Détails du sujet
Conception et réalisation d’un système basé sur l’intelligence artificielle pour la détection des places inoccupées dans un environnement publique: cas d’une salle pléthorique.
Résumé
Auteur : MWENDELWA DAVID
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2023-2024 , | 2024-04-27 13:35:35
Mots clés
Intelligence Artificielle, computer vision, siège, environnement publique
Intérêt
L'optimisation du placement des individus dans les espaces publics, tels que les salles de spectacle, les auditoriums et les cinémas, revêt une importance croissante pour garantir à la fois le confort des spectateurs et l'efficacité de la gestion des lieux. Ce projet propose la conception et la mise en œuvre d'un système innovant visant à optimiser le placement des individus dans ces environnements. En utilisant des techniques avancées de traitement d'image et de Deep Learning, le système sera capable de collecter des données en temps réel sur l'occupation de la salle et d'analyser les flux de spectateurs pour proposer des solutions de placement efficaces. L'objectif principal est de maximiser l'utilisation de l'espace tout en garantissant une expérience agréable aux spectateurs, en réduisant les temps d'attente et en optimisant la gestion des ressources. Ce projet s'inscrit dans une perspective pratique, avec des implications directes pour l'industrie du divertissement et de la gestion des foules dans les espaces publics.
Problématique
Dans les environnements publics tels que les salles de classe, les amphithéâtres, les bibliothèques ou les transports en commun, la gestion efficace de l'espace est un défi majeur. La connaissance en temps réel de l'occupation des places permet d'optimiser l'utilisation des ressources, d'améliorer le confort des utilisateurs et de réduire les temps d'attente.
Plan provisoire
Hormis l'Introduction et la Conclusion générales nous aurons aussi:
Chapitre 1: Généralité sur les systèmes de détection des sièges inoccupés dans les environnements publics: Ici nous aurons à faire une revue de littérature, l'analyse des technologies existantes, analyses de recherches similaire et enfin, analyse des besoin et contraintes.
Chapitre 2: Conception du système de l'architecture de détection des sièges inoccupés:
Ici nous allons utiliser les techniques de l'intelligence Artificielle utile à notre fin.
Chapitre 3: Implémentation du système:
Ici nous, nous ferons une mise au point effective. Hypothèses
Nous estimons que les techniques d'Intelligence Artificielles principalement celles liées à la détection d'images arriveraient à solutionner ce problème d'optimisation de place dans les publics. Méthodes
Pour réaliser notre système, nous allons faire une analyse approfondie des besoins et des contraintes, suivie d'une recherche documentaire sur les technologies existantes. Ensuite, nous ferons la collecte et le prétraitement des données pour entraîner les algorithmes de détection d'objets et d'optimisation. Nous aurons aussi à utiliser les techniques d'intelligence artificielle pour détecter les places vacantes et proposer des arrangements de sièges optimisés. Enfin, nous procéderons à la documentation des résultats et à leur diffusion dans des forums académiques pour contribuer à la validation et à la diffusion de notre recherche réalisée. Bibliographie
LIVRES :
1. Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2018). Digital image processing using MATLAB. Gatesmark Publishing.
2. Szeliski, R. (2010). Computer vision: Algorithms and applications. Springer Science & Business Media.
3. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
ARTICLES :
1. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and machine intelligence, 39(6), 1137-1149.
2. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
3. Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).
4. Li, Y., Huang, C., & Nevatia, R. (2019). Learning to count objects in natural images for visual question answering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 7279-7288).
5. Kang, K., Ouyang, W., Li, H., & Wang, X. (2019). Self-adversarial scene adaptation for crowd counting. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2442-2451).
6. Zhou, Y., Bai, X., & Zhang, S. (2018). Scale-transferrable object detection. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 436-451).
SITE WEB:
1. TensorFlow Object Detection API : https://github.com/tensorflow/models/tree/master/research/object_detection
2. PyTorch : https://pytorch.org/
3. OpenCV : https://opencv.org/
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIEL
Encadreur: Johnson KISAMBA
Status
Décision ou observation:
Feu vert:
Déposé : NO
Défendu: NO
Finalisé:
Conception et réalisation d’un système basé sur l’intelligence artificielle pour la détection des places inoccupées dans un environnement publique: cas d’une salle pléthorique.
Résumé
Auteur : MWENDELWA DAVID
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2023-2024 , | 2024-04-27 13:35:35
Mots clés
Intelligence Artificielle, computer vision, siège, environnement publiqueIntérêt
L'optimisation du placement des individus dans les espaces publics, tels que les salles de spectacle, les auditoriums et les cinémas, revêt une importance croissante pour garantir à la fois le confort des spectateurs et l'efficacité de la gestion des lieux. Ce projet propose la conception et la mise en œuvre d'un système innovant visant à optimiser le placement des individus dans ces environnements. En utilisant des techniques avancées de traitement d'image et de Deep Learning, le système sera capable de collecter des données en temps réel sur l'occupation de la salle et d'analyser les flux de spectateurs pour proposer des solutions de placement efficaces. L'objectif principal est de maximiser l'utilisation de l'espace tout en garantissant une expérience agréable aux spectateurs, en réduisant les temps d'attente et en optimisant la gestion des ressources. Ce projet s'inscrit dans une perspective pratique, avec des implications directes pour l'industrie du divertissement et de la gestion des foules dans les espaces publics.Problématique
Dans les environnements publics tels que les salles de classe, les amphithéâtres, les bibliothèques ou les transports en commun, la gestion efficace de l'espace est un défi majeur. La connaissance en temps réel de l'occupation des places permet d'optimiser l'utilisation des ressources, d'améliorer le confort des utilisateurs et de réduire les temps d'attente.Plan provisoire
Hormis l'Introduction et la Conclusion générales nous aurons aussi:Chapitre 1: Généralité sur les systèmes de détection des sièges inoccupés dans les environnements publics: Ici nous aurons à faire une revue de littérature, l'analyse des technologies existantes, analyses de recherches similaire et enfin, analyse des besoin et contraintes.
Chapitre 2: Conception du système de l'architecture de détection des sièges inoccupés:
Ici nous allons utiliser les techniques de l'intelligence Artificielle utile à notre fin.
Chapitre 3: Implémentation du système:
Ici nous, nous ferons une mise au point effective.
Hypothèses
Nous estimons que les techniques d'Intelligence Artificielles principalement celles liées à la détection d'images arriveraient à solutionner ce problème d'optimisation de place dans les publics.Méthodes
Pour réaliser notre système, nous allons faire une analyse approfondie des besoins et des contraintes, suivie d'une recherche documentaire sur les technologies existantes. Ensuite, nous ferons la collecte et le prétraitement des données pour entraîner les algorithmes de détection d'objets et d'optimisation. Nous aurons aussi à utiliser les techniques d'intelligence artificielle pour détecter les places vacantes et proposer des arrangements de sièges optimisés. Enfin, nous procéderons à la documentation des résultats et à leur diffusion dans des forums académiques pour contribuer à la validation et à la diffusion de notre recherche réalisée.Bibliographie
LIVRES :1. Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2018). Digital image processing using MATLAB. Gatesmark Publishing.
2. Szeliski, R. (2010). Computer vision: Algorithms and applications. Springer Science & Business Media.
3. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
ARTICLES :
1. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and machine intelligence, 39(6), 1137-1149.
2. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
3. Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).
4. Li, Y., Huang, C., & Nevatia, R. (2019). Learning to count objects in natural images for visual question answering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 7279-7288).
5. Kang, K., Ouyang, W., Li, H., & Wang, X. (2019). Self-adversarial scene adaptation for crowd counting. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2442-2451).
6. Zhou, Y., Bai, X., & Zhang, S. (2018). Scale-transferrable object detection. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 436-451).
SITE WEB:
1. TensorFlow Object Detection API : https://github.com/tensorflow/models/tree/master/research/object_detection
2. PyTorch : https://pytorch.org/
3. OpenCV : https://opencv.org/
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIELEncadreur: Johnson KISAMBA
Status
Décision ou observation:Feu vert:
Déposé : NO
Défendu: NO
Finalisé: