http://univ-bejaia.dz/dspace/123456789/222 Tue, 05 May 2026 14:41:04 GMT 2026-05-05T14:41:04Z http://univ-bejaia.dz/dspace/123456789/27273 Title: Détection et classification des champignons comestibles et toxiques à l'aide de réseaux de neurones convolutionnels. Authors: Cherfi, Mayen; Khammari, Mohamed ; promoteur Abstract: Les champignons occupent une place importante dans les ´écosystèmes et l'alimentation humaine, mais leur ressemblance visuelle rend difficile la distinction entre espèces comestibles, toxiques et mortelles. Cette difficulté entraine chaque année de nombreuses intoxications, soulignant la nécessité d'outils d'identification fiables. Les approches traditionnelles, reposant sur l'expertise humaine, demeurent limitées face `a la complexité morphologique et à la variabilité des conditions de prise de vue. Dans ce travail, nous proposons une méthode hybride pour l'identification automatique des champignons, combinant `a la fois des caractéristiques profondes issues de modèles CNN pré-entrainés tels qu'InceptionV3 et des descripteurs classiques (LBP, GLCM, histogramme HSV, moments colorimétriques). La segmentation des images est assurée par un modèle U-Net bas´e sur MobileNetV3 enrichi de modules de Coordinate Attention, afin d'isoler précisément le champignon de son arrière-plan. Les représentations ainsi extraites sont ensuite fusionnées et exploitées par un classificateur SVM, permettant de tirer parti de la complémentarité entre descripteurs traditionnels et caractéristiques profondes, et d'améliorer la robustesse de la classification face `a la variabilité visuelle. Description: Option : Intelligence Artificielle Wed, 01 Jan 2025 00:00:00 GMT http://univ-bejaia.dz/dspace/123456789/27273 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27272 Title: Développement d'une solution ITSM intelligente conforme à ITIL4 avec intégration d'une intelligence artificielle. Authors: Abbas, Amel; Adrar, Ryma; Bouadem, Nassima ; promotrice Abstract: Ce mémoire présente la conception et le développement d'une solution ITSM intelligente, conforme aux bonnes pratiques ITIL4, visant à optimiser la gestion des demandes et des incidents au sein des systèmes d'information. Face aux limites des outils traditionnels et à la surcharge des équipes support, la solution proposée - IntelFlow - intègre un assistant virtuel (chatbot) capable de créer automatiquement des tickets, de suggérer des solutions pertinentes, et d'assigner les demandes aux techniciens les plus qualifiés. Reposant sur une architecture intuitive, une base de connaissances vectorielle et une interface adaptée aux profils des utilisateurs, cette solution contribue à réduire la charge de travail, renforcer la réactivité, et améliorer la qualité des services IT. Ce travail illustre les bénéfices d'une automatisation intelligente alignée avec ITIL4, tout en garantissant une accessibilité aux utilisateurs non techniques. Les résultats démontrent la pertinence de cette approche dans un environnement professionnel réel, et ouvrent des perspectives d'évolution, notamment l'intégration de nouveaux processus ITSM et l'usage du machine Learning pour enrichir continuellement les capacités de l'assistant. Description: Option : Intelligence Artificielle. Wed, 01 Jan 2025 00:00:00 GMT http://univ-bejaia.dz/dspace/123456789/27272 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27271 Title: Deception detection via feature fusion of shallow and deep facial cues. Authors: Benzaid, Amine; Hammoum, Zakaria; Amroune, Kamal ; promoteur; Bouchebbah, Fatah ; promoteur Abstract: Les expressions faciales sont un canal non verbal clé pour transmettre des états internes et jouent un rôle vital dans les interactions sociales. Au-delà des émotions de base, elles fournissent également des aperçu sur des états psychologiques dissimulés, ce qui les rend cruciales pour détecter la tromperie, un comportement complexe et socialement significatif. Cependant, la détection de tromperie reste un défi pour les humains, avec une précision avoisinant le niveau aléatoire. Les facteurs contributifs incluent la surcharge cognitive, les contraintes sociales et le risque de mal interpréter de réelles émotions, connu sous le nom d'erreur Othello. Les systèmes automatisés sont donc essentiels, particulièrement dans des domaines à haut risque tel la justice et la santé. Malgré les progrès avec des modèles d'apprentissage profond comme les CNN, RNN et Vision Transformers, les systèmes existants présentent des limites, incluant des biais lié au dataset, une sensibilité aux changement d'environnement et l'ambiguïté des indices faciaux. Beaucoup reposent uniquement sur des caractéristiques superficielles ou profondes, chacune avec des limites en interprétabilité, sensibilité ou généralisation. Cette thèse propose un système de détection de tromperie basé sur la fusion des indices faciaux qui intègre des caractéristiques superficielles et profondes. Les vidéos d'entrée sont traitées pour extraire les visages, puis analysées avec ResNet-50 pour les caractéristiques profondes et OpenFace pour les caractéristiques superficielles basées sur les Unités d'Action. Une réduction de caractéristiques est effectuée via des autoencodeurs, suivie d'une fusion basée sur l'attention et enfin une classification finale via un réseau neuronal dense. Les résultats sont basées sur le Real-life Trial Dataset et utilisant à la fois une division train/val/test et une validation croisée démontrent la robustesse et la généralisabilité du modèleproposé. Description: Option : Intelligence Artificielle Wed, 01 Jan 2025 00:00:00 GMT http://univ-bejaia.dz/dspace/123456789/27271 2025-01-01T00:00:00Z http://univ-bejaia.dz/dspace/123456789/27270 Title: A novel U-Net variant with encoder noise injection for breast tumor segmentatation in DCE-MRI. Authors: Aftis, Massy; Bouchebbah, Fatah ; promoteur Abstract: Breast cancer is one of the most common and deadly cancers in women. Furthermore, dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) plays a key role in its diagnosis. However, the images produced by this latter medical imaging modality are often affected by Rician noise, which badly affects the performance of segmentation models. This manuscript reviews and discusses recent deep learning methods for DCE-MRI breast tumor segmentation. Then, it introduces RicIU-Net, a U-Net variant that injects Rician noise into encoder layers during training to improve robustness. Tested on the public BreastDM dataset, RicIU-Net outperforms U-Net and U-Net 2.1D in terms of ice sore and yields a satisfactory IoU score, showing better adaptation to real-world imaging conditions. Hence, the proposed approach offers a simple yet effective way to enhance the reliability of the segmentation without external denoising Description: Option : Intelligence Artificielle Wed, 01 Jan 2025 00:00:00 GMT http://univ-bejaia.dz/dspace/123456789/27270 2025-01-01T00:00:00Z