Grant: Discovery Grants Program - Individual

La conception des systèmes de surveillance biométriques repose sur les techniques de reconnaissance de formes (SR) et d'apprentissage machine robustes. En fait, pour être robustes, les SR doivent être en mesure de s'adapter aux conditions changeantes des environnements pour lesquels ils sont déployés. Par exemple, les variations d'illumination et de l'orientation du visage pour la reconnaissance faciale dans un contexte de vidéosurveillance; la variation temporelle de la forme de la signature manuscrite pour la vérification de l'identité des scripteurs, etc.     Malgré tous les efforts déployés par les chercheurs dans les domaines de l'apprentissage-machine et de la reconnaissance de formes, plusieurs problèmes spécifiques à la conception de SR adaptatifs demeurent non résolus. En particulier, la création de classifieurs fiables passe nécessairement par l'apprentissage des ensembles de classifieurs (EoC). Cependant, il n'y a pas consensus chez les chercheurs concernant la meilleure approche à suivre pour la création des comités d'experts.     Un problème fondamental et souvent négligé est de doter les systèmes de reconnaissance de la capacité de s'adapter en présence de nouvelles données, de nouvelles caractéristiques, de nouvelles classes, etc. De plus, les solutions proposées dans la littérature spécialisée sur les problèmes reliés à la vidéosurveillance, la détection d'intrusions et la vérification des signatures manuscrites sont pour la plupart conçues pour les environnements statiques. L'hypothèse forte est alors que les paramètres du problème de reconnaissance sont parfaitement connus lors de la conception du système de classification et que ceux-ci ne changeront pas dans le temps. Conséquemment, ces systèmes ne sont pas aussi performants lorsqu'ils sont déployés dans le monde réel puisque très souvent ces environnements sont dynamiques.     L'objectif principal de notre programme de recherche réside dans la mise en oeuvre d'une méthodologie efficace pour la conception de systèmes de reconnaissance adaptatifs et évolutifs, capables d'apprendre de manière incrémentale sur des nouvelles données dans les environnements statiques et dynamiques. Cet objectif se traduit par plusieurs objectifs spécifiques à court terme reliés à la définition de nouvelles méthodes robustes pour : (1) la sélection des exemples et des caractéristiques dans les espaces de différences, (2) l'apprentissage adaptatif et évolutif des EoC dans l'espace ROC et (3) la sélection dynamique de classifieurs adaptés aux environnements statiques et dynamiques. Les algorithmes évolutionnaires et l'apprentissage machine seront au centre de nos travaux.     Les méthodes développées dans le présent programme de recherche seront suffisamment générales pour être utilisées pour la conception de systèmes de reconnaissance de formes indépendamment de l'application visée.