Établissement
INP - ENSEEIHT
Liste des enseignements
Au choix : 3 parmi 8
SIGNAL ET APPLICATIONS
ECTS
5
Établissement
INP - ENSEEIHT
Traitement d'antennes
Établissement
INP - ENSEEIHT
Le cours comprend une partie théorique permettant de présenter l'application principale, de formaliser le modèle des signaux et les différentes méthodes de formation de faisceaux (conventionnelle et adaptative). Dans un deuxième temps, par groupes de 2-3, les apprenants étudient certaines méthodes à partir d'un syllabus et de codes fournis. Chaque groupe doit présenter une rapide synthèse de ces méthodes en en faisant une analyse critique.
Traitement automatique de la parole
Établissement
INP - ENSEEIHT
Audio et musique
Établissement
INP - ENSEEIHT
Le cours se déroule de la manière suivante :
CM1: Débruitage des signaux audio (suppression de clics, réduction du bruit de fond)
CM2: Factorisation en matrices non-négatives (NMF) et application à la séparation de sources audio
CM3: Modèles physiques pour la synthèse musicale
CM4: Panorama des méthodes d'IA pour le traitement des signaux audio
TP: Interpolation de signaux audio pour la suppression de clics
Projet : Rédaction d’un document de présentation de Shazam, Audionamix ou Spotify.
Navigation par satellite
Établissement
INP - ENSEEIHT
Le cours débute par une introduction générale aux systèmes GNSS : principe de la trilatération, présentation des constellations existantes (GPS, Galileo, GLONASS, BeiDou), signaux GNSS et principales applications, notamment l’utilisation des GNSS comme signaux d’opportunité.Une deuxième partie introduit le modèle du signal GNSS reçu et les notions d’estimation du retard et du Doppler.Le cours est ensuite structuré en trois blocs principaux :
- Front-end GNSS
Chaîne de réception RF et traitement numérique permettant le passage du signal IQ reçu au signal en bande de base. - Acquisition et Tracking
Formulation du problème de détection et estimation par maximum de vraisemblance (ML). Étude des algorithmes d’acquisition et des boucles de poursuite DLL et PLL. - Calcul PVT (Position, Velocity, Timing)
Exploitation des observables GNSS pour le calcul de position, vitesse et synchronisation temporelle. Introduction aux méthodes de régression linéaire et au filtrage de Kalman.
Des séances de travaux pratiques sont associées aux parties front-end et calcul PVT.
IA ET MATERIEL
ECTS
5
Établissement
INP - ENSEEIHT
Conception de NN dédiés aux systèmes embarqués
Établissement
INP - ENSEEIHT
IMAGE - APPLICATIONS
ECTS
5
Établissement
INP - ENSEEIHT
Imagerie computationnelle
Établissement
INP - ENSEEIHT
L'enseignement est constitué de 6 séances de cours (avec du temps consacré à des exercices) ainsi que 2 séances de BE. Le plan du cours est le suivant.
1 Physique de l’imagerie
1.1 Un modèle direct générique
1.2 Quelques notions de physique (Diffraction, transformée Rayon-X)
1.3 La numérisation
2 Du monde continu au discret
2.1 Principe général
2.2 Produits matrice-vecteur efficaces (matrices creuses / à bandes / Toeplitz / rang faible)
2.3 Erreurs de discrétisation
3 Problèmes inverses mal-posés
3.1 L’échec des inversions directes
3.2 Inverses généralisées
3.3 Stabilisation de l’inversion (filtrage de systèmes singuliers)
4 Formulation bayésienne d’un problème inverse
4.1 Le point de vue de la statistique paramétrique (MAP)
4.2 Exemples de vraisemblance des observations
4.3 Approximations des attaches aux données (l2-pondérée, transformations non-linéaires, pré/post-traitement)
5 Exemples de fonctions de régularisation
5.1 Tikhonov
5.2 Variation Totale
5.3 Parcimonie dans une base
Imagerie médicale computationnelle
Établissement
INP - ENSEEIHT
-Introduction aux principales modalités d'imagerie médicale : Scaner à rayon X, IRM, TEP et Ultrasons
-Imagerie ultrasonore :
* Principes physiques : effet piezo-électrique, propagation des ondes ultrasonore, impédance acoustique, phénomènes aux interfaces.
* Notions basiques de formation des images : principe de reconstruction des images, beamforming, et conséquences, modes d'imagerie A, B, TM et types d'images.
* Notions avancées d'imagerie: propagation et signaux radio-fréquence, modèles linéaire d'imagerie et problèmes inverse d'imagerie ultrasonore.
Télédétection
Établissement
INP - ENSEEIHT
Ce cours permet d'aborder les bases physiques de la télédétection, le format des données utilisées en télédétection et comment les utiliser dans un SIG. L'ensemble des TD se fera avec le logiciel QGIS et la librairie OTB, tous les deux libres et utilisables sur des machines personnelles. Les séances s'organisent sous forme de Cours-TD où les séquences théoriques s'alternent régulièrement avec de la pratique guidée. Des séances en autonomie permettent de consolider les acquis sur de nouveaux cas d'études. En fonction des avancées de chacun·e , des parties modulables peuvent être rajoutées à la séquence pédagogique.
APPRENTISSAGE ET DECISION
ECTS
5
Établissement
INP - ENSEEIHT
Analyse de données
Établissement
INP - ENSEEIHT
Ce cours se décompose en deux parties indépendantes : les processus gaussiens et le transport optimal. Pour chacune de ces parties, deux cours magistraux suivis d’un TD permettrons d’introduire les outils et de les manipuler, puis deux TPs permettront de mettre en pratique les outils proposés pour l’analyse de données. L’évaluation de cette matière se fera au moyen d'un dernier TP noté et d'un examen.
Apprentissage non supervisé
Établissement
INP - ENSEEIHT
Le cours comprend 6 séances de cours magirstraux où sont exposé plusieurs techniques d’apprentissage non-supervisé, et 7 séances de travaux pratiques (dont 3 en autonomie) permettant de mettre en œuvre ces techniques. Dans la première partie du cours, sont étudiées deux techniques de partitionnement classiques, à savoir l’algorithme de k-moyennes, et la classification probabiliste par apprentissage d’un modèle de mélange gaussien. Ensuite, nous introduisons les autoencodeurs, et enfin quatre modèles génératifs basés sur l’apprentissage profond : les réseaux antagonistes génératifs (GAN), les normalizing flows (NF), les autoencodeurs variationnels (VAE) et les modèles de diffusion (DM).
Apprentissage supervisé
Établissement
INP - ENSEEIHT
- Programme Détaillé:
-
Module 1 : Introduction à l’Apprentissage Supervisé en deep learning
-
Module 2 : Modèles Linéaires pour la Régression et la Classification
-
Module 3 : Réseaux de Neurones profonds (MLP) et Convolutifs (CNN)
-
Module 4 : U-Net pour la Segmentation d’Images
-
Module 5 : Mécanismes d’Attention et Transformers
SYSTEMES EMBARQUES
ECTS
5
Établissement
INP - ENSEEIHT
System on Chip
Établissement
INP - ENSEEIHT
L’enseignement de System-On-Chip se compose de 2 CM et d’une dizaine de séances de projet.
Les CMs décrivent de façon précise ce qu’est un System-On-Chip, quels en sont les avantages technologiques et économiques, les limites et les enjeux, et pourquoi ces circuits constituent un marché en pleine expansion. En particulier sont détaillées les notions de reuse, d’IP et de co-développement matériel/logiciel.
Les séances de projet mettent en pratique ces dernières notions, par la conception, dans l’environnement de développement Xilinx Vivado, sur carte de développement Zynq, d’un dispositif d’effet audio. Durant les première séances, les étudiants développent la configuration matérielle du Zynq et programment le microcontrôleur en langage C afin de piloter succinctement un Codec audio. Ensuite, ils développent et ajoutent, à cette configuration de base, des effets audio de leur choix, en C ou en VHDL.
L’évaluation comporte deux parties : une démonstration en séance du circuit et des effets développés, et un rapport, en anglais, sur le modèle d’une notice d’utilisation du dispositif
Architecture et accélération matérielle pour le DL
Établissement
INP - ENSEEIHT
IA ET CAPTEURS
ECTS
5
Établissement
INP - ENSEEIHT
Technologie de chaînes d'instrumentation intelligentes
Établissement
INP - ENSEEIHT
Projet Smart Sensor
Établissement
INP - ENSEEIHT
Apprentisage faiblement supervisé, RNN
Établissement
INP - ENSEEIHT
Ce cours se décompose en deux sous-parties ; une première qui traitera des réseaux de neurones récurrents pour le traitement des données séquentielles, ainsi que d’une introduction aux architectures de Transformers. Une seconde, indépendante, qui présentera des avancées récentes en apprentissage faiblement supervisé : apprentissage auto-supervisé (autoencodeurs, méthodes contrastives), apprentissage semi-supervisé, ou encore méthodes génératives.
Data analysis 2 and classification
Établissement
INP - ENSEEIHT
VISION, REALITE AUGMENTEE ET APPLICATIONS
ECTS
5
Établissement
INP - ENSEEIHT
Vision par ordinateur
Établissement
INP - ENSEEIHT
Cette partie se compose de 2 cours de classe renversée afin de permettre à l'apprenant d'être plus actif dans ses apprentissages. Ensuite, 4 travaux pratiques viennent illustrer les notions de détection et appariement abordées en cours afin de construire une mosaïque d'images. Cette matière sera évaluée via un questionnaire de cours en ligne et un examen sur feuille ainsi qu'une note de travaux pratiques. Ceci permet une évaluation continue des acquis.
Projet transversal
Établissement
INP - ENSEEIHT
Cette matière permet d'aborder une application spécifique afin de confronter les éléments étudiés en cours et travaux pratiques à une application concrète, et d'approfondir les apprentissages liés à ces différents concepts. Ce projet, réalisé en groupe, sera évalué sous la forme de compte-rendu, présentation, rapport et évaluations par les pairs. Il y aura également une évaluation en ligne individuelle.

