{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/7458"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/7458","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Apprentissage profond appliqué à la détection du deepfake et à l'imagerie médicale: détection de la covid-19 et de la rétinopathie diabétique","abstract":"L’apprentissage profond est une technique d’intelligence artificielle récente et populaire, connue pour ses avancées significatives dans les domaines de la vision par ordinateur et de l’apprentissage automatique. Toutefois, de nouvelles techniques plus avancées apparaissent régulièrement, ce qui peut compliquer la tâche des nouveaux chercheurs pour suivre les dernières avancées. Dans notre travail, nous examinons les avancées récentes de l’apprentissage profond pour fournir une vue d’ensemble des dernières tendances dans le domaine. Dans ce travail, des méthodes de classification basées sur l’apprentissage profond ont été développées et comparées à d’autres méthodes de classification existantes. Pour cela, des données synthétiques générées à l’aide de techniques d’augmentation de données, ainsi que des données réelles issues de la littérature ont été utilisées. Le premier chapitre aborde la détection du COVID-19 à partir d’images radiographiques en utilisant l’apprentissage par transfert. Le deuxième chapitre se concentre sur une méthode de multi-classification pour la détection de la rétinopathie diabétique en utilisant une méthode d’entraînement hybride. Le troisième chapitre présente une étude améliorée pour l’identification de la rétinopathie diabétique à partir d’images de fondus rétiniens avec une interface utilisateur graphique. Enfin, le quatrième chapitre présente une nouvelle approche pour la détection de fausses informations dans les vidéos à l’aide du modèle linceptionResnetyV2. Les résultats de nos tests pour chaque étude se sont révélés prometteurs, montrant le potentiel de nos approches pour assurer une bonne classification en termes de précision et de robustesse. Mots clés : Apprentissage profond, Classification automatique, imagerie médicale, reconnaissance de fausses informations, extraction de caractéristiques, apprentissage par transfert.","abstract_html":"L’apprentissage profond est une technique d’intelligence artificielle récente et populaire, connue pour ses avancées significatives dans les domaines de la vision par ordinateur et de l’apprentissage automatique. Toutefois, de nouvelles techniques plus avancées apparaissent régulièrement, ce qui peut compliquer la tâche des nouveaux chercheurs pour suivre les dernières avancées. Dans notre travail, nous examinons les avancées récentes de l’apprentissage profond pour fournir une vue d’ensemble des dernières tendances dans le domaine. Dans ce travail, des méthodes de classification basées sur l’apprentissage profond ont été développées et comparées à d’autres méthodes de classification existantes. Pour cela, des données synthétiques générées à l’aide de techniques d’augmentation de données, ainsi que des données réelles issues de la littérature ont été utilisées. Le premier chapitre aborde la détection du COVID-19 à partir d’images radiographiques en utilisant l’apprentissage par transfert. Le deuxième chapitre se concentre sur une méthode de multi-classification pour la détection de la rétinopathie diabétique en utilisant une méthode d’entraînement hybride. Le troisième chapitre présente une étude améliorée pour l’identification de la rétinopathie diabétique à partir d’images de fondus rétiniens avec une interface utilisateur graphique. Enfin, le quatrième chapitre présente une nouvelle approche pour la détection de fausses informations dans les vidéos à l’aide du modèle linceptionResnetyV2. Les résultats de nos tests pour chaque étude se sont révélés prometteurs, montrant le potentiel de nos approches pour assurer une bonne classification en termes de précision et de robustesse. Mots clés : Apprentissage profond, Classification automatique, imagerie médicale, reconnaissance de fausses informations, extraction de caractéristiques, apprentissage par transfert.","abstract_has_math":false,"creators":["Guefrachi, Sarra"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences appliquées","degree_level":"2e cycle","degree_discipline":"Faculté d'ingénierie","degree_department":null,"school":null,"contributors":[],"advisors":["Hamam, Habib"],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-24T03:09:47Z","subjects":["Intelligence artificielle","Apprentissage par transfert (Intelligence artificielle)","Apprentissage profond","Hypertrucage","Virologie"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2852"],"render_values":[{"text":"umir:2852","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/7458","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Hamam, Habib"]},{"key":"dc:creator","label":"Author","values":["Guefrachi, Sarra"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:02:19Z","2025-05-13T19:56:37Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:02:19Z","2025-05-13T19:56:37Z"]},{"key":"dc:date.issued","label":"Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté d'ingénierie"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences appliquées"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Intelligence artificielle","Apprentissage par transfert (Intelligence artificielle)","Apprentissage profond","Hypertrucage","Virologie"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2852"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/7458"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["L’apprentissage profond est une technique d’intelligence artificielle récente et populaire, connue pour ses avancées significatives dans les domaines de la vision par ordinateur et de l’apprentissage automatique. Toutefois, de nouvelles techniques plus avancées apparaissent régulièrement, ce qui peut compliquer la tâche des nouveaux chercheurs pour suivre les dernières avancées. Dans notre travail, nous examinons les avancées récentes de l’apprentissage profond pour fournir une vue d’ensemble des dernières tendances dans le domaine. Dans ce travail, des méthodes de classification basées sur l’apprentissage profond ont été développées et comparées à d’autres méthodes de classification existantes. Pour cela, des données synthétiques générées à l’aide de techniques d’augmentation de données, ainsi que des données réelles issues de la littérature ont été utilisées. Le premier chapitre aborde la détection du COVID-19 à partir d’images radiographiques en utilisant l’apprentissage par transfert. Le deuxième chapitre se concentre sur une méthode de multi-classification pour la détection de la rétinopathie diabétique en utilisant une méthode d’entraînement hybride. Le troisième chapitre présente une étude améliorée pour l’identification de la rétinopathie diabétique à partir d’images de fondus rétiniens avec une interface utilisateur graphique. Enfin, le quatrième chapitre présente une nouvelle approche pour la détection de fausses informations dans les vidéos à l’aide du modèle linceptionResnetyV2. Les résultats de nos tests pour chaque étude se sont révélés prometteurs, montrant le potentiel de nos approches pour assurer une bonne classification en termes de précision et de robustesse. Mots clés : Apprentissage profond, Classification automatique, imagerie médicale, reconnaissance de fausses informations, extraction de caractéristiques, apprentissage par transfert."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic"]},{"key":"dc:title","label":"Title","values":["Apprentissage profond appliqué à la détection du deepfake et à l'imagerie médicale: détection de la covid-19 et de la rétinopathie diabétique"]}]}],"canonical_facts":{"dc:contributor.advisor":["Hamam, Habib"],"dc:creator":["Guefrachi, Sarra"],"dc:date.accessioned":["2024-12-20T18:02:19Z","2025-05-13T19:56:37Z"],"dc:date.available":["2024-12-20T18:02:19Z","2025-05-13T19:56:37Z"],"dc:date.issued":["2023"],"dc:description.abstract":["L’apprentissage profond est une technique d’intelligence artificielle récente et populaire, connue pour ses avancées significatives dans les domaines de la vision par ordinateur et de l’apprentissage automatique. Toutefois, de nouvelles techniques plus avancées apparaissent régulièrement, ce qui peut compliquer la tâche des nouveaux chercheurs pour suivre les dernières avancées. Dans notre travail, nous examinons les avancées récentes de l’apprentissage profond pour fournir une vue d’ensemble des dernières tendances dans le domaine. Dans ce travail, des méthodes de classification basées sur l’apprentissage profond ont été développées et comparées à d’autres méthodes de classification existantes. Pour cela, des données synthétiques générées à l’aide de techniques d’augmentation de données, ainsi que des données réelles issues de la littérature ont été utilisées. Le premier chapitre aborde la détection du COVID-19 à partir d’images radiographiques en utilisant l’apprentissage par transfert. Le deuxième chapitre se concentre sur une méthode de multi-classification pour la détection de la rétinopathie diabétique en utilisant une méthode d’entraînement hybride. Le troisième chapitre présente une étude améliorée pour l’identification de la rétinopathie diabétique à partir d’images de fondus rétiniens avec une interface utilisateur graphique. Enfin, le quatrième chapitre présente une nouvelle approche pour la détection de fausses informations dans les vidéos à l’aide du modèle linceptionResnetyV2. Les résultats de nos tests pour chaque étude se sont révélés prometteurs, montrant le potentiel de nos approches pour assurer une bonne classification en termes de précision et de robustesse. Mots clés : Apprentissage profond, Classification automatique, imagerie médicale, reconnaissance de fausses informations, extraction de caractéristiques, apprentissage par transfert."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2852"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/7458"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Intelligence artificielle","Apprentissage par transfert (Intelligence artificielle)","Apprentissage profond","Hypertrucage","Virologie"],"dc:title":["Apprentissage profond appliqué à la détection du deepfake et à l'imagerie médicale: détection de la covid-19 et de la rétinopathie diabétique"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté d'ingénierie"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences appliquées"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:09:47Z"}