http://dspace.centre-univ-mila.dz/jspui/handle/123456789/8 2026-07-24T09:08:43Z http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4533 Titre: DisasterVision: a computer vision system for disaster management. Auteur(s): Raid Anis , KERKATOU , SELLAHI Abdelkadir Résumé: باستخدام صور الطائرات بدون طيار، تبحث هذه الأطروحة في كيفية استخدام طرق الرؤية الحاسوبية لتقييم الأضرار الناجمة عن الكوارث الطبيعية، مثل الفيضانات، بفعالية عالية حيث تستخدم هذه الدراسة تقنيات التعلم العميق، ولا سيما الشبكات العصبية ، التي تم استغلالها بشكل مكثف لمهام مثل التقسيم الدلالي، واكتشاف الأجسام، والإجابة على الأسئلة المرئية. الهدف الرئيسي من هذا البحث هو تحديد وتصنيف الأضرار المختلفة الناتجة عن الكوارث.حيث يتم تقييم العديد من هياكل الشبكات العصبية ، بما في ذلك Deeplabv3+ و Unet مع ResNet باستخدام مجموعة صور Floodnet في سياق التقسيم الدلالي. بالنسبة لاكتشاف وتصنيف أنواع الأضرار المختلفة، يتم تطبيق تقنيات اكتشاف الأجسام مثل YOLOv8n باستخدام مجموعة الصور المذكورة أعلاه. وأخيراً، للإجابة على الأسئلة المرئية، يتم تنفيذ عملية الاجابة عن الاسئلة باستخدام تقنيتي Bert و . GPT-2 2024-06-01T00:00:00Z http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4492 Titre: Utilisation de l'intelligence en essaim pour le traitement d’image Auteur(s): Fatima Zohra , Arar , Benmrara Marwa Résumé: In this study, we propose an image segmentation approach based on swarm intelligence,specifically using the Grey Wolf Optimizer (GWO) algorithm. First, a single-threshold segmentation is performed using Otsu’s ethod, and the resulting segmented image serves as a reference (ground truth) to evaluate the performance of GWO. The thresholds obtained by Otsu and GWO are 154 and 156, respectively, with a fitness value reaching 0.998, indicating a strong similarity. Single-threshold segmentation does not present major difficulties for either approach. However, multi-threshold segmentation (particularly with three thresholds) poses a significant hallenge for Otsu due to its brute-force exhaustive method, which becomes computationally intractable as the number of possible combinations increases. Our approach is tested on a set of ten images of various sizes. For each image, the result of Otsu’s method is used as ground truth to evaluate the segmentation produced by GWO. Experimental results demonstrate the promising performance of the GWO algorithm, offering a good trade-off between segmentation accuracy and computational efficiency. Description: Dans cette étude, nous proposons une approche de segmentation d’images fondée sur l’intelligence en essaim, en particulier à l’aide de l’algorithme Grey Wolf Optimizer (GWO). Dans un premier temps, une segmentation mono-seuil est réalisée à l’aide de la méthode d’Otsu, dont le résultat sert d’image de référence (vérité terrain) pour évaluer les performances de GWO. Les seuils obtenus par Otsu et GWO sont pectivement 154 et 156, avec une valeur de fitness atteignant 0,998, témoignant d’une forte similarité. La segmentation mono-seuil ne présente pas de difficulté majeure pour les deux approches. En revanche, la segmentation multi-seuils (notamment avec trois seuils) constitue un défi significatif pour Otsu, en raison de sa méthode exhaustive par force brute, qui devient rapidement intractable sur le plan computationnel lorsque le nombre de combinaisons possibles augmente. Notre approche est testée sur un ensemble de dix images de tailles variées. Pour chaque image, le résultat de la méthode d’Otsu est utilisé comme vérité terrain pour évaluer la segmentation obtenue par GWO. Les résultats expérimentaux démontrent les performances prometteuses de l’algorithme GWO, avec un bon compromis entre précision de segmentation et efficacité computationnelle. 2025-06-01T00:00:00Z http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4491 Titre: Réingénierie des Applications Open Source à base de Microservices vers les Lignes de Produits Logiciels Auteur(s): Faten , Bouchareb , Idri Wissal Résumé: Recently, companies and organizations have started migrating their systems to a Microservices architecture to benefit from the advantages it offers. However, this architecture does not focus on managing variability in software, which poses a real problem in applications. On the other hand, software product lines (SPLs) focus on managing variability but do not take into account the technical properties of the systems. Therefore, to take advantage of this approach and the benefits of the Microservices architecture, we are migrating Open Source e-commerce applications based on a Microservices architecture to software product lines using the Mobioos Forge platform Description: Récemment, les entreprises et les organisations ont commencé à migrer leur système vers une architecture Microservices afin de bénéficier des avantages qu’elle offre. Cependant, cette architecture ne se focalise pas sur la gestion de la variabilité dans les logiciels, ce qui pose un véritable problème dans les applications. D’un autre côté, les lignes de produit logiciel (LPL) se concentrent sur la gestion de la variabilité mais ne prennent pas en considération les propriétés techniques des systèmes. Donc, pour profiter des avantages de cette approche et des avantages de l'architecture Microservices, nous migrons des applications Open Source e-commerce basées sur une architecture Microservices vers les lignes de produit logicielles en utilisant la plateforme Mobioos Forge. 2025-06-01T00:00:00Z http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4490 Titre: Prompt Filtering: Developing a practical defense system against LLM jailbreaks Auteur(s): Asma , ZOUAGHI , BOUBRIM Fatine Résumé: Large Language Models (LLMs) have become central to modern artificial intelligence (AI) applications due to their remarkable ability to generate coherent, context-aware text. However, this capability introduces erabilities, particularly jailbreak attacks that manipulate the model into producing harmful or unethical outputs.This project addresses the growing challenge of detecting jailbreak prompts before reaching the model, through the development of a prompt-level filtering system. We gradually collected multiple available sources containing both benign and jailbreak examples. These datasets were progressively used in a series of experiments, with their merging employed as a key idea to increase the number and diversity of prompts. Various embedding techniques, including FastText, DistilBERT, RoBERTa, and Longformer, were employed to represent input prompts at different semantic levels. Classification was handled using XGBoost, chosen for several advantages such as its scalability and fast training time.The system was evaluated using standard metrics such as accuracy, Area under the precision-recall curve (AUPRC), and Attack Success Rate (ASR). Results showed that using diverse training data and high-quality embeddings significantly improves detection performance and robustness. The final implementation, deployed as a web-based application, demonstrates how the four embedding models handle jailbreak prompt detection. This research offers a scalable, practical framework for enhancing LLM safety through early threat identification. Description: Les grands modèles de langage (LLMs) occupent aujourd’hui une place centrale dans les applications modernes de l’intelligence artificielle (IA), grâce à leur capacité remarquable à générer des textes cohérents et sensibles au contexte. Cependant, cette capacité les rend également vulnérables à certaines attaques, notamment les attaques de type jailbreak, qui visent à manipuler le modèle afin de produire des réponses nuisibles ou contraires à l’éthique.Ce projet s’attaque à ce défi croissant en développant un système de filtrage au niveau des prompts, visant à détecter les attaques avant qu’elles n’atteignent le modèle. Pour cela, nous avons progressivement collecté plusieurs sources de données disponibles contenant à la fois des exemples bénins et des jailbreaks. Ces jeux de données ont été utilisés dans une série d’expérimentations, avec une stratégie de fusion pour accroître la quantité et la diversité des prompts. Diverses techniques d’embedding, telles que FastText, DistilBERT, RoBERTa et Longformer, ont été mobilisées pour représenter les prompts à différents niveaux sémantiques. La classification a été effectuée à l’aide de XGBoost, choisi pour ses nombreux avantages, notamment sa scalabilité et sa rapidité d’entraînement.Le système a été évalué selon des métriques standard telles que la précision (accuracy), la surface sous la courbe précision-rappel (AUPRC) et le taux de succès des attaques (ASR). Les résultats ont montré que l’utilisation de données d’apprentissage diversifiées et d’embeddings de qualité améliore significativement la performance de détection et la robustesse du système. L’implémentation finale, déployée sous forme d’application web, illustre l’efficacité des quatre modèles d’embedding dans la détection des prompts malveillants. Cette recherche propose ainsi un cadre évolutif et concret pour renforcer la sécurité des LLMs par une détection précoce des menaces 2025-06-01T00:00:00Z