IFT6150 
  Informations

17 Novembre 2020

Examen Théorique IFT6150   -Session A20-
    Bonjour,

  • Comme il a été précisé dans la première capsule vidéo et dans le plan de cours de cette session, l'examen théorique est remplacé cette année par deux Travaux Pratiques (TPs) à faire individuellement et qui seront donnés le 17 novembre 2020 et à rendre avant le 8 décembre 2020.

  • Ces deux TPs sont, tout comme l'examen théorique, à faire individuellement, donc sans discussion avec un autre élève du cours IFT6150 (binôme compris), en temps limité (dans ce cas: 3 semaines) et c'est pourquoi ces deux TPs sont donnés le 17 novembre et doivent être rendus avant le 8 décembre 2020 (avec 25 % de pénalité par jour de retard). Ces deux TPs doivent être remis par la commande remise habituelle, dans les répertoires TP6 et TP7 (et seront essentiellement du code C compilable sous Linux).
    Pour refléter l'aspect théorique de cet examen qui est cette année concrétisée par ces deux TPs, je ne présenterais pas de capsules vidéo expliquant les points difficiles de ces deux travaux. De plus, je ne répondrais pas à vos questions par courriel et je vous demande de ne pas communiquer entre vous via le forum de discussions ou tout autre moyen.

  • Le premier TP concerne la reconstruction tomographique par rétroprojection filtrée (et non plus par la méthode de la tranche centrale de Fourier comme cela a été demandé dans le TP 4) et le deuxième TP vous proposera d'implémenter une segmentation texturale 4 classes:
  • TP6:   (html) (pdf) (prog)
    TP7:   (html) (pdf) (prog)

  • L'élément théorique associé à ce travail (qui ont pour objectif, je vous le rappelle, de remplacer l'examen théorique) sont justement les points durs (essentiellement du premier TP) et le degré de liberté (essentiellement du deuxième TP). En particulier pour le premier TP, vous devrez réfléchir, à chaque étape, si vous avez bien traité le signal avec le bon centre. Pour le deuxième TP, plus algorithmique, cet aspect théorique sera concrétisé entre autres par le choix des caractéristiques texturales utilisées dans votre segmentation texturale, la programmation de l'algorithme des K-moyennes dans le cas de 4 classes et finalement la qualité de la segmentation finale obtenue.

  • Bon travail

    A+
    Max




10 Decembre 2020

Examen Théorique IFT6150   -Info sur la Correction/Barème-
    Bonjour,

  • Les notes de votre examen théorique (TP6 et TP7) sont disponibles sur le Web grâce à la commande habituelle [notes]
    Je vais vous expliquer dans cette capsule d'information comment j'ai noté votre examen théorique. Je donnerais ensuite un courriel individualisé et personnalisé qui détaillera tout cela.

  • Le premier TP, concernant la reconstruction tomographique par rétroprojection filtrée, a été noté selon le barème indiqué dans le fichier du même nom donné sous la rubrique [prog]. Normalement la qualité de la reconstruction que vous deviez obtenir est à peu près équivalente (à quelques artefacts différents près) à la méthode (différente) que vous avez implémentée dans le TP4. Les artefacts de reconstruction différents s'observent essentiellement pour un nombre de projections limité (par exemple 45, 22 ou 12 projections) et sont intéressants à comparer avec celle obtenue dans le cadre de la reconstruction tomographique par théorème de la tranche centrale de Fourier (cf. capsule vidéo TP4).

  • Le deuxième TP, concernant la segmentation texturale 4 classes par algorithme des K-moyennes a été aussi noté selon le barème indiqué dans le fichier du même nom donné sous la rubrique [prog]. Je vais simplement ici m'intéressé à détailler ce que j'entends par [qualité de la segmentation finale: 50 points] . Je me suis basé sur une image segmentée idéale que l'on appelle vérité-terrain (ground truth en anglais) et j'ai calculé le Rand Index entre la segmentation que vous avez obtenue et cette vérité-terrain. le Rand Index https://en.wikipedia.org/wiki/Rand_index est une mesure de similarité entre deux clusterings (il mesure en fait le nombre de pair de pixels correctement classifié en pourcentage; chaque pair de pixels ayant l'étiquette <étiquettes identiques> ou <étiquettes différentes>. La mesure est comprise entre 0 et 1 et par exemple, 0.90 indique qu'il y a 90 % de pair de pixels correctement classifié dans le clustering. Plus précisément, j'ai calculé le Rand Index ajusté par rapport à une image toute uniforme (html).
    Comme vous vous en êtes certainement aperçu (et c'était aussi le but de cet exercice), la stratégie du choix des attributs mais aussi des quatre premiers centres est très importante et détermine ensuite la qualité de la segmentation obtenue. Il existe en fait 3 stratégies principales pour les centres: La première consiste à fixer les 4 premiers centres là où cela nous arrange, et en particulier sur les centres des quatre premières régions mais cela consiste, en fait, à tricher ou a rendre supervisé la méthode de segmentation car normalement, on ne sait pas ou se trouve à l'avance ces quatres différentes régions. La seconde consiste à prendre ses 4 centres aléatoirement ou équirépartis dans l'image ou comme étant les quatre premiers échantillons. Cette technique est totalement non supervisé mais n'est pas toujours optimale. La troisième consiste à utiliser une approche adaptative et prendre pour les quatre premiers centres les quatre échantillons les plus différents; Cette technique est la plus intéressante.
    Afin de privilégier une technique du choix des 4 premiers centres qui soit non fixée et intelligente voire adaptative et la robustesse de votre procédure de classification et son intérêt dans le cadre non supervisé, j'ai calculé le Rand Index (RI) de votre segmentation sur l'image texture.pgm, normale l'image texture.pgm flippée et l'image texture.pgm rotationnée de de 90 degrés (cf. Figure ci-dessous) et j'ai fait la moyenne du RI calculé sur l'image texture.pgm avec la moyenne du RI obtenu sur l'image texture.pgm flippée et rotationnée (en excluant les bords de l'image; i.e., les 5 premières et dernières lignes et colonnes de l'image). Le RI obtenu moyen (en probabilité) est ensuite multiplié par 1.2 et le tout est divisé par deux pour donner une note sur 50 points pour la qualité de la segmentation obtenue . Ainsi, la note maximale possible pour ce travail est donc 50 (code) + [(1.0*1.2)]*50 (qualité de la segmentation) =110/100 dans le cas d'une segmentation parfaite (difficilement réalisable).

    Personnellement, j'ai utilisé le K-moyenne (K=4) avec des petites fenêtres se chevauchant de taille 11x11 pixels (tel que conseillé par l'énoncé) sur lesquels j'ai extrait trois features; à savoir l'amplitude (max-min) et la longueur moyenne des plages horizontales et verticales sur une image binarisée avec un seuil de 128. Mes quatre centres initiaux sont donnés par les quatres échantillons les plus différents dans l'image et au moins séparé de size/3 ou size est la longueur ou largeur de cette image carrée. Pour ces trois simples et seules features, j'obtiens le RI ajusté par rapport à une image nulle de 69.9 % et 69.7 % et 69.7 % sur flippée et rotationnée soit une moyenne (RI moyen) de 69.8%.
    Je vous montre les excellents (je fus agréablement surpris !) résultats obtenus par les étudiants de cette promotion (IFT6150-A20-covid online) par ordre décroisssante de Rand Index moyen sur les trois images; image texture.pgm normale, flippée et rotationnée. La première colonne correspond à la vérité-terrain. Respectivement de droite à gauche:
    0%;  0%;  61.28%;  62.87%;  65.88%;  (moi) 69.82%;  72.33%;  72.58%;  80.20%;  84.34%;  (vérité-terrain : image synth.) 100%.
    Je vous donne les images vérité-terrain : [normale], [flippée] et [rotationnée], ainsi que le programme en C permettant de calculer le RandIndex ajustée par rapport à une image nulle (cad un Rand Index nulle pour une image segmentée entièrement noire ou blanche) [prog].

  • Félicitation encore à tous ceux qui ont bien travaillé !

    A+
    IFT6150
    Max




17 Decembre 2020

Moyennes IFT6150 A20 faites
    Bonjour,

  • La note du projet appliqué (PA) est disponible grâce à la commande habituelle [notes]
    Je vais tout d'abord vous expliquer dans cette capsule d'information comment j'ai noté votre projet appliqué. Je donnerais ensuite un courriel individualisé et personnalisé qui détaillera tout cela.

    Le projet appliqué a été noté sur 10 sur 5 points de même importance. Ces cinq points sont les suivants:

    1. Résultat (un programme qui compile et qui marche (et/ou qui ne plante pas !) et qui donne les résultats attendus/publiés)
    2. Complexité (un sujet qui est au niveau de ce cours gradué)
    3. Quantité (quantifie un minimum de travail)
    4. Recherche (pertinence et importance des tests réalisés, sujet d'actualité ou partie d'innovation/originalité ou de bonnes idées intégrées dans celui-ci)
    5. Présentation (slide, rapport, vidéo, script, clareté pour exécuter votre algorithme et toute explication donnée dans le programme ou dans un fichier texte, rapport, script, etc., me permettant de comprendre et exécuter/comprendre/évaluer/quantifier facilement votre travail)
    Noté qu'un programme qui ne compile et/ou ne marche pas met en danger le point Résultat mais aussi forcément tous les autres points.
  • Je vous donnerais ensuite un courriel individualisé et personnalisé qui détaillera ces cinq points.
    --------------------------------------------------------------------------------

  • Les moyennes ont été calculées, et les lettres assignées et sont aussi disponibles grâce à cette commande.
    Les statistiques sur la répartition des notes des différents examens et des moyennes finales sont disponibles graphiquement dans le fichier:
    http://www.iro.umontreal.ca/~mignotte/IFT6150/Stat_A20_IFT6150.pdf

    lequel est aussi disponible sur la page web du cours dans la rubrique STATISTIQUES .

    En regle général, la promotion de cette année (promotion IFT6150-A20-covid online) a été très bonne et reste une des plus méritantes (en ces temps difficiles) que j'ai connues jusqu'à présent.

    Félicitation encore à tous ceux qui ont bien travaillé et bonne continuation dans vos études, bonnes vacances et joyeuses fêtes de fin d'année à tous! Que bonheur et prospérités soient les mots-clefs de cette nouvelle année.

    A+
    IFT6150
    Max