Nos tutelles

CNRS

Nos partenaires


Accueil > Actualités > Séminaire des Doctorants

Planning


Planning

25 Mai 14h00
Saleu Raïssa :
Optimisation des systèmes de livraison urbaine par drone

La livraison des colis en milieu urbain constitue un challenge important pour les fournisseurs
de services logistiques. En effet, ces derniers sont confrontés aux exigences des clients qui
réclament un service personnalisé et des délais de livraison de plus en plus courts. Ces exigences
couplées à la maîtrise des coûts sont un vrai casse-tête pour les logisticiens, qui agissent dans
un environnement mondialisé et concurrentiel. Cependant, grâce aux nouvelles technologies,
de nouvelles stratégies de livraison sont développées.
L’avenir de la livraison passera t-il par l’usage des drones ? La piste est aujourd’hui prise
au sérieux par plusieurs entreprises à travers le monde. En effet, de grands groupes tels que
Amazon, UPS, Cdiscount, Alibaba et DHL, ont lancé d’importants projets de recherche sur
l’utilisation des drones pour livrer leurs produits à leurs clients. Comment optimiser les délais
de livraison dans une chaîne logistique constituée de véhicules et de drones qui travaillent
sans synchronisation (les véhicules et drones effectuent des livraisons de façon indépendante) ?
Nous proposons une approche heuristique et une méthode exacte pour répondre à cette question.

25 Mai 14h00
Atrevi Fabrice :
BAYESIAN GENERATIVE MODEL BASED ON COLOR HISTOGRAM OF ORIENTED PHASE AND HISTOGRAM OF ORIENTED OPTICAL FLOW FOR RARE EVENT DETECTION IN CROWDED SCENES

In order to increase the security in public areas such as airports, subways, markets, automatic scene understanding algorithms are required in order to detect rare events or dangerous behaviors. In this talk, I will introduce my recent work on rare event detection in crowded scenes using a combination of Color Histogram of Oriented Phases (CHOP) and Histogram of Oriented Optical Flow (HOOF). The proposed method intends to detect and filter spatiotemporal interest points (STIP) based on the visual saliency information of the scene. Once salient STIPs are detected, the motion and appearance information of the surrounding scene is extracted. Finally, the extracted information from normal scenes is modeled by using a Bayesian generative model (Latent Dirichlet Allocation). The rare events are detected by processing the likelihood of the current scene in regard to the obtained model. The proposed method has been tested on publicly available UMN dataset and compared with different the state-of-the-art algorithms. We have shown that our method is very competitive and provides promising results.