Ce travail concerne l'interprétation du contenu des images aériennes optiques panchromatiques très haute résolution. Deux méthodes pour la classification du contenu de ces images ont été développées. Une méthode basée sur la détection des instances des différentes catégories d'objets et une autre méthode basée sur la segmentation sémantique des superpixels de l'image utilisant un modèle de contexte entre les différentes instances des superpixels. La méthode de détection des objets dans une image très haute résolution est basée sur l'apprentissage d'un mélange de modèle d'apparence de la catégorie d'objets à détecter puis d'une fusion des hypothèses renvoyées par les différents modèles. Nous proposons une méthode de partitionnement en sous catégories visuelles basée sur une procédure en deux étapes des exemples d'apprentissages de la base en fonction des métadonnées disponibles et de l'apparence des exemples d'apprentissage. Cette phase de partitionnement permet d'apprendre des modèles d'apparence où chacun est spécialisés dans la reconnaissance d'une sous-partie de la base et dont la fusion permet la généralisation de la détection à l'ensemble des objets de la classe. Les performances du détecteur ainsi obtenu sont évaluées sur plusieurs bases d'images aériennes très haute résolution à des résolution différentes et en plusieurs endroits du monde. La méthode de segmentation sémantique contextuelle développée utilise une combinaison de la description visuelle d'un superpixel extrait d'une image et des informations de contexte extraient entre un superpixel et ses voisins. La représentation du contexte entre les superpixels est obtenu en utilisant une représentation par modèle graphique entre les superpixels voisins. Les noeuds du graphes étant la représentation visuelle d'un superpixel et les arêtes la représentation contextuelle entre deux voisins. Enfin nous présentons une méthode de prédiction de la catégorie d'un superpixel en fonction des décisions données par les voisins pour rendre les prédictions plus robustes. La méthode a été testé sur une base d'image aérienne très haute résolution. / This work is about interpretation of the content of very high resolution aerial optical panchromatic images. Two methods are proposed for the classification of this kind of images. The first method aims at detecting the instances of a class of objects and the other method aims at segmenting superpixels extracted from the images using a contextual model of the relations between the superpixels. The object detection method in very high resolution images uses a mixture of appearance models of a class of objects then fuses the hypothesis returned by the models. We develop a method that clusters training samples into visual subcategories based on a two stages procedure using metadata and visual information. The clustering part allows to learn models that are specialised in recognizing a subset of the dataset and whose fusion lead to a generalization of the object detector. The performances of the method are evaluate on several dataset of very high resolution images at several resolutions and several places. The method proposed for contextual semantic segmentation use a combination of visual description of a superpixel extract from the image and contextual information gathered between a superpixel and its neighbors. The contextual representation is based on a graph where the nodes are the superpixels and the edges are the relations between two neighbors. Finally we predict the category of a superpixel using the predictions made by of the neighbors using the contextual model in order to make the prediction more reliable. We test our method on a dataset of very high resolution images.

Un intérêt accru a été élevé sur les systèmes d'apprentissage mobiles contextualisé. Ces systèmes visent à fournir les supports d'apprentissage via des appareils mobiles et de les adapter aux besoins spécifiques de l'éducation, les caractéristiques personnelles et les circonstances particulières d'un apprenant ou un groupe d'apprenants interconnectés. L'apprentissage en milieu de travail est une approche essentielle pour promouvoir l'efficacité de travail et d'apprentissage des professionnels. Il est besoin ciblé, personnalisé, juste-à-temps et basé sur la localisation. Ces caractéristiques prédisent que le système d'apprentissage mobile contextualisé peut jouer un rôle dans la promotion de l'efficacité de l'apprentissage en milieu de travail. Cependant, il y a relativement peu de systèmes d'apprentissage mobiles contextualisé proposées pour le développement de l'apprentissage et de la compétence en situation de travail. Cet article propose la conception, la mise en œuvre et l'évaluation d’un système d'apprentissage mobile contextualisé pour le milieu professionnel, nommé WoBaLearn. Plus précisément, dans la thèse, nous avons travailler sur: (1) les théories de l'apprentissage mobile contextualisé et l'apprentissage en milieu de travail; (2) les approches pour la conception d'un système d'apprentissage mobile contextualisé pour le milieu professionnel; et (3) les technologies et les méthodologies de mettre en œuvre et de tester le système d'apprentissage conçu. Les principales contributions de cette thèse sont: 1) Construction d’un modèle de contexte hiérarchique et basé sur une ontologie pour l'apprentissage en milieu de travail Nous avons défini un modèle de contexte initial pour décrire l'information contextuelle de l'apprentissage mobile en milieu de travail, nommé WbML. Ce modèle adopte l'approche hiérarchique, et est construit par l'ontologie. 2) Proposition d’un ensemble de stratégies d'adaptation pour l'apprentissage en milieu de travail et un moteur d'apprentissage pour exécuter ces stratégies Nous avons proposé un ensemble de stratégies d'adaptation. Ces stratégies adapter les supports d'apprentissage en fonction du contexte d’apprentissage actuel. Nous avons proposé également un moteur d'adaptation qui exécute ces stratégies pour mettre en œuvre les adaptations d'apprentissage. 3) Conception de l’architecture d’un système d'apprentissage mobile contextualisé pour le milieu professionnel Combinant avec les bases conceptuelles sur le modèle de contexte, des contenus d'apprentissage, les stratégies d'adaptation et le moteur d'adaptation, nous avons proposé l'architecture de WoBaLearn système qui permet à WoBaLearn de réaliser des services d'apprentissage adaptatif. 4) Mise en œuvre du système et son évaluation avec une étude de cas Nous avons implémenté le système avec les technologies modernes, et mis une étude de cas pour évaluer ce système. Les résultats d'évaluation nous ont fourni la preuve que ce système peut offrir aux professionnels une expérience d'apprentissage satisfaisant et faciliter leurs activités de travail. / Increased interest has been shown in context-aware mobile learning systems. These systems aim to provide learning supports via mobile devices and adapt them to specific educational needs, personal characteristics and particular circumstances of an individual learner or a group of interconnected learners. Work-based learning is a crucial approach to promote professionals’ working and learning efficiency, which is need-targeted, personalized, just-in-time and location-based. These characteristics predict that context-aware mobile learning systems can play a role in promoting the effect of work-based learning. However, relatively few context-aware mobile learning systems are proposed for learning and competence development in work contexts. This dissertation proposes the design, implementation and evaluation of a context-aware mobile system for work-based learning, named WoBaLearn. More specifically, in the dissertation, we worked on: (1) the learning theories related to work-based context-aware mobile learning; (2) the approaches for designing a work-based context-aware mobile learning system; and (3) the technologies and methodologies for implementing and testing the designed system. The main contributions of this thesis are: 1) Proposal of an ontology-based hierarchical context model for work-based learning We defined an initial context model for describing contextual information in work-based mobile learning, named WbML. This model adopts a hierarchical designing approach which classifies con-text into a common layer and a domain layer. This approach improves the reusability of this context model. Also, the WbML context model is built based on ontology for describing context semantically. 2) Design of a set of adaptation strategies for work-based learning and an adaptation engine to execute these strategies We proposed a set of adaptation strategies concerning learning units selection, learning units sequence, learning units navigation, learning partners communication, and learning activities generation. These strategies adapt learning supports depending on professionals’ just-in-time learning con-text. We proposed also an adaptation engine which executes these proposed strategies to implement learning adaptations. 3) Construction of the WoBaLearn architecture Combined with the conceptual design bases about the context model, learning contents, adaptation strategies and adaptation engine, we proposed the system architecture of WoBaLearn which enables the WoBaLearn system to achieve the adaptive learning services. 4) Implementation of WoBaLearn We implemented the proposed system with modern technologies, and set a user study to evaluate it. Evaluation results provided us with the evidence that this system can offer professionals a satisfactory learning experience and facilitate their work activities.