Search

One of the main characteristic of virtual reality (VR) is immersion, which leads to the creation of sophisticated illusions of reality. Accordingly, VR is already used for a wide spectrum of applications like entertainment, marketing, and training. Especially in training applications, the effect of immersion on training success is still not entirely clear, since too much immersion may cause side effects such as users experiencing high mental demand whereas too little may disturb users’ well-being. To further investigate the matter, we developed two virtual training environments, wherein users train a typical industrial assembly task either in low or high immersive VR. In a controlled pilot study, we additionally introduced a third condition, the control group, which justifies the necessity of the training. Immediately after the VR Training session, each participant completed the corresponding real assembly task in which their performance was measured. Preliminary results from our pilot study show that participants trained in high immersive VR performed better, while negative side effects could not be detected., 2020 International Conference on Cyberworlds (CW), ISBN:978-1-7281-6497-7, ISBN:978-1-7281-6498-4

L'objectif de cette présentation est de montrer le rôle central de l'aléatoire dans des domaines de recherche en combinatoire, algorithmique et complexité. Nous verrons également qu'il intervient dans des domaines d'application comme la cryptographie, le tatouage et la biométrie. Selon les études proposées, ce sont des aspects différents de l'aléatoire qui entrent en jeu comme la modélisation aléatoire et le calcul de probabilités asymptotiques, la génération aléatoire ou encore l'extraction de l'aléatoire des données.Une première partie sera consacrée à l'étude des noyaux dans les graphes aléatoires. Un noyau est un ensemble de sommets qui vérifie deux propriétés très connues en théorie des graphes : la stabilité et la dominance, ces deux propriétés s'opposent et limitent les tailles possibles des noyaux. Nous verrons comment modifier ces tailles soit en proposant des variantes de la propriété de noyau (résultats de contrexemples de lois 0-1 en théorie des modèles finis et en logiques modales, obtention de transitions de phase), soit en changeant ladistribution de probabilités (graphes sans circuit, graphes creux, graphes denses). Nous verrons quel impact que cela entraîne sur la complexité des algorithmes de recherche de noyau.La seconde partie porte sur les classes de fonctions booléennes définies selon des propriétés utiles pour la cryptographie symétrique.L'objectif est l'énumération et la génération aléatoire uniforme de ces classes de fonctions. Nous verrons qu'il est possible d'énumérer et générer efficacement les fonctions 1-résilientes jusqu'à 8 variables. L'originalité de notre méthode -- à la fois combinatoire et algorithmique -- que nous avons appelée méthode des classes, a été de classifier l'ensemble des fonctions booléennes en fonction de leur écart avec les fonctions 1-résilientes.Nous nous intéressons dans la troisième partie à l'étude de l'aléatoire des données, ce travail s'inscrit dans des co-encadrements de thèse. Il s'agit d'éviter une modélisation aléatoire difficile et peu fidèle et de déterminer les parties aléatoires de ses données. La thèse de Cyril Bazin (soutenue en 2010) propose une méthode de tatouage de données géographiques vectorielles qui est rapide, aveugle et robuste à la rotation et à la translation. La méthode consiste à introduire un biais statistique sur des petites parties du document appelés sites. Les thèses de Zhigang Yao (soutenue en 2015) et Benoît Vibert (en cours) portent sur des données biométriques --les empreintes digitales-- plus précisément sur les minuties extraites de ces empreintes. Nous verrons comment mesurer la qualité d'une empreinte et comment sélectionner les minuties les plus pertinentes.Nous proposerons finalement un projet de recherche sur la quantification et la classification de l'aléatoire des données provenant de transactions numériques.

Image processing reveals an increasing interest as image becomes a support as a privileged source of informations. The quality of interpretation of an image considerably depends on its segmentation result. Despite of the diversity of methods, segmentation results still remain unsatisfied and vary a lot a function of a given technique. In order to contribute to solve this problem, an adaptive image segmentation system is proposed.After a bibliographic study providing the enumeration of various existing methods by considering their applications domain, an original image segmentation system is proposed. The originality of the developped system lies in the adaptation of processings considering the local context with the minimum of a priori knowledges. The system is composed of three processing modules. The first one allows to analyze the image at two levels. On the one hand, the first level enables to determine the global context of the image to process (image mainly composed of uniformed regions and textured ones) in order to adapt posterior processings and on the other hand, to localize textured and uniformed areas. The second level concerns the local analysis of the image to segment in order to characterize each detected areas considering classical texture attributes that are significant (derived by a statistical analysis) and attributes we have defined. These complementary parameters are determined from a texture model derived from the Wold decomposition of the autocovariance function. They enable to get some informations on the type of texture (stochastic, deterministic) and on its granularity (macroscopic, microscopic). This more precise analysis of a textured region allows to make the choice of the segmentation method easier and secondly to adapt the analysis window size of the region to segment. The second module triggers the segmentation method which is adapted to the local context of the image by using an unsupervised classification method that we have developped. Finally, the third module enables to fusion either the results of several segmentation methods of a same image or results of each band of a multi-components image. The developped fusion method is based on a genetic approach combining the segmentation results by taking into account an evaluation criterion. The system has been validated on different types of images (synthetic and remote sensing)., Le traitement d'images suscite un intérêt croissant à mesure que l'image s'impose comme un support et une source d'informations privilégiés. La qualité de l'interprétation d'une image dépend fortement de celle de la segmentation. Malgré la grande diversité de méthodes, les résultats de segmentation restent moyens et varient beaucoup en fonction de la technique choisie. Une méthode de segmentation générale et automatique est difficile à concevoir étant donnés les différents types de régions pouvant être présentes dans une image. Afin de contribuer à résoudre ce problème, nous proposons un système adaptatif de segmentation d'images.Après un travail de synthèse permettant de répertorier les différentes méthodes de segmentation existantes en fonction du type d'informations pour lesquelles elles sont performantes, un système original de segmentation est proposé. L'originalité de ce système réside dans l'adaptation des traitements au contexte local de l'image avec le minimum de connaissances a priori. Il est constitué de trois modules de traitement. Le premier module permet d'analyser finement l'image à deux niveaux. Le premier niveau identifie d'une part, le contexte global de l'image à traiter (image majoritairement composée de régions uniformes ou texturées) afin d'adapter la suite des traitements et, distingue d'autre part, les zones texturées et uniformes la composant. Le second niveau du module concerne l'analyse locale de l'image à segmenter afin de caractériser chacune des régions détectées par des attributs classiques de textures pertinents (obtenus par analyse statistique) et des attributs que nous avons définis. Ces paramètres complémentaires ont été déterminés à partir d'un modèle de texture basé sur la décomposition de Wold de la fonction d'autocovariance. Ils permettent d'obtenir des informations sur le type de texture (aléatoire ou déterministe) et sur sa granularité (grossière ou fine). Cette analyse plus fine d'une région texturée permet, d'une part, de faciliter le choix de la méthode de segmentation appropriée et, d'autre part, d'adapter la taille du support d'analyse de la région à segmenter. Le deuxième module déclenche la méthode de segmentation adaptée au contexte local de l'image en utilisant une méthode de classification non supervisée que nous avons développée. Enfin, le troisième module permet de fusionner soit les résultats de plusieurs méthodes de segmentation d'une même image, soit les résultats de segmentation de chaque bande dans le cas d'une image multi-composantes. La méthode de fusion développée adopte une approche génétique en combinant les résultats de segmentation pondérés par un critère d'évaluation. Le système a été validé sur différents types d'image (synthétiques et réelles de télédétection).