................................... 45
4. Présentation des réseaux de neurones convolutifs (CNN) .............................................. 45
4.1. Les images RVB ......................................................................................................... 45
4.2. Les couches de convolutions .................................................................................... 46
4.3. Couche de mise en commun..................................................................................... 47
4.4. Les couches entièrement connectées ...................................................................... 48
4.5. Présentation des réseaux de neurones LeNet-5 ...................................................... 49
5. Amélioration du modèle .................................................................................................. 50
5.1. Augmentations des données .................................................................................... 50
5.2. Dropout..................................................................................................................... 51
5.3. Processus de normalisations par lots ..................................................................... 51
5.4. Présentation de la taille des lots.............................................................................. 51
5.5. Taux d’apprentissage .............................................................................................. 51
CHAPITRE 6 : MÉTHODOLOGIE DE RECHERCHE ........................................................ 52
1. Introduction ..................................................................................................................... 52
2. Environnement logiciel et matériel de développement................................................. 52
2.1. Configuration Matérielle ........................................................................................ 52

VI
 2.2. Langage de programmation ..................................................................................... 53
2.3. Présentation des bibliothèques ............................................................................... 53
2.4. Environnement de développement ......................................................................... 55
3. Données............................................................................................................................. 56
3.1. Collecte des données. ............................................................................................... 56
3.2. Organisation des données ....................................................................................... 56
3.3. Détection de visages ................................................................................................. 58
3.4. Alignement de visages ............................................................................................. 59
3.5. Extractions des caractéristiques (prétraitement des données) .............................. 59
4. Formation des modèles de reconnaissance faciale ......................................................... 60
4.1. Première expérimentation ....................................................................................... 61
4.2. Deuxième expérimentation ...................................................................................... 62
4.3. Troisième expérimentation ...................................................................................... 62
4.4. Bases de données...................................................................................................... 62
4.5. Les métriques de performances.............................................................................. 63
CHAPITRE 7 : RÉSULTATS ET DISCUSSIONS .................................................................. 65
1. Présentations des résultats et discussions. ..................................................................... 65
2. Résultats obtenus ............................................................................................................. 71
CONCLUSION GÉNÉRALE..................................................................................................... 74
RÉFÉRENCES ............................................................................................................................ 76

VII
 Liste des figures
FIGURE 1 : IMAGE D’UN HOMME ET D’UN CHAT [38]. .................................................................................... 26
FIGURE 2 : LES MODÈLES DE SERVICE DU CLOUD COMPUTING [47] .............................................................. 31
FIGURE 3 : PROCESSUS DE RECONNAISSANCE FACIALE [54]. ......................................................................... 39
FIGURE 4 : ARCHITECTURE D’UN RÉSEAU DE NEURONES [61]. ...................................................................... 42
FIGURE 5 : UN NEURONE ARTIFICIEL [63]. ..................................................................................................... 43
FIGURE 6 : ÉVOLUTION DE LA COURBE D’ERREUR DURANT LA PHASE D’APPRENTISSAGE [61]. ..................... 44
FIGURE 7 : ARCHITECTURE D'UN RÉSEAU DE NEURONES CONVOLUTIFS......................................................... 45
FIGURE 8 : UNE REPRÉSENTATION VISUELLE D'UNE COUCHE CONVOLUTIVE [67]. ......................................... 47
FIGURE 9 : OPÉRATION DE MISE EN COMMUN [69]. ............................................................................ 48
FIGURE 10 : OPÉRATION D’APLATISSEMENT [70]. .............................................................................. 49
FIGURE 11 : ARCHITECTURE LENET-5 [73]. .................................................................................................. 50
FIGURE 12 : COMMANDES D’INSTALLATION ET D’ACTIVATION. .................................................................... 55
FIGURE 13 : EXEMPLES D’IMAGES DE LA BASE DE DONNÉES FFHQ [5]. ........................................................ 57
FIGURE 14 : EXEMPLES D'IMAGES DE VISAGES DÉTECTÉS. ............................................................................. 58
FIGURE 15 : EXEMPLES D'IMAGES DE VISAGES RECADRÉS. ............................................................................ 59
FIGURE 16 : EXEMPLES D'IMAGES APRÈS EXTRACTIONS DES CARACTÉRISTIQUES. ........................................ 60
FIGURE 17 : ARCHITECTURE DU BIG DATA PROPOSÉ ........................................................................ 63
FIGURE 18 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET (2) GRAPHIQUE DE PERTE
D’ENTRAINEMENT ET DE VALIDATION POUR LA PREMIÈRE EXPÉRIMENTATION . .................................... 66
FIGURE 19 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET (2) GRAPHIQUE DE PERTE
D’ENTRAINEMENT ET DE VALIDATION POUR LA DEUXIÈME EXPÉRIMENTATION. ................................... 66
FIGURE 20 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET (2) GRAPHIQUE DE PERTE
D’ENTRAINEMENT ET DE VALIDATION POUR LA TROISIÈME EXPÉRIMENTATION. ................................... 67
FIGURE 21 : MATRICE DE CONFUSION DE LA PREMIÈRE EXPÉRIMENTATION. ................................................. 68
FIGURE 22 ; MATRICE DE CONFUSION DE LA DEUXIÈME EXPÉRIMENTATION. ................................................ 69
FIGURE 23 : MATRICE DE CONFUSION DE LA TROISIÈME EXPÉRIMENTATION. ................................................ 70
FIGURE 24 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 1ERE EXPÉRIMENTATION. ........................ 72
FIGURE 25 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 2EME EXPÉRIMENTATION. ....................... 72
FIGURE 26 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 3EME EXPÉRIMENTATION. ....................... 73

VIII
 Liste des tableaux
TABLEAU 1 : CONFIGURATION MATÉRIELLE .................................................................................................. 53
TABLEAU 2 : TABLEAU DE COMPARAISON DES RÉSULTATS DES TROIS EXPÉRIMENTATIONS. ......................... 71

IX
 INTRODUCTION GÉNÉRALE

Si vous êtes dans le monde de l’informatique ou des affaires, vous avez

probablement entendu parler du phénomène Big Data. Le BD est l'une des dernières
tendances technologiques qui impacte profondément la façon dont les organisations
utilisent l'information. Il fait référence à la collecte, au traitement et à l’organisation
des informations à partir de grands ensembles de données. Bien que personne ne
sache vraiment ce que signifie le Big Data, il ne fait aucun doute que le « BD » n’est
pas seulement un mot à la mode en matière d’informatique. Il s’agit plutôt d’un
concept en évolution rapide dans les technologies de l’information et les données.
Le logiciel de reconnaissance faciale est devenu l’une des technologies les
plus importantes et les plus controversées au cours de ces dernières années. La
reconnaissance faciale est responsable de l'identification et de l'authentification. Elle
compare les données à une base de données de visages connus. La technologie de
reconnaissance faciale a eu une attention considérable en tant que domaine de
recherche actif en raison de son utilisation potentielle dans les applications
commerciales et des exigences accrues de sécurité [1].
La pandémie de Covid 19 et ses différentes variantes ont fait la une de la
maladie au quotidien. Elle a engendré des changements significatifs au sein de la
communauté universitaire. Des cours à distance et en ligne, le respect des mesures
de sécurité pour les cours en présentiel…Autant de scénarios possibles pour fournir
une formation efficiente dans un contexte de crise sanitaire mondiale. Parlant de
formation efficiente, les universités mènent des activités quotidiennes en fournissant
des services au personnel académique et aux étudiants. Ces gens sont tenus de porter
des masques lors des activités académiques pour se protéger mais aussi pour
contrôler la propagation du coronavirus [2]. Toutefois, cette mesure préventive
soulève un défi pour les universités : comment assurer la surveillance efficace du
respect du port de masques dans un environnement académique dynamique et
diversifié?
A la lumière de cette question nous développons un système de
reconnaissance de masque facial pour identifier les visages sans masques et
encourager les gens à bien porter les masques. Notre stratégie pour atteindre notre
objectif consiste à utiliser des réseaux de neurones convolutifs (CNN) [3], qui ont
démontré leur efficacité dans l'extraction de caractéristiques, une étape très
importante dans le processus de classification des images. Les réseaux de neurones

10
convolutifs utilisent des grands ensembles de données pour les applications de
reconnaissance faciale masquée. Cependant, l’acquisition de quantités massives de
données est souvent un défi crucial pour obtenir d’excellentes performances.
Une approche combinant la technique d’augmentation des données et le
modèle LeNet-5 [4] est proposée pour la résolution de notre problématique. Notre
travail mène des expériences de reconnaissances des visages masquées sur le jeu de
données Flickr-Face HQ (FFHQ) [5].
Notre projet de recherche est structuré en sept (7) chapitres. Tout d'abord, le
premier chapitre aborde l'état de l'art, en examinant les recherches existantes dans
les domaines de la reconnaissance faciale et des réseaux de neurones convolutifs.
Par la suite, dans le deuxième chapitre, nous nous penchons sur le concept du « Big
Data », en décrivant en détail le paysage des mégadonnées, les différents types de
données et les technologies utilisées pour leur traitement. Le troisième chapitre,
intitulé « Vision par ordinateur », explore les différentes applications de cette
discipline ainsi que les principales tâches qu'elle englobe. Ensuite, dans le quatrième
chapitre, nous nous intéressons au « Cloud Computing », en étudiant les modèles de
déploiement et de service, leurs avantages respectifs et les critères à prendre en
compte lors du choix d'un modèle spécifique. Dans le cinquième chapitre, appelé «
Contexte d'étude », nous approfondissons notre compréhension des technologies de
reconnaissance faciale et des réseaux de neurones artificiels, en explorant également
les diverses techniques susceptibles de garantir des résultats satisfaisants. Par la
suite, le sixième chapitre, intitulé « Méthodologie de recherche », présente en détail
la méthodologie que nous avons élaborée pour mener à bien notre projet, ainsi que
les outils spécifiques que nous avons utilisés. Enfin, dans le dernier chapitre intitulé
« Présentation des résultats et discussion », nous mettons en avant les résultats
obtenus grâce à nos travaux de recherche et entamons une discussion approfondie
autour de ces résultats.

11
 CHAPITRE 1 : ÉTAT DE L’ART
La technologie de reconnaissance faciale est un domaine de recherche qui a
attiré beaucoup d’attention aux cours de ces dernières années [1, 6]. Elle comprend
généralement quatre étapes, à savoir la détection des visages, l'alignement,
l'extraction des caractéristiques faciales et la classification des visages [7]. Les
caractéristiques faciales utilisées dans les technologies de reconnaissance faciale
incluent souvent le nez, la bouche et les yeux. Cependant, diverses situations et
circonstances, comme la pandémie de COVID-19, ont rendu le port de masques
courant, ce qui masque partiellement les visages et affecte donc la précision de la
reconnaissance faciale [8, 9]. Cela renforce la nécessité de former des modèles
d'apprentissage en profondeur capables d’identifier et de vérifier avec précision les
systèmes de reconnaissance faciale masquée. De nombreuses recherches ont été
entreprises pour relever le défi de la reconnaissance faciale masquée dans le
domaine de l'apprentissage en profondeur.

N. U. Din et al [10] ont proposé un réseau basé sur un réseau antagoniste

génératif (GAN) pour retirer automatiquement le masque du visage. Ils ont réussi à
préserver la cohérence de la structure et de la forme du visage reconstruit en utilisant
deux discriminateurs pour apprendre la structure générale de la zone masquée en
profondeur. Leur approche surpasse qualitativement et quantitativement les
approches représentatives précédentes dans l'état de l'art.

G. Deore et al [11] ont présenté l'identification des personnes masquées dans

une caméra de vidéosurveillance. Ils ont utilisé l’algorithme de HOG (Histogramme
des gradients) pour la détection de personne. Leur algorithme détermine qu'une
personne porte un masque facial lorsqu'elle est détectée et que son visage ne l'est
pas. Leurs travaux ont contribué à la construction d'un modèle d'identification du
visage masqué, offrant ainsi une compréhension analogue de cette problématique.

M. S. Ejaz et al. [12] ont proposé l’approche d’augmentation des données des
images de visages masqués et non masqués pour une meilleure précision à l’aide du
réseau de neurones convolutifs en cascade multitâche (MTCNN), du modèle
d’intégration Google FaceNet et du classificateur SVM (Séparateurs à vaste marge).
Dans cette approche, les régions faciales sont détectées à l'aide du réseau MTCNN.
Ensuite, l'extraction des caractéristiques faciales est effectuée à l'aide du modèle
d'intégration Google FaceNet. Enfin, le classificateur SVM est utilisé pour

12
reconnaître les identités des individus. Les résultats obtenus par les auteurs
démontrent une performance remarquable en termes de reconnaissance faciale
masquée.

A. Anwar et al. [13] ont mené des recherches sur la reconnaissance faciale
masquée dans le contexte de l'authentification sécurisée. Ils ont présenté le modèle
MaskTheFace, un outil open-source qui génère un grand ensemble de données de
visages masqués. MaskTheFace détecte les points de repère du visage pour
identifier les principales caractéristiques du visage. Les auteurs ont évalué la
précision de leur système réentraîné en utilisant l'ensemble de données de
reconnaissance faciale masquée MFR2[14]. Les résultats obtenus ont démontré une
précision comparable à celle des approches existantes.

P. Nagrath et al. [15] ont obtenu des résultats prometteurs avec une précision
de 93% et un score F1 de 93% en utilisant le modèle SSDMNV2 pré-entraîné sur
l'ensemble de données de visages masqués provenant de Kaggle [16]. L'objectif de
leur recherche était de détecter en temps réel les masques faciaux. Pour atteindre cet
objectif, ils ont utilisé le classificateur d'images MobileNetV2 pour classifier les
images. Les performances élevées obtenues démontrent l'efficacité de leur approche
dans la détection des masques faciaux en temps réel.

S. V. Militante et N. V. Dionisio [17] ont proposé une approche utilisant

l'apprentissage profond et les réseaux de neurones convolutifs (CNN) pour les
systèmes de reconnaissance faciale masquée en temps réel. Leur objectif principal
était de déterminer si un visage était porteur d'un masque ou non. Les chercheurs
ont réalisé une étude qui a abouti à des résultats optimaux pour la détection des
masques faciaux. Après de nombreux essais, ils ont obtenu une précision de 96%
pour leurs résultats.

S. Ge et al. [18] ont développé un modèle en utilisant un ensemble de données

pour la détection de visages masqués et non-masqués. L'ensemble de données des
visages masqués comportait 35 806 images de personnes portant des masques. Les
auteurs ont utilisé un réseau neuronal convolutif pour concevoir leur modèle, qui
comprend trois modules distincts : proposition, mise en œuvre et authentification.
Grâce à leur travail, ils ont obtenu des résultats avec une précision de 76,1%.

M. Loey et al. [19] ont réalisé une étude portant sur un modèle hybride utilisant
l'apprentissage par transfert pour détecter les masques faciaux dans des images
réelles. Leur modèle exploite trois ensembles de données : l'ensemble de données

13
RMFD (Real-world Masked Faces Dataset) [20] pour les visages masqués du monde
réel, l'ensemble de données SMFD (Simulated Masked Faces Dataset) [21] pour les
visages masqués simulés, et l'ensemble de données LFW (Labeled Faces in the
Wild) [22] pour les visages non masqués. L'approche proposée comprend
l'utilisation du modèle ResNet-50 pour extraire les caractéristiques des visages, et
du modèle Yolov2 pour la détection des masques faciaux. Les chercheurs ont obtenu
d'excellents résultats avec une précision de 99,64% pour RMFD, 99,48% pour
SMFD, et 100% pour LFW respectivement.

14
 CHAPITRE 2 : AU CŒUR DU BIG DATA

1. Introduction
La croissance exponentielle des utilisateurs d’internet a engendré une
saturation du flux de données au cours des dernières décennies. Les données
générées exponentiellement à partir des applications informatiques, sont collectées
puis traitées dans une panoplie de domaines d’applications tels que les services
mobiles, les services financiers, les sciences naturelles et génie. Selon une enquête
récente d’IBM 2,5 quintillions (2 500 000 000 000 000 000 000, soit 2,5 × 1018)
octets de données sont générés chaque jour [23].

La dernière décennie fut marquée par une variété de plateformes différentes

des médias sociaux, chacune d’elle générant une vaste quantité de données. Ces
données, plus ou moins extractibles, deviennent la nouvelle propriété intellectuelle.
Les appareils intelligents, tout comme les réseaux sociaux, sont devenus
incontournables dans le quotidien des utilisateurs. En effet les appareils intelligents
et les réseaux sociaux évoluent parallèlement. Les appareils intelligents connectés à
d’autres appareils quotidiens tels que nos réfrigérateurs et nos montres génèrent,
d’autres part, une grande quantité d’informations.

Nous dépendons de plus en plus d’internet et du Web, et le secteur

académique n’en fait pas l’exception à travers les recherches scientifiques et les
activités éducatives. La pandémie de Covid-19 a déclenché une création de
nouvelles données depuis ses débuts. Cette création se justifie par l’adaptation des
environnements de travail ainsi que les divertissements à distance. Cependant la
sphère mondiale des données connaîtra une croissance due aux interactions dans les
années à venir [24].

Nul doute que les données sont la nouvelle source économique du fait que la
taille de l’univers numérique augmente avec le temps. La quantité de donnés a
connu un boom, et par conséquent le terme Big Data qui se réfère aux mégadonnées
recèle un énorme potentiel pour améliorer nos vies.

15
 2. Le paysage des données massives

2.1. L’activité des données

La quantité de données créées et stockées a considérablement augmenté.
Depuis les années 80, la production de données s'est accrue avec l'informatique
personnelle. Cela inclut les vidéos, les audios, les textes, les journaux et les photos,
ainsi que les machines connectées aux objets avec lesquels les gens interagissent.
Les machines connectées les unes aux autres ajoutent de manière significative à la
quantité massive de données existantes. Le développement technologique a conduit
à l'intégration de capteurs, de téléphones portables et de compteurs dans des objets
quotidiens comme les véhicules, les vêtements et les sources d'énergie.

La croissance des données ne se limite pas à l’activité humaine et à la

connexion des machines. Il existe des données publiées par de nombreuses
organisations et entreprises. Comprendre les clients, les produits et les services
d'une entreprise nécessite beaucoup de données et d'analyses. Ainsi les géants du
Web tels que Google, Apple et Amazon accroissent l’utilisation de leurs services
grâce à la consumérisation des technologies de l'information pour une plus grande
puissance de traitement et de stockage de données

La démocratisation des appareils intelligents ainsi que l’omniprésence des

réseaux sociaux constituent une nouvelle source de création de quantité de données.
En effet, nos habitudes ont changé : au lieu d'attendre des ordinateurs qu'ils
remplissent des fonctions spécifiques, nous attendons d'eux qu'ils s'adaptent aux
nouvelles tendances.

2.2. Évolution des Mégadonnées

Toute nouvelle technologie est toujours due aux limites des technologies plus
anciennes et à la nécessité de les surmonter. Cependant, la plupart des nouvelles
technologies des données s'appuient sur des idées plus anciennes même si elles sont
incrémentielles ou révolutionnaires. L’accroissement des capacités de stockage de
données a permis d'améliorer les performances et de réduire les coûts.
Conformément à la loi de Moore [25], le prix de diverses ressources informatiques
a chuté de façon régulière au cours des 20 dernières années. Cela inclut l'espace de
stockage et le nombre de nœuds.

L’augmentation exponentielle du volume de données, qui se mesure en

téraoctets et en pétaoctets, s’est avérée être un défi pour le Système de Gestion des
Bases de Données Relationnelles (SGBDR) dans la gestion d’un volume de données
aussi massif. La gestion des données englobe des nouvelles technologies
matérielles, réseau et logicielles telles que le Cloud Computing et la virtualisation.

16
La convergence de ces technologies émergentes et la réduction des coûts du
stockage aux cycles de calcul ont transformé le paysage des données et rendu
possibles de nouvelles opportunités.

La dernière technologie à émerger est le Big Data littéralement appelée les

mégadonnées.

3. Representation des mégadonnées

3.1. Definition
« The ability of society to harness information in novel ways to produce
useful insights or goods and services of significant value » and « things one can do
at a large scale that cannot be done at a smaller one, to extract new insights or create
new forms of value. » by Mayer-Schonberger and Cukier (2013) [26].

Le Big Data est littéralement défini comme des mégadonnées ou des données
massives. C’est un ensemble d’entités de données hétérogènes en extensibilité
permanente qui ne peuvent pas être pris en charge par les systèmes de gestion de
données traditionnels. Il est aussi défini comme une architecture distribuée et
évolutive pour stocker et traiter de gros volumes de données.

En effet, les données sont créées chaque jour à l'aide de différents outils. Le
Big Data est un terme désignant des ensembles de données très volumineuses. Cet
ensemble de données géré par les grandes sociétés Internet telles que Google,
Facebook, Amazon et Yahoo a changé les processus, les objectifs et la prise de
décision ces dernières années [27].

L'apparition du Big Data marque une nouvelle révolution industrielle

similaire à celle de l'électricité. Il n’existe cependant pas de définitions universelles
pour les mégadonnées car les données elles-mêmes sont un concept complexe qui
nécessite une interprétation en fonction des communautés qui les utilisent.

Dans la communauté de l’analyse, les données massives sont

conceptualisées par les trois dimensions suivantes : [28]

•Volumes de données en croissance exponentielle;

•Vitesse de transmission extrêmement élevée;

•Large variété de données.

17
 3.2. Dimensions des Mégadonnées
Le Big Data se distingue par ses caractéristiques exceptionnelles aux
dimensions variées. La première des dimensions est la taille des données. La taille
des données augmente car il y a eu une diminution significative de cout de stockage
et de CPU. La deuxième dimension du Big Data est la vitesse. Elle concerne la
rapidité avec laquelle les données traitées peuvent être produites et analysées. Puis
la variété, qui définit l'hétérogénéité des données qu’elles soient structurées, semi-
structurées ou non structurées. D’où la troisième dimension.

3.2.1.Volume
Créer des solutions commerciales meilleures et plus adaptées est un objectif pour
nombreuses entreprises. En effet, les solutions plus larges impliquent une
augmentation significative des données à stocker. Le volume fait référence aux
grandes quantités de données générées et enregistrées. Le volume Big Data mesure
des téraoctets aux zettaoctets (1024 Go = 1 téraoctet ; 1024 To = 1 pétaoctet ; 1024
Po = 1 exaoctet ; 1024 EB = 1 zettaoctet ; 1024 ZB = 1 yottabyte) [23].

3.2.2.Vitesse
Les données doivent être stockées, traitées, analysées et livrées en temps réel.
La rapidité avec laquelle les données sont reçues et enregistrées puis analysées est
la vitesse. Les données sont collectées à un rythme élevé, ce qui rend difficile leur
sauvegarde dans un court laps de temps. Les entreprises doivent appréhender la
vitesse non seulement en termes de création de données, mais aussi sur le plan de
leur traitement, de leur analyse et de leur restitution à l'utilisateur en respectant les
exigences des applications en temps réel.

3.2.3.Variété
La variété fait référence au format de données pris en charge par le Big Data.
Les données arrivent sous un format structuré, semi-structuré et non structuré.
L'analyse des mégadonnées est possible grâce à l'essor de l'intelligence artificielle
et de l'apprentissage automatique. Différentes sources de données : des avions aux
trains et aux voitures, circulent constamment dans des systèmes distincts. Cela
permet la classification, l'intégration et l'analyse des données de nouvelles façons.

3.2.4.Autres dimensions
D’autres dimensions définissent aussi le Big Data; à savoir la véracité et la
valeur des données. La véracité fait référence à la fiabilité des données. Pour extraire
la valeur des données, celles-ci doivent être nettoyées pour éliminer le bruit. C'est

18
pourquoi, des données précises et fiables recueillies à partir de mégadonnées sont
véridiques. La valeur fait référence à la quantité de connaissances utiles qui peuvent
être extraites des données. Les données ressemblent à une mine d'or potentielle,
mais comme dans une mine d’or, il y’a peu d'or et beaucoup de résidus [29].

4. Sources de données
L'augmentation massive de la taille des données est due à la numérisation
mondiale de divers appareils. Les données proviennent de multiples sources de
différents domaines. Bon nombre de ces changements ont été causés par l'utilisation
d'appareils électroniques, notamment les ordinateurs, les téléphones cellulaires et
les achats en ligne. D'autres raisons de l'augmentation du volume de données sont
les transactions par courriel, les paiements de factures et les publications sur les
réseaux sociaux.

Quelques exemples de sources de données :

 Les dossiers de santé électroniques;

 Les flux des médias sociaux;
 Les systèmes internet des objets (IoT) envoyant des données en temps réel;
 Les courriels.

5. Différents Types de données

Généralement les données sont produites par les humains ou les machines.
Les données générées par l'humain sont créées via des interactions entre les humains
et les machines et, celles générées par les ordinateurs, les périphériques matériels
ou les logiciels sont appelées données générées par la machine. Toutes les données
sont représentées en trois catégories :

 Données structurées;
 Données non structurées;
 Données semi-structurées.

5.1. Données Structurées

Les données stockées dans un format de tableau avec des colonnes et des
lignes sont appelées données structurées. Les données structurées proviennent
de plusieurs types d’organisations. Elles sont plus faciles à comprendre et à
analyser grâce à leurs propriétés organisationnelles spécifiques. Quelques
exemples de données structurées incluent le nom de l'employé et le titre du poste;
de nombreux autres exemples peuvent être trouvés dans les nombres, les dates
et les chaînes. Ces données sont souvent stockées dans une base de données

19
 structurées, implémentées à l'aide d'un schéma puis sont interrogées à l'aide d'un
langage de requête structuré, ou SQL.

5.2. Données non structurées

Contrairement aux données structurées, les données non structurées sont
généralement sans structures définies. Elles se présentent sous de nombreuses
formes, mais elles ne suivent pas de directives spécifiques. Générées par l’homme
ou par la machine, les données non structurées sont généralement de grande taille.
Des exemples de données non structurées comprennent la vidéo, l’audio, les images,
les courriels, les fichiers texte et les publications sur les médias sociaux. Ceci
contribuant toujours à la croissance des données.

5.3. Données semi-structurées

Les données semi-structurées sont une combinaison de données structurées
et non structurées. Cela signifie qu'elles intègrent certains éléments d'un modèle de
données défini sans suivre un format spécifique comme celui d'une base de données
ou XML. Les données recueillies à partir de capteurs ou de journaux de serveurs
Web sont généralement semi-structurées.

6. Infrastructure des mégadonnées

Les entreprises ont longtemps utilisé les bases de données traditionnelles
pour le traitement des données structurées. Cependant, avec la croissance
exponentielle des données, ces bases de données traditionnelles sont souvent
problématiques. Pour tirer le meilleur parti des données, les entreprises se sont
penchées sur les nouvelles technologies et outils. Les outils et technologies de
mégadonnées permettent de stocker, de traiter et d'analyser des données. Ceux-ci
permettent l'utilisation d'applications sur de grands systèmes qui nécessitent
beaucoup de données avec une latence, un coût et une évolutivité minimaux. La
plupart des nouveaux systèmes sont open source et présentent une faible latence, un
faible coût et une grande évolutivité. Les différentes technologies des mégadonnées
sont : Hadoop, HDFS et MapReduce [30].

Apache Hadoop est une plateforme open source écrite en Java pour le
traitement de grands ensembles de données. Il s'agit d'un cadriciel capable de traiter
des données semi-structurées, structurées et non structurées à des vitesses élevées.
Hadoop stocke une grande quantité de données dans un système de fichiers distribué
et les traite en parallèle sur plusieurs ordinateurs. L’évolutivité de Hadoop fait
référence à sa capacité de gérer des charges plus importantes tout en maintenant les
performances. Chaque fichier Hadoop est écrit une fois et lu plusieurs fois. Les
fichiers ne peuvent pas être modifiés. Un groupe d'ordinateurs connectés les uns aux

20
autres et vus comme un seul ordinateur est appelé un cluster. Les clusters sont
utilisés pour stocker et analyser des quantités massives de données provenant de
nombreuses sources de manière rentable. Certains sont utilisés pour créer, stocker
et analyser des données avec Hadoop [31].

HDFS [30, 31 et 32] est un système de fichiers open source conçu pour gérer
de grands ensembles de données avec un modèle d'accès en lecture ou en écriture
en continu. Il est exécuté sur du matériel de base à faible coût. Les ensembles de
données HDFS sont écrits une seule fois dans le système de fichiers et lus plusieurs
fois. Ce modèle à écriture unique et à lecture multiple permet d'effectuer des
analyses sur l'ensemble de données pour extraire des informations.

MapReduce [33] est le modèle de traitement par lots de Hadoop. Il utilise une
approche divisée pour mieux régner qui est très fiable, tolérante aux pannes et
évolutive. MapReduce traite tout type de données en parallèle et dans des
environnements distribués; cela ne fonctionne qu'avec les charges de travail par lots.
Le paradigme traditionnel du traitement par lots impliquait le déplacement des
données entre la plate-forme de stockage et la plate-forme de traitement. En
revanche, le traitement des données MapReduce a lieu là où les données sont
stockées. L'approche traditionnelle prend plus de temps que l'approche MapReduce.

7. Cycle de vie des mégadonnées

Les mégadonnées apportent d'énormes avantages, des idées commerciales
innovantes aux traitements non conventionnels des maladies, en passant par des
défis à relever. Le défi se pose parce que la technologie d'aujourd'hui recueille de
données. Les technologies du Big Data sont capables de les capturer et de les
analyser efficacement. Le cycle de vie des mégadonnées est constitué de cinq phases.
Celles-ci incluent la collecte de données, la classification des données, le nettoyage
des données, la modélisation des données et la livraison des données.

La collecte de données implique le stockage de données provenant de

différentes ressources. Les données brutes ainsi recueillies à partir de tous les
processus analytiques sont introduites dans un système de stockage de données pour
un traitement ultérieur. Ces données sont souvent redondantes, occupent de l'espace
supplémentaire et augmentent ainsi les coûts de stockage.

La classification des données regroupe les données dans des catégories

spécifiques. Cela peut être basé sur le fait qu'elles soient structurées, semi-
structurées ou non structurées. Toutes les données sont intégrées et présentées de
manière unifiées pour le nettoyage des données, la modélisation des données.

21
 Le nettoyage des données garantit que les données sont exactes, cohérentes
et complètes en supprimant les redondances et les incohérences. Il consiste à
préparer les données pour la phase d’analyse.

Au cours de la phase de modélisation des données, une analyse des données

est effectuée et le résultat est une quantité agrégée de données aux fins prévues. Des
rapports sont ensuite générés à partir des résultats de la phase de modélisation des
données, après la phase de livraison des données.

8. Défis rencontrés lors de la gestion des mégadonnées

Il existe un certain nombre de défis lorsqu'il s'agit de données volumineuses.
Le véritable défi lors du traitement des données consiste à trouver un sens à des
sources d'information disparates. Les données peuvent être structurées ou non
structurées, avec des capteurs détectant à la fois les données vidéo et image. Les
données des satellites, des transactions commerciales et des médias sociaux peuvent
également être collectées de manière structurée. Cependant, pour trouver un sens
aux données, il faut intégrer des données disparates provenant de différentes
sources. Trouver du sens dans le traitement des données est plus difficile, car chaque
traitement doit être effectué séparément.

9. Techniques d’analyse des données

Les méthodes d'analyse des données pour le Big Data sont principalement
de trois (3) types:

9.1. Analyse descriptive

Les données sont trop volumineuses pour détecter des informations présentes
mais masquées par le volume. C'est pourquoi les méthodes descriptives emploient
des techniques de mise en évidence. La description consiste à analyser un groupe
de données afin de fournir un aperçu de celui-ci. Ce processus implique la
combinaison de plusieurs résultats d'analyse, tels que des mesures et des modèles.
Parmi les techniques et algorithmes utilisés dans l'analyse descriptive, on cite :

• Analyse factorielle (ACP et ACM);

• Méthode des centres mobiles;

• Classification hiérarchique;

• Classification neuronale;

• Recherche d'association.

22
 9.2. Analyse prédictive
Les prédictions utilisent les informations existantes pour estimer de
nouvelles informations. L'analyse prédictive utilise des données historiques et en
temps réel pour trouver des tendances qui aident à prédire les résultats futurs. Ces
analyses sont plus fiables si les modèles utilisés sont fiables. Cette technique fait
appels à de l'intelligence artificielle; les principales méthodes sont :

• Arbres de décision;

• Réseaux de neurones;

• Classification bayésienne;

• Support Vector Machine (SVM);

• K-plus proches voisins (KNN).

9.3. Analyse Prescriptive

Méthodes conçues pour prédire le meilleur plan d'action vers un objectif
particulier. Cherchant à améliorer la prise de décision commerciale dans des
situations spécifiques, l'analyse prescriptive utilise les données et l'intelligence
artificielle pour fournir des conseils sur les choix commerciaux et les actions
stratégiques. Elle est basée sur des méthodes d'analyse spécifiques et se concentre
sur une plus grande variété de problèmes que l'analyse traditionnelle.

10. Cas d’usages du Big Data

Le Big Data a de nombreuses utilisations en dehors du monde académique.
Ces applications incluent le transport, l'assurance, la banque, les télécoms,
l'industrie et même les loisirs. Des exemples sont cités ci-dessous .

10.1. Soins de santé

De nombreux prestataires de soins de santé ont déjà mis en place des
méthodes de collecte de données à grande échelle. D'autres sont ouverts à l'idée de
le faire à l'avenir. Les organisations de santé utilisent fréquemment un traitement
personnalisé, la prévision des patients admis à l'hôpital, ainsi que la gestion et
l'optimisation de leurs pratiques en tant que cas d'utilisation populaires du Big Data.
L'analyse des données peut être utilisée dans les organisations de santé pour
améliorer la recherche sur les soins de santé.

23
 10.2. Les télécoms
Les trois principales raisons pour lesquelles les gens utilisent le Big Data
dans les télécommunications sont d'attirer de nouveaux clients, d'améliorer les
performances du réseau et de conserver les clients actuels. À 87 %, l'industrie des
télécommunications a déjà adopté le Big Data plus que toute autre industrie [34].
Les télécoms prévoient d'inclure de nouvelles utilisations de données pour leurs
mégadonnées en analysant les appareils en fonction de leur emplacement et en
incluant l'assurance des revenus. Ils veulent aussi optimiser les réseaux, les centres
d'appels et les prix des équipements.

10.3. Les services financiers

De nombreuses institutions financières utilisent actuellement le Big Data.
Les sociétés de services financiers utilisent le BD pour analyser les clients à des fins
de personnalisation, d'évaluation des risques, de détection des fraudes et de menaces
à la sécurité. Les autres utilisations des institutions financières destinées à être
ajoutées de 2017 à 2018 comprenaient le trading algorithmique, l'analyse de la
sécurité basée sur la localisation et l'analyse des données. La liste des priorités de
2018 a vu l'IA et l'apprentissage automatique dépasser l'analyse prédictive en tant
que principaux investissements dans les services financiers. Ils sont arrivés en
deuxième position avec 29% des voix. En 2017, ils étaient en tête de liste avec une
plus grande part des voix. C’est ce que révèle le rapport d’enquête 2018 de
Advanced Analytics & AI Summit [35].

11. Conclusion
Les données qui auparavant ne pouvaient pas être traitées avec des méthodes
standards sont devenues le carburant de la révolution numérique.

Le Big Data nécessite des connaissances spécialisées et de grandes

compétences en matière d'analyse et de manipulation des données. C'est un
écosystème extrêmement complexe qui prend des années à maîtriser. Il demande de
la compétence et de l’expertise dans la maitrise et l’analyse des données.

Le BD affecte tous les secteurs d’activités humaines ; de la santé en passant

par les télécommunications et les services financiers. Dans le domaine du transport,
nous citons comme exemple le forum international du transport qui traite la
problématique « Données massives dans les transports : applications, implications
et limites ». Les participants du forum essayent de répondre à certaines questions
relatives à l’utilisation du Big Data par les gouvernements dans le domaine du
transport urbain [36].

24
 CHAPITRE 3 : VISION PAR ORDINATEUR

1. Introduction
Prendre constamment des photos et des vidéos avec les appareils intelligents
est une tendance actuelle. Nous prenons constamment des photos et des vidéos que
nous partageons sur plusieurs plateformes des médias sociaux. Diverses tendances
photographiques sont populaires depuis plusieurs années.

Internet contient désormais à la fois des informations textuelles et des images

visuelles. Les services d'hébergement vidéo comme YouTube ont énormément
gagné en popularité. Chaque minute, les utilisateurs téléchargent et regardent des
millions d'heures de vidéo [37].

Depuis les attentats terroristes du 11 septembre 2001 des tours du World

Trade Center à New York par des avions du groupe Al-Qaïda aux ÉTATS-UNIS
[38], une corrélation significative s'est établie en ce qui concerne l'utilisation des
ordinateurs. En réponse à cette tragédie, les programmes de sécurité et de
surveillance ont été renforcés, ce qui a influencé la manière dont les ordinateurs sont
utilisés. Les images vidéo avec analyse de mouvement offrent un large éventail
d'avantages. En fait, la détermination des zones de mouvement dans une séquence
d'images révèle souvent des événements clés sur lesquels un système de vision doit
se concentrer.

Auparavant, les ordinateurs ne pouvaient comprendre les images qu'en

remplissant une méta-description. Mais grâce aux récents progrès de la vision par
ordinateur, les machines comprennent désormais les images par elles-mêmes.

25
 2. Aperçu de la vision par ordinateur

FIGURE 1 : IMAGE D’UN HOMME ET D’UN CHAT [39].

Que contient l'image ci-dessous ? On voit bien qu'il s'agit d'une photo d’un
homme et d’un chat. Nous comprenons instantanément la signification d'une image
en tant qu'être humain. Les ordinateurs, en revanche, n’étaient pas capables de le
faire jusqu’à tout récemment.

La vision par ordinateur est une discipline informatique qui apprend aux
ordinateurs à interpréter le monde qui les entoure. Son but est de fournir aux
ordinateurs des informations du monde réel en examinant leur environnement à
travers des images.

Pour se rendre compte de l’utilité que peut avoir la vision par ordinateur,
réfléchissez à la façon dont les ordinateurs peuvent vous être utiles lorsque vous ne
voyez plus.

Nous recevons un des sens de notre environnement à travers nos yeux. Par
conséquent, bon nombre de nos décisions quotidiennes sont influencées par ce que
nous voyons. La vision par ordinateur consiste d’autres part à assister les personnes
dans l’exécution des tâches.

Le fonctionnement de la vision par ordinateur est basé sur des outils matériels
tels que les caméras, des ressources dans le cloud, les logiciels et l’intelligence

26
artificielle. Il existe plusieurs outils mais nous avons tendance à généraliser les
algorithmes basés sur des appareils de prise de vue courants comme les smartphones.

Prendre des images sur Internet est une ressource inépuisable. Nous
analysons des images déjà stockées sur le net, leur donnant une valeur significative
même lorsqu'elles ne sont pas utilisées. Nombreuses tâches de vision par ordinateur
utilisent ce fait à leur avantage en créant une énorme base de données d'images facile
d'accès.

3. Les cas d’usages de la vision par ordinateur

Les applications de vision par ordinateur visent à améliorer les capacités des
ordinateurs en imitant la perception et la cognition humaines. On recense
aujourd'hui de nombreux domaines d'applications.

3.1. Sécurité et sureté

Dans le paysage de la sécurité d'aujourd'hui, la surveillance est nécessaire
comme dans les magasins de ventes. Dans les rues, les parcs publics et les musées;
les caméras de surveillance se trouvent partout. Elles filment et enregistrent des
images. La reconnaissance visuelle permet d’identifier et d’authentifier les
personnes dans les séquences qui ont été enregistrées.

Une inspection visuelle automatisée avec des drones est possible et entraine
un gain de temps prodigieux dans la prévention des délits.

3.2. Le domaine de l’automobile

L’implication de l’informatique dans l’automobile aide les constructeurs
automobiles à lutter contre la fatigue de la route [40]. La fatigue en circulation est
l’une des causes des accidents de voitures entrainant des blessures graves et souvent
des pertes humaines. Imaginez par exemple une voiture équipée d’une caméra et
des systèmes de vision par ordinateur avec une vue de 360 degrés. Cette voiture
identifiera les objets et réagira à des problèmes afin de réduire les taux d’accidents.

Les constructeurs comme TESLA [41], avec les systèmes de voitures sans
pilote permettent à leurs véhicules de naviguer en toute sécurité dans la circulation
tout en lisant les panneaux de circulations.

De plus en plus de véhicules utilisent des systèmes de vision par ordinateur

mais le monde est toujours en attente de sa première voiture autonome.

27
 3.3. Le secteur de la vente
Tout comme l’automobile et la sécurité, la vente est un domaine
d’application des technologies de vison par ordinateur. Dans les magasins de ventes,
les algorithmes de vision par ordinateurs sont utilisés pour l’amélioration de
l’expérience clientèle tout en réduisant les vols et toutes autres pertes [42]. La vision
par ordinateur détecte les défauts avec une méthodologie cohérente qui ne nécessite
aucune intervention humaine. Cela permet de ne pas passer à côté de défauts
critiques et augmente le risque d'inattention.

3.4. Le domaine sportif

La vision par ordinateur apporte une aide utile dans le domaine du sport de
nos jours. Les sports comme le baseball, le football, et le basketball utilisent une
technologie de suivi de balle avec précision. La coupe du monde de football 2022
en a été un exemple avec l’utilisation de la Goal line technologie [43].

3.5. Le domaine médical

La vision par ordinateur est utilisée pour diagnostiquer des problèmes de
santé à l'aide de données recueillies par des caméras. Des interventions vitales
peuvent être effectuées grâce aux algorithmes de vision par ordinateur. C’est le cas
d’un chirurgien qui serait assisté par un logiciel de surveillance de la perte de sang
en temps réel lors d’un accouchement par césarienne. En effet, le gain de temps pour
le chirurgien et le gain de sécurité pour la femme améliorent les procédures
médicales et chirurgicales [44].

L’imagerie médicale bénéficie des caractéristiques intrinsèques des

machines de vision par ordinateur pour pouvoir être exécutée à grande échelle, avec
un résultat constant. Plus de patients sont traités avec moins de risques d’erreurs.

4. Les principales tâches de la vision par ordinateur

Comprendre l'environnement humain, tout comme les humains, nécessite que
les ordinateurs effectuent plusieurs tâches. Alors, quelles sont les tâches qui
permettent aux ordinateurs de « voir »?

Nous énumérons la classification comme première tâche. Les modèles de

classification sont formés pour regrouper des objets dans des catégories spécifiques
en leur fournissant un ensemble de données d'objets définis. La classification
implique l'attribution d'une étiquette ou d'une classe à une image entière. La
détection est la combinaison de la classification et de la localisation. La localisation
c’est le fait de connaitre l’emplacement d’objets sur l’image. La détection c’est donc

28
de trouver des objets dans une image tout en déterminant leur position. La
segmentation est la détermination des contours de différents éléments qui
composent une image. Elle dessine des polygones qui circonscrivent l’image.

5. Les défis de la vision par ordinateur

Permettre à un véhicule de lire les panneaux de signalisation comme un être
humain est difficile. La plus grande difficulté pour comprendre la vision artificielle
est le manque de compréhension que nous avons du fonctionnement du système
visuel humain. Malgré tous les progrès technologiques, la capacité de la vision
humaine dépasse encore aujourd'hui celle de la vision par ordinateur.

De plus certaines tâches comme laver la vaisselle, lire un livre obligent

l’humain à connaitre suffisamment sur son environnement. De telles tâches sont
différentes de la vision humaine simple, et nécessitent une compréhension de la
présence et le comportement d'un objet dans une image.

6. Conclusion
En résumé nous avons donc vu que les systèmes de vision par ordinateur sont
composés de trois tâches qui sont la classification, la détection et la segmentation.
Plusieurs domaines tels que la santé utilisent les approches de vision par ordinateur
pour diagnostiquer les problèmes de santé. Ce pendant le plus grand défi de ses
systèmes est d’égaler la vision humaine.

29
 CHAPITRE 4 : Le CLOUD COMPUTING

1. Introduction
Internet n'a cessé de croître depuis sa création. Dans le paradigme du Big
Data, des infrastructures matérielles fiables sont essentielles pour fournir un
stockage fiable. La démocratisation de la technologie du BD profite également des
services cloud, car les entreprises clientes n'ont plus à supporter le coût de la mise
en place de l'infrastructure. Avec la promesse de fournir de meilleurs modèles
commerciaux et services rapidement et à moindre coût, le Cloud Computing est
devenu un moteur majeur d'innovation pour les entreprises de tous les secteurs. Les
gens utilisent des logiciels et du matériel via des services en ligne connectés qui
offrent des performances et une expansion supplémentaire [45].

La pandémie à COVID-19 nous a obligés à travailler à domicile via le Cloud

par conséquent, nous en sommes venus à le considérer comme normal. Cela a
conduit à une augmentation significative des discussions sur le sujet. Des enfants à
l'école, aux adultes à la maison, de nombreuses personnes ont intégré le CC dans
leur vie quotidienne; une journée typique passée en streaming, à télétravailler .

2. La technologie Cloud Computing

2.1. Définition
À ses débuts, toute nouvelle technologie fait souvent l'objet d'un battage
médiatique important. En effet, les nouvelles technologies sont presque toujours en
évolution.

La technologie du Cloud Computing en est encore à ses débuts, ce qui en fait

un excellent candidat pour une étude plus approfondie. Ainsi il existe de nombreuses
définitions courantes du CC et la plus connue est celle du National Institute of
Standards and Technology (NIST).

« Cloud computing is a model for enabling ubiquitous, convenient, on-demand

network access to a shared pool of configurable computing resources (e.g.,
networks, servers, storage, applications, and services) that can be rapidly
provisioned and released with minimal management effort or service provider
interaction. This cloud model promotes availability and is composed of five
essential characteristics, three service models, and four deployment models. » [46]

30
 Le Cloud Computing permet aux infrastructures logicielles et matérielles
d'être adaptables et évolutives grâce à des services virtuels partagés via un réseau
de centres de données. Cette technologie permet à ses utilisateurs d'accéder et de
déployer des applications à partir d'Internet en fonction de leurs demandes et de la
qualité de service souhaitée [47].

3. Modèles de services cloud

Dans le monde des services cloud, les trois principales catégories sont IaaS,
SaaS et PaaS [48].

FIGURE 2 : LES MODÈLES DE SERVICE DU CLOUD COMPUTING [49]

3.1. SaaS (Software as a Service)

Cette architecture offre le service comme forme principale. Le logiciel est
accessible depuis n'importe quel terminal disposant d'une connexion Internet. Les
clients utilisent la plate-forme logicielle et matérielle du fournisseur de cloud SaaS,
que le fournisseur gère lui-même sans s’occuper de la pile en dessous ni de

31
l’installation du logiciel en question. C'est par exemple le cas des services de
messagerie électroniques (Outlook).

Cependant, certaines applications permettent aux clients de modifier leurs

fonctionnalités en fonction de leurs besoins. L'application n'est ni contrôlée ni gérée
par l'utilisateur final au lieu de cela, elle est gérée par le fournisseur de services.

3.2. PaaS (Plateforme as a Service)

Dans le modèle PaaS, les fournisseurs de services proposent des plates-
formes d’hébergement d'applications. Les fournisseurs de service sont disponibles
sur une plateforme grâce aux langages, bibliothèques et services supportés par celle-
ci. Cela permet aux développeurs d'utiliser les outils et les ressources disponibles
pour créer et déployer leurs applications.

L'utilisateur PaaS n'a accès qu'à l'application qu'il déploie ; sa capacité à

configurer la RAM et un CPU est limitée par le fournisseur PaaS. Il ne peut pas
modifier l'infrastructure de son application, y compris les machines physiques ou
virtuelles qu'elle utilise.

PaaS fixe ses tarifs d’utilisation aux applications en fonction de leur

configuration technique, des services utilisés et du temps de déploiement de
l'application.

Quelques exemples de PaaS sont : Heroku, Google AppEngine, AWS Elastic

Beanstalk.

3.3. IaaS (Infrastructure as a Service)

Infrastructure as a Service (IaaS) est la combinaison des ressources
informatiques de base, telles que le matériel, le réseautage et le stockage. Cette
combinaison de ressources rend l’innovation cloud possible.

L'utilisateur d'IaaS est responsable du contrôle et de la gestion des ressources

qu'il déploie. Par exemple, pour un serveur, il est responsable des mises à jour de
sécurité du système d'exploitation, garantissant que le serveur est toujours en cours
d'exécution, etc [50].

Exemples d’IaaS : Amazon EC2 (Web Services Elastic Compute Cloud) et

AmazonS3 (Secure Storage Service), CloudSigma, RackSpace (Cloud Server et
CloudFiles).

32
 4. Modèles de déploiement
Chaque système nécessite des protections différentes en matière de
tarification, de sécurité et de protections des données personnelles. De plus, les
exigences changent en fonction du programme avec lequel il est utilisé. Il existe
deux principaux types de services de CC qui se déclinent en versions publiques et
privées. De plus, deux autres types de cloud dérivent des principaux à savoir le
Cloud communautaire et le Cloud hybride [51].

4.1. Les Clouds publics

Les Clouds publics sont composés de matériel, de logiciels, de réseaux, de
stockage et de diverses interfaces appartenant à des tiers et sont exploités par des
personnes et des entreprises extérieures. Leurs services sont accessibles sur Internet
par toute personne disposant d'un mode de paiement. L’objectif est d'héberger des
applications sur un environnement avec un grand nombre d'utilisateurs. Les Clouds
publics sont viables parce qu'ils gèrent généralement des charges de travail
relativement simples et répétitives comme par exemple, le courrier électronique.

Nous pouvons citer certains fournisseurs de services publics de Cloud

Computing : Amazon Web Services (AWS), Microsoft Azure, Google Cloud
Platform, Scaleway, OVH Cloud, Alibaba Cloud, IBM Cloud, Oracle Cloud,
DigitalOcean, Heroku, Tencent Cloud, Linode.

4.2. Les Clouds privés

Les Clouds privés sont similaires aux cloud publics du point de vue
infrastructures mais sont créées et gérées par un tiers pour l'usage exclusif d'une
entreprise. L'infrastructure cloud est déployée au sein de l'entreprise et n'est
accessible qu’à ses employés. Les services utilisent une connexion réseau privée
pour accéder aux ressources appartenant au service informatique de l'entreprise.
L'infrastructure de cloud privé peut être établie par un fournisseur de cloud public
ou une entreprise professionnelle dans le domaine.

4.3. Les Clouds communautaires

Les Clouds communautaires sont une version étendue des cloud privées. Leur
déploiement de ressources est dédié aux communautés, groupes d'entreprises ou
organisations ayant des intérêts communs. Cependant les ressources peuvent être
contrôlées par un tiers ou une ou plusieurs organisations de la communauté.

33
 4.4. Les Clouds hybrides
Les Clouds hybrides sont un mélange de Cloud privé combiné à
l'infrastructure de Cloud public. Les modèles Cloud hybrides ne sont utilisés que
pour étendre les fonctions d'un cloud privé d'entreprise à un cloud public.

5. Avantages et inconvénients du Cloud Computing

5.1. Les avantages

Le Cloud Computing offre de nombreux avantages significatifs pour les
individus, les entreprises et les organisations. Voici quelques-uns des avantages du
CC [52] :

• Réduction des coûts d’infrastructure matérielles et logicielles.

• Des ressources et services plus rapides à allouer et plus simple à utiliser;

• Accès aux ressources plus flexible;

• Utilisation plus efficace des ressources;

• Augmentation de la puissance de calcul;

• Grande capacité de stockage (quasi illimitée);

• Moins de problèmes d’entretien;

• Gestion simple et rapide des mises à jour des systèmes;

• Gestion de données personnelles;

• Disponibilité des infrastructures;

• Tout est considéré comme un service défini par entente de niveau de services
(SLA);

• Réduction du temps de mise sur le marché.

5.2. Les inconvénients

Le Cloud Computing n’a pas que des avantages, il possède quelques
obstacles et inconvénients qui sont abordés dans [52]. Parmi ces obstacles, il y a :

•Confidentialité des données;

34
• Chiffrement des données;

• Nécessité d’un accès réseau constant;

• Mauvais fonctionnement avec les connexions à basse vitesse;

• Faible niveau de la qualité de service dans le réseau;

• Risque d’engorgements lors des transferts de données;

• Problème d’interopérabilité;

• Problème de portabilité;

• Faible contrôlabilité;

• Manque de fonctionnalités d’audit.

6. Les caractéristiques du Cloud

Nous citons 5 caractéristiques essentielles du Cloud Computing.

6.1. Libre-service à la demande

Grâce à cette caractéristique, les utilisateurs peuvent contrôler en
permanence la disponibilité des serveurs, le stockage réseau alloué et la capacité de
calcul, assurant ainsi une surveillance continue.

6.2. Large accès au réseau

Les services informatiques utilisent généralement divers appareils et réseaux
standard.

6.3. Élasticité rapide

Elle permet aux utilisateurs de dimensionner rapidement leurs ressources
informatiques en fonction de leurs besoins changeants.

6.4. Mise en commun des ressources

Les ressources partagées telles que les serveurs, le stockage et les
applications sont disponibles pour plusieurs utilisateurs sans pression. Une seule
ressource peut fournir des services à plusieurs clients à la fois .

35
 6.5. Services mesurés
Chaque application et ses utilisateurs sont suivis pour l'utilisation des
ressources. Cela aide à la fois l'utilisateur et le fournisseur de la ressource à suivre
leur utilisation. Ceci est utile aux deux parties en raison de la nécessité de surveiller
la facturation et d'utiliser efficacement les ressources.

7. Cloud Computing et Big Data

Le Cloud permet aux utilisateurs d'accéder aux ressources informatiques
nécessaires (comme le stockage et la puissance de calcul) sans avoir à investir dans
l'achat de matériel ou de logiciels. Cette absence d'investissement initial permet aux
utilisateurs de démarrer rapidement des projets sans se soucier de la mise en place
d'une infrastructure physique.

L'une des principales caractéristiques du Cloud est sa capacité à évoluer sur

plusieurs machines, ou son élasticité. L’élasticité du Cloud permet aux utilisateurs
d'ajouter ou de réduire les ressources en temps réel en fonction des besoins
changeants. Cela offre une flexibilité essentielle pour gérer des charges de travail
variables, comme c'est souvent le cas dans le domaine du Big Data.

Étant donné que les ensembles de données du Big Data sont vastes et
nécessitent une puissance de calcul importante, le Cloud offre la plate-forme idéale
pour gérer, stocker et analyser ces données de manière efficace et évolutive.

L'expansion de l'informatique mobile a conduit à une augmentation

significative du nombre de consommateurs, de professionnels et d'entreprises qui
créent et accèdent à des données via des services basés sur le Cloud. Cela souligne
comment le Cloud facilite l'accès et le partage de données à partir de divers appareils
et endroits.

Google et Amazon.com utilisent le stockage et le traitement de données

massives, appelé Big Data, pour améliorer leurs services. Par exemple Amazon.com
utilise le Big Data pour personnaliser les recommandations de produits que vous
voyez lorsque vous magasinez en ligne. Ces entreprises ont besoin de beaucoup de
puissance informatique pour cela. Au lieu d'acheter et de gérer d'énormes quantités
de serveurs elles-mêmes, elles utilisent le Cloud. Le Cloud leur permet de "louer"
autant de puissance de calcul et de stockage que nécessaire, quand elles en ont
besoin.

36
 8. Conclusion
Pour clore ce chapitre, nous avons fourni une compréhension générale des
idées clés et des points clés du Cloud Computing. Le CC a donné naissance à une
nouvelle façon d'utiliser les technologies de l'information qui change radicalement
la manière dont les entreprises investissent dans leur infrastructure. IL promet un
stockage illimité à faible coût avec une puissance de calcul élevée. Mais, le Cloud
Computing fait face à plusieurs obstacles qui doivent être résolus. La sécurité et la
confidentialité des données personnelles sont des préoccupations majeures qui
suscitent le scepticisme des utilisateurs [53].

37
 CHAPITRE 5 : CONTEXTE D’ÉTUDE

1. Introduction
Dans ce chapitre, nous introduirons la reconnaissance faciale en mettant en
évidence son importance dans différents domaines. Nous examinerons ensuite les
fondements théoriques de cette technologie, en présentant différentes approches
utilisées. Ensuite, nous explorerons l'architecture des réseaux de neurones artificiels,
en nous concentrant particulièrement sur les réseaux de neurones convolutifs, avec
une étude détaillée du modèle LeNet-5. Nous discuterons également des techniques
qui peuvent être utilisées pour améliorer les performances des modèles de
reconnaissance faciale.

2. Reconnaissance faciale
Ces dernières années, la reconnaissance faciale a fait l'objet d'une grande
attention et est considérée comme l'une des applications les plus prometteuses dans
le domaine de l'analyse d'images. La reconnaissance faciale est une méthode de
reconnaissance d'un visage humain grâce à la technologie [1, 6, 54].

Elle est largement utilisée dans différents domaines tels que la sécurité, les
guichets automatiques, l'identification criminelle, la vidéoconférence, la délivrance
de permis de conduire et de passeports, ainsi que la surveillance des espaces publics.
Par exemple, le Canada utilise un logiciel de reconnaissance faciale pour identifier
les problèmes de sécurité publique comme les émeutes et surveiller les personnes
dans les lieux publics comme les aéroports et les supermarchés.

Les systèmes de reconnaissance de visages (FR) nécessitent différentes

fonctionnalités tout dépendamment du mode de fonctionnement du système et des
données utilisées. La reconnaissance des visages satisfait les applications
d’identification puisque le visage de l’utilisateur peut être capté à son insu et à
distance [55].

2.1. Architecture de reconnaissance faciale

Le processus de reconnaissance faciale comporte généralement cinq étapes
interdépendantes illustrées à la figure 3. La première étape consiste à acquérir
l'image d'entrée, soit à partir d’une caméra ou d’une base de données. L'image est
analysée et passe au modèle de détection de visage. Dans cette étape, le visage de la
personne est détecté à partir de l’image. Une fois que le visage est détecté, il est

38
aligné afin de normaliser leur position et leur orientation. En outre, la troisième
étape est l'extraction des caractéristiques faciales telles que les yeux, la forme du
visage, etc. Ainsi dans cette étape, des représentations numériques sont générées.
De même, la correspondance faciale est effectuée en utilisant des algorithmes de
reconnaissance faciale. Les résultats de la correspondance détermineront l’identité
du visage dans l’image d’où l’étape de la classification d’images.

FIGURE 3 : PROCESSUS DE RECONNAISSANCE FACIALE [56].

2.2. Les types de représentations

Afin de vérifier l'identité d'un individu, un système de classification doit être
entrainé. Ce processus consiste à décomposer le visage d'une personne en parties
plus petites qui sont plus faciles à retenir [57].

Les systèmes FR peuvent être divisés en trois grandes approches afin de faciliter
ce processus. : les approches holistiques qui sont une représentation entière du
visage sur un ensemble de caractéristiques discriminantes d’un visage à l’autre, les
approches locales qui résultent de l’extraction des caractéristiques particulières à
certains points d’intérêt du visage et enfin les approches hybrides qui combinent les
deux approches précédentes.

2.2.1.Les approches holistiques

Appelées aussi approches globales, elles se concentrent sur l'identification des
caractéristiques du visage qui peuvent être différenciées. Cela permet de créer un
classificateur qui peut étiqueter les visages comme appartenant à un groupe
particulier.

39
 Leur avantage est la conservation implicite des informations de texture et de la
forme pour la reconnaissance faciale, en plus des aspects d’organisation structurelle
globaux de la face. Néanmoins, l’inconvénient majeur réside dans la dimension très
grande de l’espace de l’image ce qui reflétera négativement sur la classification [58].

À titre d’exemples d’approches holistiques nous citons PCA, LDA, eigenfaces,

LBP et HOG dans [59].

2.2.2.Les approches locales

Les approches locales déterminent quelles caractéristiques faciales spécifiques
sont les plus efficaces pour distinguer un individu. Ceci est fait afin de résoudre le
problème de la représentation des visages. La difficulté principale reliée à ces
techniques consiste à trouver une manière adéquate de représenter les interrelations
qui existent entre ces caractéristiques, qu’il s’agisse de positions relatives sur le
visage, d’interconnexions géométriques, ou de regroupements par graphes

Parmi les approches les plus répandues, nous énumérons les méthodes HMM,
DCP [60] et les approches purement géométriques.

2.2.3.Les approches Hybrides

Cette approche est un résultat d’une fusion entre deux autres approches :
approche holistique ou globale et l’approche locale afin d’améliorer les
performances des systèmes de reconnaissance. En effet les caractéristiques locales
et globales sont complètement différentes. Chacune de ces méthodes a ses
inconvénients, par ailleurs l’une peut être complémentaire de l’autre dans le but
d’améliorer la classification.

2.3. Les domaines d’applications

La reconnaissance faciale offre une multitude d'application dans divers
domaines. Tout d'abord, dans le secteur de la sécurité, elle est utilisée pour
l'identification des individus dans les systèmes de vidéosurveillance, permettant une
détection rapide des personnes recherchées ou suspectes. De plus, dans le domaine
de la technologie mobile, la reconnaissance faciale est utilisée pour déverrouiller les
smartphones et garantir un accès sécurisé aux données personnelles. Par ailleurs,
dans le secteur médical, cette technologie est utilisée pour l'identification des
patients, facilitant la gestion des dossiers médicaux et l'accès aux informations
pertinentes. De même, dans le domaine de la gestion de l'identité, la reconnaissance
faciale est utilisée dans les aéroports et les postes frontaliers pour vérifier l'identité
des voyageurs et faciliter les procédures d'embarquement. Enfin, la reconnaissance
faciale est également utilisée dans le domaine du marketing, où elle permet de

40
personnaliser les publicités en fonction des caractéristiques faciales des
consommateurs.

3. Les réseaux de neurones

Un réseau de neurones est un système informatique qui est analogue au
fonctionnement des neurones du système nerveux humain. Parmi les différents types
de réseaux de neurones, le perceptron multicouche est le plus populaire. Il a été
introduit en 1957 par Frank Rosenblatt [61].

Le réseau de neurones est généralement organisé en trois parties successives. Ces

couches sont les suivantes :

 La couche d’entrée : elle reçoit et traite toutes nos données brutes fournies
en entrée. Nos données sont sous forme vectorielle [62];
 La/ les couche(s) cachée(s) : est constituée d’unités qui transforment nos
données d’entrée en informations utiles pour la couche de sortie. Un réseau
peut contenir une ou plusieurs couches cachées [62];
 La couche de sortie: qui est la couche ou les informations traitées sont
présentées. Elle donne les résultats du calcul interne [62].

Chaque couche du réseau comprend un ou plusieurs neurones. Ce sont des entités

qui traitent et transmettent les informations travers le réseau.

L’architecture d’un réseau de neurones est présentée à la figure suivante. La couche

d’entrée comprend 2 neurones, les couches cachées comprennent 10 neurones et la
couche de sortie 1 neurone.

41
 FIGURE 4 : ARCHITECTURE D’UN RÉSEAU DE NEURONES [63].

Les réseaux de neurones sont particulièrement adaptés pour l’apprentissage

automatique à partir des données, qu’il s’agisse de l’apprentissage supervisé ou non
supervisé.

 L’apprentissage supervisé est utilisé lorsque nos données fournies au réseau

sont étiquetées. Un problème de classification se présente lorsque nos
données de prédiction sont regroupées en classes distinctes. Si par contre,
nos données sont des valeurs quantitatives, un problème de régression
intervient.
 L’apprentissage non supervisé correspond au cas où nous ne disposons pas
de bases d’apprentissage du réseau, c’est à dire nos données dont les sorties
ne sont pas connues. Dans ce cas, l’apprentissage repose sur un critère interne
qui évalue le comportement du réseau par rapport à des spécifications
générales et non sur des observations.

3.1. Fonction d’activation

Chaque couche de neurones est reliée aux neurones des autres couches par
des poids synaptiques. Ces poids sont des valeurs aléatoires qui modifient la quantité
d’influence des sorties des neurones. Tous les poids sont multipliés par leurs valeurs
d’entrée correspondante, puis additionnés pour former une somme pondérée. Le
biais est ensuite ajouté à la somme pondérée, puis le résultat est transformé par une
fonction appelé fonction d’activation.

42
 La fonction d’activation est une fonction mathématique qui s’applique
uniquement à la sortie des neurones des couches cachées [64].

Quelques exemples de fonctions d’activation couramment utilisées dans les réseaux

de neurones sont la fonction sigmoïde, la fonction tangente hyperbolique, la
fonction Relu (Rectification Linéaire), etc.

FIGURE 5 : UN NEURONE ARTIFICIEL [65].

3.2. Algorithme d’apprentissage

Lors de l’apprentissage supervisé, des données formées d’observations et
d’étiquettes sont fournies au réseau de neurone. Ces données sont transmises à
travers les différentes couches du réseau pour générer une prédiction en sortie.

L’algorithme d’apprentissage analyse les données d’entrée et compare les

prédictions du réseau avec les étiquettes fournies. Il calcule aussi la différence entre
les prédictions et les sorties réelles, également appelé erreur. La fonction de perte
détermine cette erreur.

3.3. Rétropropagation
Le processus de rétropropagation commence en calculant l’erreur de prédiction
par rapport aux poids synaptiques des neurones. Une fois l’erreur de prédiction
calculée, l’algorithme d’optimisation intervient pour la quantifier. Elle utilise ainsi
la technique de descente du gradient.

43
 Parmi les algorithmes d’optimisation on retrouve la descente de gradient
stochastique, l’algorithme d’optimisation par Adam ou encore l’algorithme
d’optimisation par RMSprop.

3.4. Bases de données

Dans le domaine de l’apprentissage automatique, une base de données est
généralement divisée en trois ensembles : l’ensemble d’entrainement, l’ensemble de
validation et l’ensemble de test.

L’ensemble d’entraînement et l'ensemble de validation sont utilisés lors de la

phase d’entraînement de notre réseau. L’ensemble d’entraînement est utilisé pour
entrainer le réseau et l'ensemble de validation est utilisé pour évaluer les
performances du réseau pendant l’entrainement. L'ensemble de validation est utilisé
pour ajuster les hyperparamètres du modèle tels que le taux d’apprentissage, le
nombre d’itération afin d’obtenir les meilleures performances.

Quant à l’ensemble de test, il est utilisé pour évaluer les performances du

modèle sur les nouvelles données.

Pour atteindre une capacité de généralisation satisfaisante, un modèle doit

obtenir de bons résultats à la fois sur l'ensemble d'entraînement et sur l'ensemble de
validation. Une fois que le modèle a atteint cet objectif, il est recommandé à
l'utilisateur de terminer l'apprentissage (voir figure).

FIGURE 6 : ÉVOLUTION DE LA COURBE D’ERREUR DURANT LA PHASE D’APPRENTISSAGE [63].

44
 3.5. Quelques notions
Le terme époque est définie comme la période de temps nécessaire pour passer
complètement les ensembles de données à travers les réseaux de neurones.

4. Présentation des réseaux de neurones convolutifs (CNN)

Le réseau de neurones convolutifs, également appelé CNN, est une
architecture neuronale profonde conçue pour travailler avec des images et des
vidéos. Les CNN sont récemment devenus populaires en raison de la grande quantité
de données sur Internet ainsi que de la puissance des processeurs informatiques et
de la puissance de calcul.

Un CNN est composé de trois types de couches: convolution, mise en

commun et couches entièrement connectées [66]. Les couches de convolution et de
mise en commun effectuent l'extraction des caractéristiques tandis que la couche
entièrement connectée mappe les caractéristiques extraites dans la sortie finale. Une
couche est un bloc de construction.

Les différentes couches seront expliquées dans les sections suivantes.

FIGURE 7 : ARCHITECTURE D'UN RÉSEAU DE NEURONES CONVOLUTIFS [67].

4.1. Les images RVB

Les images sont généralement décomposées en trois canaux primitifs : Rouge,
Vert et Bleu; c’est à dire qu’elles sont représentées sous trois cellules de couleurs
de taille identique. Chaque cellule de la matrice contient la valeur du pixel. Ces
pixels constituent le niveau des couleurs.

Ces valeurs sont comprises entre 0 et 255 où chacun de ces nombres représente
l'intensité des pixels. Les lignes représentent la largeur de l’image, les colonnes
correspondent à la hauteur de l’image et le nombre de canaux correspond à la
profondeur de l’image.

45
 4.2. Les couches de convolutions
L’architecture d’un réseau de neurones convolutifs repose sur une ou
plusieurs couches convolutives, qui sont connectées aux couches précédentes de
façon sélective. La couche de convolution est une combinaison d’une opération de
convolution et d’une fonction d’activation.

Les convolutions sont des opérations linéaires de somme multipliée par

élément entre une section de l’image d’entrée et la matrice de poids ou le filtre. Lors
de l’opération de convolution, la matrice de poids parcourt l’image de sorte que tous
les pixels soient couverts au moins une fois pour donner une sortie convoluée [68].
Cette sortie convoluée est la carte de caractéristiques.

La matrice de poids ou le filtre extraient les informations particulières de la

matrice d’image d’entrée. Chaque filtre a une fonction spécifique. C’est à
l’utilisateur de définir la taille du filtre et le nombre de filtre et, de les définir comme
paramètres.

Le filtre se déplace sur toute l’image d’entrée en faisant des pas(stride). Un

stride est la distance entre deux positions successives du filtre. Ainsi si le stride se
déplace d’un pixel à la fois, nous l’appelons un stride de 1. Le stride 1 est le choix
commun lors d’une convolution.

La taille de l’image diminue progressivement à mesure que la valeur du stride

augmente. Pour pallier à ce problème, la méthode de rembourrage zéro est utilisée
à l’image d’entrée. Le rembourrage est utilisé pour conserver les dimensions
spatiales de l'image d'entrée après des opérations de convolution sur une carte
d'entités.

Dans un CNN, les premières couches extraient les caractéristiques les plus
génériques, tandis que, à mesure que le réseau s’approfondit les dernières couches
obtiennent les caractéristiques cachées. En sortie de chaque couche de convolution,
une fonction d'activation est finalement introduite [69]. Cette dernière est une
fonction de non-linéarité permettant au réseau de neurones de s’adapter facilement
à une variété de données.

46
 FIGURE 8 : UNE REPRÉSENTATION VISUELLE D'UNE COUCHE CONVOLUTIVE [70].

4.3. Couche de mise en commun

La couche de mise en commun est souvent placée entre deux couches
convolutives. Cette couche reçoit des entrées de plusieurs caractéristiques pour
simplifier les données. Un sous-échantillonnage est effectué sur ces données; ce qui
réduit la quantité de puissance de calcul requise pour traiter les données.

Les couches de regroupement se connectent aux neurones des sorties de la

couche précédente en utilisant le même nombre de neurones que les couches de
convolution. Leur fonctionnement est d’autant plus simple qui consiste à renvoyer
le résultat d'une fonction d'agrégation soit maximale ou moyenne comme le montre
la figure 9.

La mise en commun peut être divisée en deux types : la mise en commun

maximale et la mise en commun moyenne. Un atout de la mise en commun est
l'amélioration du réseau tout en éliminant le problème de surapprentissage.
Cependant la perte d’information suite à la réduction est l’inconvénient majeur des
couches de mise en commun. Cette problématique est résolue en utilisant les petits
filtres 2 x 2 dans l’exemple illustré dans la figure.

47
 FIGURE 9 : OPÉRATION DE MISE EN COMMUN [71].

4.4. Les couches entièrement connectées

Après avoir effectué une série d'opérations de regroupement et de convolution,
nous créons des couches entièrement connectées. C'est ce que nous appelons
opération d’aplatissement. Elle consiste à condenser les aspects de notre image en
un seul vecteur (Figure 10).

Nous classons l'image de sortie à l'aide d'un perceptron multicouche qui

comprend des couches entièrement connectées. Nous pouvons utiliser avec la
dernière couche entièrement connectée une fonction « Softmax » ou « Relu » pour
la génération des prédictions des classes.

48
 FIGURE 10 : OPÉRATION D’APLATISSEMENT [72].

4.5. Présentation des réseaux de neurones LeNet-5

LeNet-5 est le plus simple et le plus modeste des réseaux de neurones de
convolutions. Présenté par Yann LeCun [4], il s’agit d’un réseau de convolutions à
Cinq (5) couches pour la classification; ce qui en fait un choix idéal en tant que
premier CNN.

Ce modèle prend en entrée des images de tailles (32x32x1). Il est constitué

de trois ensembles de couches de convolution (voir figure 11) accompagnés d’une
couche de mise en commun moyen. Après les couches de convolution et de mise en
commun moyen, nous avons deux couches entièrement connectées. Un filtre de
taille 5x5 de même qu’un pas (stride) de taille 1 et un rembourrage de taille 1 sont
utilisés pour chaque couche de convolution.

La fonction d’activation Relu [73] est utilisée pour chaque couche de

convolution et la technique du zéro rembourrage, de manière à conserver la taille de
nos images après chaque couche de convolution.

L’architecture LeNet-5 est divisée en deux parties : le processus de

convolution et le processus de réseaux de neurones.

Notre processus convolutif est constitué de trois blocs de convolutions

constituant chacun une couche de convolution et ont successivement des
profondeurs de 6, 16 et 16.

49
 L’opération d’aplatissement est utilisée à la suite du dernier bloc de couches
de convolution. Ensuite nous avons le classificateur qui comprend 3 couches. La
première couche comporte 120 neurones. La suivante est une couche entièrement
connectée avec 84 neurones qui aboutissent à la sortie à 84 valeurs et la fonction
d’activation utilisée ici est Relu.

La dernière couche est la couche de sortie avec 10 neurones et la fonction

Softmax qui classe les images dans leur classe respective [74].

FIGURE 11 : ARCHITECTURE LENET-5 [75].

5. Amélioration du modèle

5.1. Augmentations des données

Avoir un grand ensemble de données est crucial pour la performance d’un
modèle de réseau de neurones convolutifs. Cependant, nous pouvons améliorer les
performances du modèle en augmentant les données dont nous disposons déjà. Cela
aide également à généraliser sur différents types d’images. L’augmentation des
données est une technique qui utilise les échantillons d’apprentissage existants pour
générer davantage de données d’apprentissage [76]. Ceci est possible en définissant
une variété de transformations aux données originales.

Dans l’augmentation, nos transformations englobent un ensemble d'opérations

dans le domaine de la manipulation d'images, telles que le zoom, la rotation, le
redimensionnement et diverses autres transformations.

50
 5.2. Dropout
Dropout est une approche de régularisation utilisée dans les réseaux de neurones
qui empêche le problème de sur-ajustement [77]. Cette technique rend le processus
d'entraînement "bruyant" en les neurones de couche cachée à gérer les entrées de
manière aléatoire, avec une probabilité variable. Par exemple, lorsqu'un "Dropout"
avec une probabilité de 0.25 est appliqué à une couche cachée, cela signifie que
pendant la phase d'apprentissage, 25% des neurones de cette couche sont désactivés
de manière aléatoire.

5.3. Processus de normalisations par lots

Éviter le sur-ajustement est l'un des défis les plus fréquents en matière
d'apprentissage automatique. Une solution à un tel défi est la régularisation. Les
techniques de régularisation contribuent à l'amélioration d'un modèle en favorisant
une convergence plus rapide. L’une des techniques de régularisations est le
processus de normalisation par lots.

La normalisation par lots [78] est un processus qui améliore notre modèle en
ajoutant des couches supplémentaires dans notre approche de réseau de neurones
profond. La nouvelle couche effectue les opérations de standardisation et de
normalisation sur l'entrée d'une couche provenant d'une couche précédente.

5.4. Présentation de la taille des lots

La taille du lot (Batch Size) définit le nombre d'échantillons qui traversent
généralement le réseau neuronal en une seule fois [79]. Elle est également appelée
mini-lot. La taille d'un mini-lot varie de 1 jusqu'au nombre total d'exemples de nos
données. Pour illustrer, dans le cas d'un jeu de données comprenant 50 images, la
taille du mini-lot peut être choisie parmi des valeurs telles que 2, 6, 10, 24 ou toute
autre valeur comprise entre 1 et 50. Plus la taille du lot est élevée, plus nous aurons
besoin de plus d’espace mémoire.

5.5. Taux d’apprentissage

Le taux d’apprentissage (Learning Rate) est un hyperparamètre qui régule la
manière dont notre modèle est modifié en réponse à l’erreur estimée lors de la mise
à jour des poids du réseau neuronal [80]. Le choix du taux d’apprentissage est un
processus délicat, car une valeur trop petite peut entrainer une formation lente et qui
pourrait être bloqué dans certains cas, tandis qu’une valeur plus grande entraine un
apprentissage rapide et non optimal des poids ou un processus d’entrainement
instable. Il représente métaphoriquement la vitesse à laquelle un modèle
d'apprentissage automatique apprend.

51
 CHAPITRE 6 : MÉTHODOLOGIE DE
RECHERCHE

1. Introduction
Ce chapitre décrit les trois parties principales : la première est la description des
outils que nous avons utilisés pour concevoir notre modèle; la deuxième aborde les
démarches de collecte et d’organisation des données, et la dernière est la formation
de notre réseau de neurine et de son évaluation. Les trois étapes sont expliquées en
détail ci-dessous.

2. Environnement logiciel et matériel de développement

Il existe différentes techniques pour effectuer du Machine Learning
(Apprentissage Automatique), mais elles nécessitent toutes des ressources
matérielles relativement importantes, en fonction des données à traiter et du
contexte de recherche.

Dans notre cas, nos données fournissent suffisamment de caractéristiques pour

leur analyse, ce qui implique la nécessité d’un ordinateur suffisamment puissant
pour la réalisation des expérimentations.

2.1. Configuration Matérielle

Fabricant HP

Processeur CPU Intel® Core TM i7-1065G7 CPU @

1.30GHz 1.50GHz

Mémoire physique (RAM) installée 8.00 Go

Nom du système d’exploitation Windows 11 Famille

Version du système d’exploitation 21H1

52
 Architecture 64 bits

Connexion À distance en utilisant le protocole

RDP (Remote Desktop Protocol)

TABLEAU 1 : CONFIGURATION MATÉRIELLE

2.2. Langage de programmation

Python [81] est un langage de programmation largement utilisé dans le
domaine de la vision par ordinateur et de la science des données. Depuis sa
création en 1989, le langage Python open source extensible est dynamique,
compact, libre d'utilisation et modulaire. Il encourage une approche orientée
objet de la programmation sans la forcer. C’est un langage très avancé pour
les systèmes de reconnaissance faciale.

Son plus grand avantage est le large éventail de bibliothèques qu'il contient.
Un autre de ses avantages est sa forte communauté qui pousse constamment à
son développement. Pour toutes ces qualités, notre choix s’est tourné vers
Python, ayant déjà fait ses preuves dans le domaine de la vision par ordinateur.

2.3. Présentation des bibliothèques

2.3.1.Numpy (Numerical Python)

Numpy [82] est la bibliothèque s’occupant des opérations scientifiques liées aux
tableaux unidimensionnels et multidimensionnels. Il exécute un certain nombre de
routines en utilisant un tableau multidimensionnel d'objets. Numpy est une
bibliothèque rapide et polyvalente.

2.3.2.OpenCV (Open Computer Vision)

OpenCV [83] est l'une des bibliothèques open source les plus célèbres et les plus
utilisées pour les tâches de vision par ordinateur telles que l’analyse d'images, la
détection de visages, la reconnaissance faciale, etc. Son autre utilisation majeure est
l'exécution de tâches d'apprentissage automatique.

53
OpenCV a été développé en 2002 par Intel et écrit en C++, ce pendant la
bibliothèque a fourni des liaisons en Java et en Python. Il est facile à lire et à utiliser.

OpenCV fournit une large gamme de programmes et de composants grâce à ses

diverses fonctionnalités, permettant de concevoir des interfaces graphiques de base.

2.3.3.Pandas
Pandas [84] est une bibliothèque open source largement utilisée par les scientifiques
des données du monde entier pour effectuer des analyses et des manipulations de
données. Elle repose sur le langage de programmation Python. Pandas est rapide,
flexible et très puissant.

2.3.4.SciPy
La bibliothèque open source SciPy [85] est utilisée pour résoudre des problèmes
d'ingénierie, mathématiques et scientifiques. Construit sur l'extension python
Numpy, SciPy contient une variété de sous-packages pour différentes applications.
SciPy est rapide et a une puissance de calcul élevée.

2.3.5.Scikit Learn
Scikit Learn [86] est l’une des meilleures bibliothèques pour l'apprentissage
automatique en Python. Pour tout projet de science des données, l'utilisation de la
bibliothèque Scikit Learn est indispensable. C'est un outil simple et très rapide pour
l'analyse prédictive des données et la modélisation statistique.

Cette bibliothèque est construite en utilisant python au-dessus de NumPy, SciPy et

matplotlib.

2.3.6.TensorFlow
TensorFlow [87] est une bibliothèque mathématique symbolique qui utilise le flux
de données et la programmation différentiable pour effectuer de nombreuses tâches
liées à la formation et à l'inférence sur les réseaux de neurones profonds. C’est une
plate-forme open source qui permet aux développeurs de créer des applications
d'apprentissage automatique à l'aide de divers outils, bibliothèques et ressources
communautaires.

TensorFlow est la bibliothèque d'apprentissage en profondeur la plus célèbre de

Google. Google utilise l'apprentissage automatique dans tous ses produits, y
compris son moteur de recherche, le sous-titrage des images et les recommandations.

54
 2.3.7.Matplotlib
Matplotlib [88] a été introduit par John Hunter en 2002. C’est une bibliothèque de
visualisation étonnante en Python pour les tracés 2D de tableaux de données. Elle
est l'une des bibliothèques de visualisation de données les plus utilisées au monde.

Matplotlib est simple et ne nécessite aucune compétence particulière. Elle est

construite sur des tableaux Numpy et conçue pour fonctionner avec la pile SciPy
plus large.

2.3.8.Jupyter
Jupyter [89] est l’environnement de développement intégré (IDE) choisi pour notre
travail de recherche. C'est un IDE qui combine de manière transparente les bases du
langage Python avec des fonctionnalités et des commodités supplémentaires
disponibles dans un IDE. De plus, nous avons utilisé les frameworks CAFFE [90]
permettant de réaliser des applications interactives depuis Python.

2.4. Environnement de développement

Étant donné que nous implémentons une application pour notre projet, nous
avons créé et installé un environnement virtuel dans Python avec toutes les
bibliothèques requises.

La figure illustre les commandes d’installation et d’activation de notre

environnement de développement.

FIGURE 12 : COMMANDES D’INSTALLATION ET D’ACTIVATION.

55
 3. Données

3.1. Collecte des données.

La première étape consiste à collecter l'ensemble de données afin que nous
puissions préparer les images de visage pour former nos modèles. Pour cela, nous
avons extrait le chemin du jeu de données Flickr-Face HQ (FFHQ) [5]. FFHQ est
divisée en quatre (4) différentes catégories de visages de distribution uniforme. La
première catégorie est « Mask » qui signifie des personnes avec le visage masqué,
tandis que la deuxième catégorie « Mask_Chin » représente des personnes avec le
menton uniquement couvert. Pour les individus dont le nez n’est pas couvert c’est
la troisième catégorie « Mask_Mouth_Chin » et, la catégorie « Mask_Nose_Mouth
» dont les personnes avec la bouche non couverte est la quatrième.

Étant donné que notre ensemble de données se subdivise en quatre (4) sous-
ensembles, nous appliquons quatre étiquettes pour représenter les quatre classes.

3.2. Organisation des données

FFHQ se compose de 3000 images de faces de dimensions (300 x 300), dont
2700 images proviennent de l’ensemble d’entrainement et 300 images de
l’ensemble de validation.

Nos données ont été organisées en quatre dossiers respectifs qui

correspondent à nos 4 classes.

56
FIGURE 13 : EXEMPLES D’IMAGES DE LA BASE DE DONNÉES FFHQ [5].

57
 3.3. Détection de visages
Une fois notre jeu de données collecté, labellisé et organisé, nous détectons les
visages. La détection de visage est le processus d'identification du visage à partir de
l'image capturée ou de l'image spécifiée à partir de la base de données. Pour une
image donnée, nous identifions l’emplacement du visage.

Nous utilisons le modèle FP16 (Floating-Point), du module de réseau neuronal

profond pré-entrainé de OpenCV appelé le DNN (Deep Neural Network) pour la
détection du visage par implémentation CAFFE.

CAFFE (Convolutional Architecture for Fast Feature Embedding) est développé par
Yangqing [90]. Il prend en charge différents types d'architectures de réseaux de
neurones profonds spécialisés pour le traitement d'images, comme dans notre projet.

Nous disposons de deux fichiers nécessaires à l’exécution de CAFFE afin de

charger les poids des couches du réseau FP16. Le premier fichier avec l’extension
« .caffemodel » qui fournit les poids des couches intermédiaires lors de l’exécution
du réseau et le second fichier, « .prototxt » qui définit l’architecture de l’algorithme
FP16 au format texte lisible et modifiable.

Nous appliquons la fonction ‘’cv2.dnn.blobFromImage’’ pour enregistrer

l’entrée dans le modèle. Nous refactorisons l'algorithme en réduisant la taille et le
poids avec les valeurs moyennes RVB (104,117,123) des données ImageNet [91].

Nous évaluons par la suite le score de précision qui détermine l'image

contenant le visage détecté. Dans notre travail, ce score de confiance est supérieur
à 0.8 (>0.8). Avec face_detection_model.forwar(), nous déterminons les scores de
confiance.

FIGURE 14 : EXEMPLES D'IMAGES DE VISAGES DÉTECTÉS.

58
 3.4. Alignement de visages
L'alignement du visage est un processus de recadrage de la partie du visage à
partir d'images et l'image recadrée représente les traits du visage.

Nous recadrons le visage une fois que nous le détectons dans le but d’obtenir la
région d’intérêt de l’image qui contient le visage. Ce qui nous permet d’extraire les
caractéristiques du visage afin qu’il soit facile pour notre modèle de s’entrainer .

FIGURE 15 : EXEMPLES D'IMAGES DE VISAGES RECADRÉS.

3.5. Extractions des caractéristiques (prétraitement des

données)
Après avoir extrait les visages en sortie du processus, nous redimensionnons
les images afin d’optimiser la base de données pour le traitement de notre modèle.
Nous avons choisi la taille (100X100) dans notre projet.

Comme la fonction ‘’cv2.dnn.blobFromImage’’ est utilisée pour l’entrée de

notre modèle, plusieurs opérations sont faites avant d’obtenir cette entrée. Nous
réduisons la dimension de l’image avec « np.squeeze(blob) ». L’image est ensuite
normalisée puis retirée des valeurs négatives avec
«np.maximum(blob_flip,0)/blob_flip.max()»

L’augmentation des données est la technique que nous avons abordée à la

section pour la réalisation de ces opérations.

59
 FIGURE 16 : EXEMPLES D'IMAGES APRÈS EXTRACTIONS DES CARACTÉRISTIQUES.

Après toutes les tâches de prétraitement, nous sauvegardons nos images

prétraitées ainsi que nos étiquettes dans des tableaux Numpy. Cette bibliothèque
prend en charge la manipulation des tableaux multidimensionnels. Elle fonctionne
également avec des fonctions mathématiques relatives à la manipulation de matrices.
Après cette étape, nous utilisons ces données comme entrées de notre réseau de
neurones.

4. Formation des modèles de reconnaissance faciale

Nous entrainons trois types de modèles de CNN dans le but d’obtenir un modèle
à la fois stable et performant. Nous chargeons nos données prétraitées pour la
formation de nos modèles. Afin d’améliorer la précision des modèles, nous
appliquons l’opération de pré-traitement du format « OneHotEncoding ». Notre
ensemble de données comporte quatre (4) classes. : « Mask » ; « Mask_Chin »; «
Mask_Mouth_Chin » et « Mask_Nose_Mouth ». L’opération « OneHotEncoding »
est une technique utilisée pour représenter chaque classe par un vecteur binaire
distinct.

Nous importons « train_test_split » de « sklearn.model_selection» pour diviser

notre jeu de données. Ainsi, nous passons 0,1 en tant que paramètre dans le «
train_test_split » qui divisera les données de sorte que 10 % des données seront dans
la partie validation et les 90 % restantes seront dans la partie d’entrainement.

60
 Nous fixons les valeurs des paramètres tels que le nombre de lots de traitement,
la taille des images traitées et le nombre d'itérations puis, nous définissons le taux
d’apprentissage, qui est un hyperparamètre qui contrôle la mesure dans laquelle le
modèle répond à l'erreur d'estimation chaque fois que les poids du modèle neuronal
de notre réseau sont mis à jour.

Une fois que nous avons décrit nos hyperparamètres, nous implémentons notre
propre architecture, ce qui nous a permis de faire des modifications et des
expérimentations.

Un réseau neuronal convolutif se compose de plusieurs couches de convolution

et de mise en commun. Notre processus convolutif est constitué de trois (3) blocs
de convolutions constitués chacun d’une couche de convolution et ont
successivement la profondeur 3 des cellules 16, 32, 64. La taille cible de nos images
est 100x100x3.

Nous utilisons une couche de sortie pour créer notre sortie finale. La fonction
Dense () est utilisée ainsi avec le neurone 4, car nous avons que quatre (4) classes.

Nous avons utilisé la fonction d’activation Relu (Rectification Linéaire) au niveau

des couches cachées pour apprendre à classifier nos visages aux 4 différentes classes
et, pour la dernière couche entièrement connectée nous optons pour la fonction
d’activation « Softmax » pour obtenir une probabilité pour nos 4 différentes classes.

Nous compilons notre modèle avec l’optimisateur « Adam » et la fonction de

perte « categorical crossentrop ». Il s’agit d’une fonction de perte d'entropie croisée
pour les ensembles de données catégorielles.

Puis nous utilisons les métriques fondamentales telles que le score FI, le rappel,
la précision, la matrice de confusion et la perte d'entropie croisée pour afficher les
performances de notre modèle. Nous affichons les graphes de précision et de perte.
Nous reviendrons plus en détail sur ces métriques dans le chapitre suivant dans la
section dédiée aux résultats et discussions.

4.1. Première expérimentation

Pour notre première expérimentation, nous avons ajouté une couche de Batch
normalisation dans chaque bloc de convolution et avons ajouté le paramètre «
Dropout » qui a une valeur de 0.5 entre la deuxième couche de réseau de neurones
artificiels et la dernière couche. La taille de lots est égale à 15 et le taux
d’apprentissage est de 0.001. Notre modèle est entrainé sur 20 itérations.

61
 4.2. Deuxième expérimentation
Notre deuxième expérience présente quelques variations par rapport à la
première. Nous avons utilisé la même taille de lot et nous l’avons entrainé pour le
même nombre d‘itérations « epochs ». Nous avons juste une couche de Batch
normalisation dans le premier bloc de convolution avec le paramètre « Dropout »
de même valeur 0.50.

4.3. Troisième expérimentation

Notre modèle pour cette expérimentation a été entrainé sur LeNet-5 sans
aucune couche de normalisation et de paramètres « Dropout ». Le taux
d’apprentissage a été réduit à 0.0001 nous avons divisé notre jeu de données
à une proportion 25 % et 75 %; donc 25 % des données seront dans la partie test
et les 75 % restantes seront dans la partie d’entrainement.

4.4. Bases de données

Nous stockons nos données de reconnaissance faciale en utilisant l’architecture Big
Data. Notre application utilise Python pour détecter un grand nombre d'images
d'entrée à partir du jeu de données. Lors de la mise en œuvre d'un système de
reconnaissance faciale, l'objectif est d'identifier les individus qui constituent un
danger, cependant une de ses problématiques est la détection de ces individus en
temps réel. Parmi les trois (3) architectures Big data, notre choix s’est porté sur
l’architecture Lambda permettant la fusion de traitement par bloc de données (batch)
et des nouvelles données entrées (temps réels).

62
 FIGURE 17 : ARCHITECTURE DU BIG DATA PROPOSÉ

4.5. Les métriques de performances

Pour l’évaluation de nos différents modèles, nous avons utilisé les mesures de
performance suivantes :

4.5.1.Précision, rappel & F1

La précision [92] représente le nombre de prédictions correctement classées
sur le nombre total de prédictions :
𝑣𝑟𝑎𝑖𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠
𝑝𝑟é𝑐𝑖𝑠𝑖𝑜𝑛 =
(𝑣𝑟𝑎𝑖𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 + 𝑓𝑎𝑢𝑥 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠)

Le rappel [92] détermine l'exactitude de la classe positive d'une prédiction en

échange de la prise en compte des faux négatifs. Il est déterminé par la formule ci-
dessous :
𝑣𝑟𝑎𝑖𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠
𝑟𝑎𝑝𝑝𝑒𝑙 =
(𝑣𝑟𝑎𝑖𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 + 𝑓𝑎𝑢𝑥 𝑛é𝑔𝑎𝑡𝑖𝑣𝑒𝑠)

La mesure F1 [92] est l’équilibre de la précision et du rappel. La mesure F1

est petite si l’une des métriques est petite, F1 est donnée par la formule :

63
 𝑝𝑟é𝑐𝑖𝑠𝑖𝑜𝑛 ∗ 𝑟𝑎𝑝𝑝𝑒𝑙
𝐹1 = 2
(𝑝𝑟é𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑎𝑝𝑝𝑒𝑙)

4.5.2.Matrice de confusion
Les matrices de confusion [92] sont utilisées pour montrer les performances
sur les problèmes de classification. Elles comparent votre prédiction aux résultats
réels pour déterminer l'exactitude.

La matrice de confusion a 4 valeurs : Vrai Positif, Vrai Négatif, Faux Positif

et Faux Négatif.

VP (Vrai Positif): représente le nombre de Vrais Positifs

VN (Vrais négatifs) : représente le nombre de Vrais Négatifs

FP (Faux Positif) : indique le nombre de Faux Positifs

FN (Faux Négatif) : définit le nombre de Faux Négatifs

64
CHAPITRE 7 : RÉSULTATS ET DISCUSSIONS

1. Présentations des résultats et discussions.

Dans ce chapitre, il sera question de présenter les trois (3) expérimentations
menées au cours de notre travail. Les figures 18, 19 et 20 illustrent le graphique de
précision d’entrainement et de validation ainsi que le graphique de perte
d’entrainement et de validation de nos modèles.

Nos expérimentations utilisent une taille de lot constante de 15 pour nos

échantillons d'apprentissage et de validation, et elles sont entraînées sur 20
itérations. Après le processus de formation, nous avons généré deux graphiques :
(1) le graphique de précision d'entraînement et de validation, et (2) le graphique de
perte d'entraînement et de validation.

Nous observons que l'ajout de la couche de normalisation à chaque bloc de

convolution lors de la première expérimentation, ainsi que l'utilisation du paramètre
« Dropout » et la réduction du taux d'apprentissage dans la troisième expérience,
contribuent à renforcer la stabilité du réseau neuronal. Ces modifications améliorent
les performances du réseau à la fois sur les données d'apprentissage et sur les
données de validation.

Dans nos graphiques, les lignes bleues représentent la précision et la perte

d'entraînement, tandis que les lignes rouges représentent la précision et la perte de
validation. L'axe des abscisses correspond au nombre d'époques d'entraînement,
tandis que l'axe des ordonnées représente les valeurs de précision et de perte.

65
 (1) (2)

FIGURE 18 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET

(2) GRAPHIQUE DE PERTE D’ENTRAINEMENT ET DE VALIDATION POUR LA PREMIÈRE
EXPÉRIMENTATION.

D'après la Figure 18, nous observons que la perte d'entraînement diminue à

mesure que le nombre d'époques augmente, tandis que la perte de validation diminue
initialement, puis oscille avec l'augmentation des époques. Parallèlement, la
précision de l'entraînement et la précision de la validation augmentent au fur et à
mesure des époques, atteignant une performance de 97,15 % après 20 époques. À
partir de ces graphiques, nous en concluons que les meilleures performances sont
obtenues lorsque le nombre d'époques est fixé à 20 et que le taux d'apprentissage est
de 0,001.

(1) (2)

FIGURE 19 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET (2)

GRAPHIQUE DE PERTE D’ENTRAINEMENT ET DE VALIDATION POUR LA DEUXIÈME
EXPÉRIMENTATION.

66
 La figure 19 présente les graphiques de précision et de perte de la deuxième
expérimentation. Initialement, la précision augmente rapidement au cours des deux
premières époques, puis se stabilise près de 1. Cela indique que notre modèle ne
nécessite pas un grand nombre d'époques pour être entraîné efficacement. La
précision atteint finalement 98,80 % sur l'ensemble d'entraînement. La perte
d'entraînement diminue progressivement et se stabilise près de zéro, tandis que la
perte de validation augmente lentement.
Au début de l'entraînement, les pertes sont élevées, mais elles diminuent
légèrement au fil du temps et se stabilisent. Après l'entraînement, un test est
effectué, et le graphique de précision se stabilise rapidement près de 1, ce qui
indique une performance élevée du modèle.

(1)
(2)

FIGURE 20 : (1) GRAPHIQUE DE PRÉCISION D’ENTRAINEMENT ET DE VALIDATION ET (2)

GRAPHIQUE DE PERTE D’ENTRAINEMENT ET DE VALIDATION POUR LA TROISIÈME
EXPÉRIMENTATION.

En analysant le graphique de la figure 20, nous constatons que le modèle

présente un sur-ajustement. Cela se manifeste par une augmentation de la précision
d'entraînement et une diminution de la perte d'entraînement. Au cours du processus
d'entraînement, la précision d'entraînement est passée de 65 % à 98 %. Cependant,
notre modèle montre également une amélioration de la perte de validation, ce qui
indique qu'il ne généralise pas suffisamment bien sur notre ensemble de validation.
Une matrice de confusion est utilisée pour évaluer la performance de nos
modèles de classification avec notre ensemble de données de test. La matrice de
confusion est un tableau qui compare les valeurs réelles aux valeurs prédites. Les
figures 21 à 23 montrent que notre modèle est capable de classer correctement les

67
classes. La matrice montre des valeurs élevées de TP et de TN par rapport aux
faibles valeurs de FP et de FN, nous pouvons donc dire que notre modèle est capable
de prédire correctement les échantillons corrects avec une bonne précision.

FIGURE 21 : MATRICE DE CONFUSION DE LA PREMIÈRE EXPÉRIMENTATION.

68
FIGURE 22 ; MATRICE DE CONFUSION DE LA DEUXIÈME EXPÉRIMENTATION.

69
 FIGURE 23 : MATRICE DE CONFUSION DE LA TROISIÈME EXPÉRIMENTATION.

Méthode de Classification CNN

validation Class Précision Rappel Score-F1
0 0.87 0.99 0.93
1ere 1 0.99 0.94 0.97
expérimentation 2 0.95 0.97 0.96
3 0.99 0.89 0.94
0 0.97 0.99 0.98
2eme 1 0.99 0.98 0.99
expérimentation 2 0.95 0.99 0.97
3 0.98 0.93 0.95
0 1 0.99 1
3eme 1 0.99 0.99 0.99
expérimentation 2 0.99 0.99 0.99
3 0.98 0.99 0.99

70
TABLEAU 2 : TABLEAU DE COMPARAISON DES RÉSULTATS DES TROIS EXPÉRIMENTATIONS.

Notre modèle LeNet-5 a obtenu le rappel le plus élevé pour la classification

multi-classe, avec une valeur de 0,99 pour la classe 0 dans nos trois
expérimentations, ainsi que pour les classes 1, 2 et 3 dans notre troisième
expérimentation. En ce qui concerne la précision de la classification multi-classe,
notre modèle a également atteint la valeur la plus élevée de 0,99 pour la classe 1
dans la première et la deuxième expérimentation, ainsi que la valeur de 1 pour la
classe 0 dans la troisième expérimentation.

En ce qui concerne la méthode de partitionnement des données utilisée dans nos

expérimentations, le score F1 le plus élevé obtenu est de 0,97 pour les deux
premières expérimentations, pour la classe 0.

2. Résultats obtenus
L'étude de notre modèle nous a permis d'apporter des améliorations
significatives, nous conduisant finalement à un résultat satisfaisant compte tenu des
contraintes auxquelles nous étions confrontés.

Les contraintes dans notre recherche et comme toujours dans les problèmes
de classification sont relatives aux données traitées. La préparation et le
prétraitement des données sont cruciaux pour la formation aux données. Aussi du
fait que d’autres images étaient contenues dans certaines classes, accentuent aussi
cette problématique de classification.

Nous avons créé un système capable de reconnaître les images de visage

masquées et non masquées.

Ci-dessous quelques exemples de reconnaissance de visage en utilisant les trois

modèles :

71
FIGURE 24 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 1ERE EXPÉRIMENTATION.

FIGURE 25 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 2EME EXPÉRIMENTATION.

72
FIGURE 26 : RÉSULTATS DE LA RECONNAISSANCE FACIALE DE LA 3EME EXPÉRIMENTATION.

73
CONCLUSION GÉNÉRALE
Le présent rapport nous synthétise le travail effectué dans le cadre du projet
de fin d'études à l'Université du Québec à Trois-Rivières. Ce projet s'est concentré
sur l'étude de la reconnaissance faciale et la détection des masques faciaux en
utilisant des techniques d'apprentissage en profondeur, en particulier les réseaux de
neurones convolutifs.
Nous avons d'abord entrepris une étude approfondie des concepts du Big
Data, de la vision par ordinateur et du Cloud Computing. Ensuite, nous nous
sommes familiarisés avec le contexte général de notre approche pour la
reconnaissance faciale en utilisant les réseaux de neurones convolutifs.
Le but de ce rapport est d'identifier les visages sans masques et de sensibiliser
les individus à l'importance de bien porter des masques. L'analyse principale se
concentre sur la classification des visages humains masqués et l'influence de la
proportion du visage humain sur la précision.
Nous avons proposé quatre classes, chacune représentant une catégorie de
classification. Pour automatiser cette classification des visages, nous avons réalisé
trois expérimentations en utilisant le modèle LeNet-5 [4]. Dans ces
expérimentations, nous avons appliqué des techniques telles que l'augmentation de
données, l'ajout de couches de normalisation par lots (Batch Normalization) et de «
Dropout », et nous avons testé différents taux d'apprentissage.
Les performances des modèles ont été évaluées sur l'ensemble de données
Flickr-Face HQ (FFHQ) [5], qui comprend 3000 images. Nos résultats de test ont
démontré un taux de précision élevé dans l'identification des personnes dont le
visage est masqué, celles dont seulement le menton est couvert, et celles dont le nez
n'est pas couvert. Notre modèle a atteint une précision d'entraînement de 98,80 %
grâce à l'utilisation de la normalisation par lots et du "Dropout".
Notre projet de reconnaissance faciale masquée présente un potentiel
d'extension considérable dans le futur. Cependant, bien que notre modèle ait obtenu
de bons résultats de validation, il est important de reconnaître que ces résultats
peuvent ne pas être généralisables à tous les types d'ensembles de données
d'entraînement. Par exemple les masques n’ont pas tous la même couleur bleue.
Dans le cadre de nos travaux futurs, nous envisageons d'utiliser le même jeu
de données d'entraînement pour tester divers autres modèles, tels que MobileNet
[93]. Cette approche nous permettra d'explorer différentes options et de sélectionner
un modèle plus stable et mieux adapté à la reconnaissance faciale masquée.

74
 En outre, Nous pouvons ajouter plus de valeurs qui ne se limitent pas
seulement à la reconnaissance faciale, mais incluent également la reconnaissance
des genres. Bien sûr, cela nécessitera des changements de nos jeux de données, où
nous devrons inclure des annotations pertinentes pour ces nouvelles tâches.
Par ailleurs, nous nous aventurons à explorer l'utilisation d'autres types de
réseaux neuronaux tels que les réseaux antagonistes génératifs [10] pour la
réalisation de la reconnaissance faciale masquée. Cette approche nous permettra de
repousser les limites et d’expérimenter de nouvelles méthodes pour améliorer les
performances de notre système.

75
 RÉFÉRENCES

[1] P.S. Prasad, R. Pathak, V.K. Gunjan et H.V.R. Rao, «Deep Learning Based
Representation for Face Recognition, » Springer: Berlin, Germany, 2019; pp. 419–
424.
[2] V. C.-C. Cheng, S.-C. Wong, V. W.-M. Chuang et al., «The role of
community-wide wearing of face mask for control of coronavirus disease 2019
(covid-19) epidemic due to sars-cov-2, » Journal of Infection, vol. 81, no. 1, pp.
107–114, 2020. [En ligne]. Available:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7177146/pdf/main.pdf.
[3] « Convolutional neural network, » Visité en Septembre 2020, [En ligne].
Available: https://en.wikipedia.org/wiki/Convolutional_neural_network.
[4] « LeNet, » Visité en Septembre 2020, [En ligne]. Available :
https://en.wikipedia.org/wiki/LeNet#:~:text=In%20general%2C%20LeNet%20ref
ers%20to,in%20large%2Dscale%20image%20processing.
[5] « Flickr-Face HQ Dataset, » visité en Octobre 2020, [En ligne]. Available:
https://github.com/NVlabs/ffhq-dataset.
[6] Y. Taigman, M. Yang, M. Ranzato et L. Wofl, « Deepface: Closing the gap to
human-level performance in face verification, » In Proceedings of the IEEE
Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA,
23–28 June 2014; pp. 1701–1708. [En ligne]. Available:
https://openaccess.thecvf.com/content_cvpr_2014/papers/Taigman_DeepFace_Clo
sing_the_2014_CVPR_paper.pdf.
[7] G. Hu, Y. Yang, D. Yi, J. Kittler, W. Christmas, S.Z. Li et T. Hospedales, «
When face recognition meets with deep learning: An evaluation of convolutional
neural networks for face recognition, » In Proceedings of the IEEE International
Conference on Computer Vision Workshops, Santiago, Chile, 11–12 December
2015; pp. 142–150. [En ligne].
Available :https://www.cvfoundation.org/openaccess/content_iccv_2015_worksho
ps/w11/papers/Hu_When_Face_Recognition_ICCV_2015_paper.pdf.
[8] W. Hariri, « Efficient masked face recognition method during the covid-19
pandemic, » 2021. [En ligne]. Available: https://arxiv.org/abs/2105.03026.
[9] H. Deng, Z. Feng, Z. Qian, X. Lv, H. Li et G. Li« MFCosface: A masked-face
recognition algorithm based on large margin cosine loss, » Appl. Sci. 2021, 11,
7310. [En ligne]. Available: https://www.mdpi.com/2076-3417/11/16/7310.

76
[10] N. U. Din, K. Javed, S. Bae et J. Yi, « A novel GAN-based network for
unmasking of masked face, » IEEE Access 2020, 8, 44276-44287. [En ligne].
Available: https://ieeexplore.ieee.org/ielx7/6287639/8948470/09019697.pdf.
[11] G. Deore, R. Bodhula, V. Udpikar et V. More, « Study of masked face detection
approach in video analytics, » 2016 Conference on Advances in Signal Processing
(CASP), Pune, 2016, pp. 196-200, doi: 10.1109/CASP.2016.7746164.
[12] M. S. Ejaz et M. R. Islam, « Masked Face Recognition Using Convolutional
Neural Network, » 2019 International Conference on Sustainable Technologies for
Industry 4.0 (STI), Dhaka, Bangladesh, 2019, pp. 1-6,
doi:10.1109/STI47673.2019.9068044.
[13] A. Anwar et A. Raychowdhury, « Masked face recognition for secure
authentication, » arXiv preprint arXiv:2008.11104 (2020).
[14] Z. Wang, G. Wang, B. Huang, Z. Xiong, Q. Hong, H. Wu, P. Yi, K. Jiang, N.
Wang, Y. Pei et al., « Masked face recognition dataset and application, » arXiv
preprint arXiv:2003.09093, 2020.
[15] P. Nagrath, R. Jain, A. Madan, R. Arora, P. Kataria et J. Hemanth, «
SSDMNV2: A real time DNN-based face mask detection system using single shot
multibox detector and MobileNetV2, » Sustainable cities and society, March 2021.
[En ligne]. [En ligne]. Available: https://pdf.sciencedirectassets.com/.
[16] « Face masked dataset, » Visité en Septembre 2020, [En ligne]. Available:
https://www.kaggle.com/datasets/manishkc06/face-mask-dataset.
[17] S. V. Militant et N. V. Dionisio, « Real-Time Facemask Recognition with
Alarm System using Deep Learning, » IEEE Control and System Graduate
Research Colloquium (ICSGRC), 2020. [En ligne]. Available:
https://ieeexplore.ieee.org/ielx7/9223048/9232452/09232610.pdf.
[18] S. Ge, J. Li, Q. Ye et Z. Luo, « Detecting Masked Faces in the Wild with
LLE-CNNs, » IEEE Conference on Computer Vision and Pattern Recognition,
2017. [En Ligne]. Available:
https://openaccess.thecvf.com/content_cvpr_2017/papers/Ge_Detecting_Masked_
Faces_CVPR_2017_paper.pdf.
[19] M. Loey, G. Mangogaran, T. M.H.N et K. N.E.M., « A hybrid deep transfer
learning model with machine learning methods for face mask detection in the eraof
the COVID-19 pandemic, » National Library of Medicine, 1 January 2021. [En
ligne]. Available: https://pubmed.ncbi.nlm.nih.gov/32834324/.
[20] « Real-World Masked Face Dataset» visité en Décembre 2020, [En ligne].
Available: https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset.
[21] « Simulated Masked Face Dataset » visité en Décembre 2020, [En ligne].
Available: ] https://github.com/prajnasb/observations.

77
[22] G. B. Huang, M. Mattar, T. Berg, et E. Learned-Miller, «Labeled faces in the
wild: A database for studying face recognition in unconstrained environments, »
Technical report, 2007.
[23] B. Balusamy, R. N. Abirami, S. Kadry et A.H. Gandomi, « Big Data
Concepts, Technology, and Architecture, » Published by JohnWiley & Sons, Inc.,
New Jersey, USA, 2021.
[24] J-S. Bergé, S. Grumbach et V. Zeno-Zencovich, « The ‘Datasphere’, Data
Flows beyond Control, and the Challenges for Law and Governance, »
Forthcoming in the European Journal of Comparative Law and Governance n. 5
(2018) [En ligne]. Available: https://deliverypdf.ssrn.com/
[25] P. Lemberger, M. Batty, MÉ Morel et J-L. Raffaëlli, « Big Data and machine
learning: Manuel du data scientis, » 5 rue Laromiguière, 75005 Paris (2015).
[26] V. Mayer-Schonberger et K. Cukier (2013), « Big data: A revolution that will
transform how we live, work, and think, » UK: Hachette.
[27] B. Braian de Souza et A. Cicero Aparecido, « L'importance des données pour
Big compréhension des habitudes d'achat des consommateurs, l'augmentation de
l'avantage concurrentiel dans le détail, » Magazine scientifique multidisciplinaire
du Centre du savoir. Numéro 08. Année 02, vol 03. p 18-41, Novembre 2017.
ISSN: 2448-0959.
[28] D-S. Singh, et G. Singh, «Big data – A Review, » International Research
Journal of Engineering and Technology (IRJET), Apr -2017, Volume: 04 Issue:
04, 822-824. [En Ligne] Available:
https://d1wqtxts1xzle7.cloudfront.net/53502016/IRJET-V4I4167-libre.pdf.
[29] J. Hurwitz, A. Nugent, F. Halper et M. Kaufman, « Big data for dummies, »
Published by JohnWiley & Sons, Inc., New Jersey, USA, 2013.
https://jan.newmarch.name/IoT/BigData/Big%20Data%20For%20Dummies.pdf
[30] J. Singh et V. Singla, « Big Data: Tools and Technologies in Big Data, »
International Journal of Computer Applications (0975 – 8887), f Computer
Applications (0975 – 8887) Volume 112 – No 15, February 2015, 6-10.
[31] T. Bikku, NS. Rao et AR. Akepogu, « Hadoop based feature selection and
decision making models on Big Data, » Indian Journal of Science and Technology.
2016 Mar; 9(10). DOI: 10.17485/ijst/2016/v9i10/88905.
[32] L. Greeshma et G. Pradeepini, « Big Data Analytics with Apache Hadoop
MapReduce FrameworkI, » Indian Journal of Science and Technology, Vol 9(26),
DOI: 10.17485/ijst/2016/v9i26/93418, July 2016.
[33] A. Elsayed, O. Ismail, et M. E. El-Sharkaw, « MapReduce: State-of-the-Art
and Research Directions, » IJCEE 2014 Vol.6 (1): 34-39 ISSN: 1793-8163
DOI: 10.7763/IJCEE.2014.V6.789.

78
[34] « Big Data analytics market, » visité en Janvier 2021, [En Ligne]. Available:
Https://www3.microstrategy.com/getmedia/cd052225-be60-49fd-ab1c-
4984ebc3cde9/Dresner-Report-Big_Data_Analytic_Market_Study-
WisdomofCrowdsSeries-2017.pdf
[35] Advanced Analytics & AI Summit: BFSI 2019. Survey Report: Big Data
analytics for financial services (2018).
https://www.intelligentautomation.network/events/advancedanalyticsfinance/down
loads/big-data-analytics-for-financial-services-survey-report-2018.
[36] D. Mavaluru, R. Shriram et V. Sugumaran, « Big Data Analytics in
Information Retrieval: Promise and Potential », Proceedings of 0 8 th IRF
International Conference, 05 th July – 2014.
[37] « 30+ Youtube Statistics and facts [CurrentYear, » visité en Janvier 2021, [En
Ligne]. Available: https://www.comparitech.com/tv-streaming/youtube-statistics/.
[38] « Attentats du 11 Septembre, » visité en Janvier 2021, [En Ligne]. Available:
https://fr.wikipedia.org/wiki/Attentats_du_11_septembre_2001.
[39] « homme chat » visité en Février 2021, [En Ligne]. Available:
https://www.istockphoto.com/fr/photos/homme-chat.
[40] « Media post: Can car technology help prevent fatigued driving? » visité en
Février 2021,[En Ligne]. Available:
https://bestsellingcarsblog.com/2021/09/media-post-can-car-technology-help-
prevent-fatigued-driving/
[41] S. Ingle et M. Phute, « Tesla Autopilot : Semi-Autonomous Driving, an
Uptick for Future Autonomy, » International Research Journal of Engineering and
Technology (IRJET), Volume: 03 Issue: 09 | Sep-2016 , 369-372.
[42] « Computer vision in retail: 7 use cases and one way to succed, » visité en
Mars 2021, [En Ligne]. Available: https://mindtitan.com/resources/industry-use-
cases/computer-vision-in-retail/
[43] P. Spagnolo et al, « Non-Invasive Soccer Goal Line Technology: A Real Case
Study, »in National Research Council of Italy , IEEE Conference on Computer
Vision and Pattern Recognition Workshops, 2013, 1011-1018. DOI :
10.1109/CVPRW.2013.147.
[44] SV. Doctorvaladan et al, « Accuracy of Blood Loss Measurement during
Cesarean Delivery, » Published by AJP Repports, Avril 2017, 93-100.
Doi: 10.1055/s-0037-1601382.
[45] « Qu’est ce que le Cloud Computing » visité en Aout 2023, [En ligne].
Available: ] https://www.salesforce.com/fr/learning-centre/tech/cloudcomputing/.

79
[46] NB. Ruparelia, « Cloud Computing, » Published The MIT Press,2016.
https://mitpressbookstore.mit.edu/book/9780262546478.
[47] Vaquero, L, Rodero-Merino, L, Caceres, J et Lindner M (2009), « A break in
the clouds: towards a cloud definition, » ACM SIGCOMM computer
communications review. Volume 39, Issue 1, January 2009, 50-55. Doi:
10.1145/1496091.1496100.
[48] I. Ashraf, « An Overview of Service Models of Cloud Computing, »
International Journal of Multidisciplinary and Current Research. Vol.2 (July/Aug
2014), 779-783.
https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=1596e1fda5456
adfbba56e530e4f69be08696c64.
[49] « Cloud Computing et ses différents modèles et topologies. » visité en Juin
2021, [En Ligne]. Avalaible: https://fr.linkedin.com/pulse/cloud-computing-et-ses-
diff%C3%A9rents-mod%C3%A8les-topologies-saad-faouzi.
[50] A. Rashid et A, Chaturvedi, « Cloud Computing Characteristics and Services:
A Brief Review, » International Journal of Computer Sciences and Engineering.
Vol.-7, Issue-2, Feb 2019É, 421-426. [En Ligne]. Available:
https://www.ijcseonline.org/pub_paper/70-IJCSE-05826.pdf.
[51] A. Nayak et A. Yassir, « Cloud Computing as an Emerging Paradigm, »
International Journal of Computer Science and Network Security, VOL.12 No.1,
January 2012. 61-65.
[52] M. Armbrust, A.D. Joseph, R.H. Katz et A. Patterson, « Above the Cloud: A
Berkeley View of Cloud Computing, » Technical Report, EECS Department,
University of California, Berkeley, 2009. [En Ligne]. Available:
https://www2.eecs.berkeley.edu/Pubs/TechRpts/2009/EECS-2009-28.pdf.
[53] S. P. Mirashe et N.V. Kalyankar, « Cloud Computing, » Journal of
Compyting, Volume 2, Issue 3, March 2010, ISSN 2151-9617 Available:
Https://sites.google.com/site/ Journal of Compyting /
[54] « Face recognition systems, » visité en Juin 2021, [En ligne]. Available:
https://fr.wikipedia.org/wiki/Syst%C3%A8me_de_reconnaissance_faciale
[55] « Reconnaissance faciale automatisée dans les secteurs public et privé, »
visité en Aout 2021, [En ligne]. Available:
https://www.priv.gc.ca/media/1766/fr_201303_f.pdf
[56] S. KO. BASEMA, « Identification des personnes par reconnaissance de visage
pour la sécurité d’une institution bancaire, » Mémoire pour l’obtention du diplôme

80
de la licence en informatique de gestion, Institut supérieur pédagogique de Bukavu-
RDC, 2010.
[57] W. Zhao, R. Chellappa, P. J. Phillips et A. Rosenfeld, « Face recognition: A
literature survey, » ACM computing surveys (CSUR), vol. 35(4), pp. 399-458,
2003.
https://inc.ucsd.edu/mplab/users/marni/Igert/Zhao_2003.pdf
[58] K. Bouchra, « Mise au point d’une application de reconnaissance faciale, »
Mémoire pour l’obtention du diplôme de master en informatique, Université Abou
Bakr Belkaid-Tlemcen, novembre 2013.
[59] S. G. Bhele et V. H. Mankar, « A Review Paper on Face Recognition
Techniques, » International Journal of Advanced Research in Computer
Engineering & Technology. Volume 1, Issue 8, October 2012, 339-346.
[60] J.-T. Chien et C.-P. Liao, « Maximum Confidence Hidden Markov Modeling
for Face Recognition, » IEEE transactions on pattern analysis and machine
intelligence, vol. 30(4), pp. 606-616, 2008.
[61] F. Rosenblatt, «The Perceptron: A Probabilistic Model for Information Storage
and Organization in the Brain, » Psychological Review, 1958.
[62] P. Paquet, « L’utilisation des réseaux de neurones artificiels en finance ».
[63] « Les réseaux de neurones convolutifs, » visité en Aout 2021, [En ligne].
Available : https://histrory.hashnode.dev/les-reseaux-de-neurones-convolutifs
[64] P. Hensman et D. Masko, «The Impact of Imbalanced Training Data for
Convolutional Neural Networks, » Degree project, in computer science, first level
Stockholm, Sweden 2015.
[65] « Qu’est-ce que le Deep Learning et comment ça marche, » visité en
Septembre 2021, [En ligne]. Available : https://www.saagie.com/fr/blog/l-
histoire-du-deep-learning/
[66] Y. LeCun, K. Kavukcuoglu et C. Farabet, « Convolutional networks and
applications in vision, » In: Circuits and Systems (ISCAS), Proceedings of 2010
IEEE International Symposium on (2010), pp. 253–256.
[67] O. M. Parkhi, A. Vedaldi, et A. Zisserman, « Deep Face Recognition, »
Proceedings of the British Machine Vision, vol. 1(3), p. 6, 2015.
[68] « A comprehensive Guide to Convolutional Neural Network, » Visité en
Septembre 2021, [En ligne]. Available: https://towardsdatascience.com/a-
comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-
3bd2b1164a53.
[69] A. M’BEGNAN NAGNAN, « Développement d’outils web de détection
d’annotations manuscrites dans les imprimés anciens, » Mémoire pour l’obtention

81
du diplôme de maitrise en mathématiques et informatique appliquées, Université
du Québec à Trois-Rivières, avril 2021.
[70] K. O’Shea and R. Nash, «An Introduction to Convolutional Neural Networks,
»arXiv: 1511.08458v2[CS.NET] 2 décembre 2015.
[71] « Max Pooling Layer, » Visité en Mai 2023, [En ligne]. Available:
https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/
[72] « Flatenning Opération, » Visité en Mai 2023, [En ligne]. Available:
https://www.simplilearn.com/tutorials/deep-learning-tutorial/convolutional-neural-
network
[73] V. Nair et G.E. Hinton, « Rectified linear units improve restricted boltzmann
machines[C], » International Conference on International Conference on Machine
Learning. Omnipress, 2010:807-814.
[74] A. Krizhevsky, I. Sutskever, et G. E. Hinton, « Imagenet classification with
deep convolutional neural networks, » 2021. [En ligne]. Available:
https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c843
6e924a68c45b-Paper.pdf
[75] « The Architecture of Lenet-5, » Visité en Janvier 2022, [En ligne].
Available : https://www.analyticsvidhya.com/blog/2021/03/the-architecture-of-
lenet-5/
[76] D.C. Cireşan, U. Meier, J. Masci, L.M. Gambardella et J. Schmidhuber,
«Flexible, High-performance convolutional neural networks for Image
Classification,» Arxiv preprint arXiv:1102.0183, 2011.
[77] B. Prenkaj, P. Velardi, et al, « A Survey of machine learning approaches for
student dropout prediction in online courses, » ACM Computing Surveys Volume
53, Issue 3.
[78] S. Santurkar, D. Tsipras et al « How does batch normalization help
optimization? » 32nd Conference on Neural Information Processing Systems
(NeurIPS 2018), Montréal, Canada. [En ligne]. Available :
https://proceedings.neurips.cc/paper/2018/file/905056c1ac1dad141560467e0a99e1
cf-Paper.pdf.
[79] I. Goodfellow, Y. Bengio et A. Courville, « Deep Learning, » MIT Press,
Cambridge, MA, 2016.
[80] K. P. Murphy, « Machine Learning: A Probabilistic Perspective, »
Cambridge: MIT Press. p. 247. ISBN 978-0-262-01802-9., 2012.

82
[81] « Python, » Visité en Janvier 2022, [En ligne]. Available:
https://www.python.org.
[82] S. Gholizadeh., « Top Popular Python Libraries in Research, » Journal of
Robotics and Automation Research, Rondebosch, Cape Town, 7701, South Africa,
May 2022, 3(2), 142-145.
[83] « OpenCV, » Visité en Février 2022, [En ligne]. Available:
https://en.wikipedia.org/wiki/OpenCV
[84] « Pandas software, » [En ligne]. Available:
https://en.wikipedia.org/wiki/Pandas_(software)
[85] « SciPy, » Visité en Février 2022, [En ligne]. Available:
https://en.wikipedia.org/wiki/SciPy
[86] « Scikit-learn, » Visité en Février 2022, [En ligne]. Available:
https://en.wikipedia.org/wiki/Scikit-learn
[87] « Tensorflow, » Visité en Février 2022, [En ligne]. Available:
https://en.wikipedia.org/wiki/TensorFlow
[88] « Matplotlib, » Visité en Février 2022, [En ligne]. Available:
https://matplotlib.org.
[89] « Jupyter Notebook, » Visité en Février 2022, [En ligne]. Available:
https://jupyter.org.
[90] « Coffe, » Visité en Février 2022, [En ligne]. Available:
https://caffe.berkeleyvision.org/
[91] J. Deng, W. Dong, R. Socher, L. J. Li, K. Li et L. Fei-Fei, « ImageNet: A
Large-Scale Hierarchical Image Database, » IEEE Computer Vision and Pattern
Recognition (CVPR), 2009.
[92] H. M et S. M.N, « A Review on Evaluation Metrics for Data Classification
Evaluations, » International Journal of Data Mining & Knowledge Management
Process, vol. 5, no. 2, pp. 01–11, Mar. 2015. [Online]. Available:
http://www.aircconline.com/ijdkp/V5N2/5215ijdkp01.pdf
[93] S. -H. Tsang, « Review: MobileNetV1 — Depthwise Separable Convolution
(Light Weight Model), » 2018, Octobre 14. [En ligne]. Available:
https://miro.medium.com/max/1400/1*Voah8cvrs7gnTDf6acRvDw.png

83