Pour savoir comment effectuer et gérer un dépôt de document, consultez le « Guide abrégé – Dépôt de documents » sur le site Web de la Bibliothèque. Pour toute question, écrivez à corpus@ulaval.ca.
 

Personne :
Tremblay, Maxime

En cours de chargement...
Photo de profil

Adresse électronique

Date de naissance

Projets de recherche

Structures organisationnelles

Fonction

Nom de famille

Tremblay

Prénom

Maxime

Affiliation

Université Laval. Département de génie électrique et de génie informatique

ISNI

ORCID

Identifiant Canadiana

ncf11907556

person.page.name

Résultats de recherche

Voici les éléments 1 - 2 sur 2
  • PublicationAccès libre
    Speed-Q description du trafic environnant
    (2012) Tremblay, Maxime; Zaccarin, André
    L’objectif du projet est de décrire le trafic de l’environnement réel d’un utilisateur en situation de conduite pour qu’un environnement virtuel lui soit plus adapté. Un véhicule équipé de caméras est confié au futur utilisateur du simulateur pour qu’il effectue plusieurs sorties dans son milieu. Des algorithmes de détection et de suivi sont ensuite appliqués sur ces séquences vidéos. Les détecteurs employés utilisent des caractéristiques Haarlike pour entraîner un système d’arbre de décision boosted en cascade. Ces détecteurs produisent de bons résultats pour des objets rigides malgré une grande complexité d’entraînement. Le suivi se fait par l’appariement de points SIFT. L’emphase du travail fut mise sur le développement du framework de détection et de suivi et l’évaluation de ses performances. Le système performe relativement bien lorsqu’il doit détecter et suivre des objets de moyenne ou grande taille, mais présente des faiblesses sur les petits objets et les changements de pose.
  • PublicationAccès libre
    Vision numérique avec peu d'étiquettes : segmentation d'objets et analyse de l'impact de la pluie
    (2021) Tremblay, Maxime; Zaccarin, André; Lalonde, Jean-François
    Un besoin ayant toujours existé dans le domaine de la vision numérique est celui d'avoir accès à des ensembles d'images annotées. Les avancements scientifiques et technologiques ont exacerbé les besoins en données étiquetées; un modèle d'apprentissage profond peut nécessiter des milliers, voire des centaines de milliers (dépendamment de la complexité du problème), d'images étiquetées. Cela peut causer un problème puisque générer de grands ensembles de données étiquetées est une tâche longue et ardue. Est-il possible de travailler en vision numérique sans avoir à collecter et étiqueter des ensembles de données de plus en plus grands ? Dans le cadre de cette thèse, nous tentons de répondre à cette question sur deux fronts différents. Premièrement, nous avons développé une approche de détection et segmentation d'objets nécessitant peu de données d'entraînement. Cette approche, inspirée des modèles par les bag-of-words, modélise l'apparence et la forme des objets de façon éparse; la modélisation de la forme se fait par l'entremise d'un nouveau descripteur de forme. Deuxièmement, nous nous sommes penchés sur le fait que certains ensembles de données sont difficilement capturables et étiquetables. Nous nous sommes concentrés sur un exemple particulier, c'est-à-dire générer un ensemble d'images de scènes extérieures avec de la pluie dont les annotations consistent au taux de précipitation (mm/h). Notre solution consiste à augmenter des images réelles avec de la pluie synthétique. Si ces images augmentées sont suffisamment réalistes, il est possible d'expérimenter sur celles-ci comme si elles étaient des images de pluie réelle. Dans nos expérimentations, nous avons évalué l'effet de la pluie sur différents algorithmes de vision numérique et nous avons augmenté la robustesse de ceux-ci sur des images contenant de la vraie pluie.