Détection et reconnaissance de visages multiples en temps réel
La reconnaissance faciale a été un problème très travaillé dans le monde entier pour de nombreuses personnes ; ce problème a émergé dans de multiples domaines et sciences, en particulier dans l'informatique, d'autres domaines qui sont très intéressés par cette technologie sont : La mécatronique, la robotique, la criminalistique, etc. Dans cette démonstration, l'objectif principal est de montrer un détecteur et un reconnaisseur de visage en temps réel pour plusieurs personnes en utilisant l'Analyse en Composantes Principales (ACP) avec eigenface pour l'implémenter dans plusieurs domaines.
Un exemple d'EigenFaces :
Détection des panneaux de signalisation
La détection des panneaux de signalisation est un élément essentiel d'un système de navigation pour véhicules autonomes. Pour qu'une automobile puisse s'orienter en toute sécurité dans un environnement urbain, elle doit être capable de comprendre les panneaux de signalisation.
- Il devrait être capable de lire la limite de vitesse, afin de ne pas recevoir de contraventions pour excès de vitesse et de ne pas payer de prime d'assurance.
- Il doit être capable de lire les feux de circulation et de s'arrêter au rouge.
- Il doit être capable de lire les panneaux d'arrêt et de céder le passage aux autres véhicules qui traversent le même carrefour.
- …
Cette démonstration vise à résoudre une petite partie du système de navigation d'un véhicule autonome, qui détecte les panneaux d'arrêt à partir d'images capturées par une caméra.
Reconnaissance vocale et synthèse vocale
Si vous êtes intéressé par la synthèse vocale (TTS) et la reconnaissance vocale (SR), cette démonstration est faite pour vous. Elle présente les technologies vocales pour plus de 26 langues différentes :
Suivi en temps réel des yeux humains à l'aide d'une caméra
Les yeux sont les caractéristiques les plus importantes du visage humain. L'utilisation efficace des mouvements oculaires en tant que technique de communication dans les interfaces utilisateur-ordinateur peut donc trouver sa place dans divers domaines d'application.
Le suivi des yeux et les informations fournies par les caractéristiques des yeux ont le potentiel de devenir un moyen intéressant de communiquer avec un ordinateur dans un système d'interaction homme-machine (IHM). C'est pourquoi l'objectif de ce projet est de concevoir un logiciel de suivi en temps réel des caractéristiques des yeux.
L'objectif de cette démonstration est de mettre en œuvre un système de suivi en temps réel des caractéristiques de l'œil avec les capacités suivantes :
- Suivi des visages en temps réel avec invariance de l'échelle et de la rotation
- Suivi individuel des zones oculaires
- Suivi des caractéristiques de l'œil
- Recherche de la direction du regard
- Contrôle à distance à l'aide de mouvements oculaires
Outils de traitement du langage naturel
Cette application est une collection d'outils de traitement du langage naturel.
Actuellement, il démontre les outils NLP suivants :
- un séparateur de phrases
- un tokenizer
- un marqueur de parties du discours
- un chunker (utilisé pour "trouver des annotations syntaxiques non récursives telles que des morceaux de phrases nominales")
- un analyseur syntaxique
- un chercheur de noms
- un outil de coréférence
- une interface avec la base de données lexicale WordNet
Cette application montre la génération d'arbres d'analyse pour des phrases en anglais, et explore certaines des autres caractéristiques du traitement du langage naturel.
Détecter la langue d'un texte écrit
La détection de la langue d'un texte écrit est probablement l'une des tâches les plus fondamentales du traitement du langage naturel (NLP). Pour tout traitement d'un texte inconnu en fonction de la langue, la première chose à savoir est la langue dans laquelle le texte est écrit.
Automatisation de la cartographie sémantique d'un document à l'aide du traitement du langage naturel
Le traitement du langage naturel (NLP) vise à permettre aux ordinateurs de déduire le sens d'une entrée en langage humain ou naturel. Cette démonstration permet d'extraire des entités, des mots-clés, des sujets, des événements, des thèmes et des concepts. En dehors des thèmes et des concepts, les résultats sont essentiellement des mots-clés ou des phrases. Les "chaînes" extraites sont souvent associées à une pertinence ou à une force, à un nombre ou à une fréquence, et/ou à une valeur de sentiment. Nous avons utilisé les fonctionnalités de notre moteur NLP pour fournir des capacités de filtrage des flux RSS, permettant à l'utilisateur de créer des filtres basés sur les chaînes extraites et des valeurs supplémentaires.