Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

31 mars 2017

Partitionnement non supervisé multi-objectif d’images de grandes dimensions spatiale et spectrale.


Catégorie : Doctorant


Sujet de thèse : Partitionnement non supervisé multi-objectif d’images de grandes dimensions spatiale et spectrale pour l’aide à la décision.

La thèse se déroulera sur le site Lannionnais de l’IETR Equipe SHINE-TSI2M (Traitement des Signaux et Images Multicomposantes et Mutimodales).

Contacts :

  • K. Chehdi (kacem.chehdi@univ-rennes1.fr) 02 96 46 90 36 http://tsi2m.enssat.fr
  • C. Cariou (claude.cariou@univ-rennes1.fr) 02 96 46 90 39

Le partitionnement de grands volumes de données (très grand nombre d’objets et d’attributs) est un défi actuel majeur, car l’extraction d’informations pertinentes et fiables se heurte à de sérieux problèmes. On peut citer notamment les problèmes liés à la nature et à la diversité des données à classer, au choix des critères d’agrégation, et au choix de la stratégie de mise en relation entre objets. Ces difficultés sont, de plus, souvent augmentées par l’utilisation de données de référence peu fiables, voire incomplètes, pour ‘guider’ le processus de classification ou même pour valider des algorithmes innovants. L’ensemble de ces problèmes conduit à une sous-exploitation ou à de mauvaises interprétations du contenu informationnel de ces données.

Afin de garantir l’indépendance des méthodes de partitionnement vis-à-vis de connaissances a priori qui pourraient biaiser l’analyses et l’interprétation de l’information, nous nous focaliserons dans ce projet sur le problème complexe de la classification non supervisée des données. Dans cette acception, nous entendons n’apporter aucune information a priori aux méthodes à développer, ni sur le nombre de classes à extraire des données, ni évidemment sur l’appartenance d’échantillons à des classes connues. Pour atteindre ce but, de nouveaux critères multi-objectifs ainsi qu’une nouvelle stratégie d’agrégation seront élaborés.

Le domaine applicatif visé concerne l’imagerie hyperspectrale. Ce domaine connaît actuellement une envolée en termes d’applications, du fait de la miniaturisation des capteurs et de la facilité de stockage des grands volumes de données qu’elle engendre, mais aussi de sa capacité à mieux caractériser des objets imagés. Aujourd’hui, on retrouve ce type d’imagerie dans de nombreux secteurs comme la sécurité alimentaire (qualité sanitaire des aliments), dans le domaine médical (dermatologie, détection de mélanomes), et dans le secteur de la télédétection aérienne et spatiale lorsque les données aériennes sont acquises par des avions légers ou des drones (applications environnementales, production agricole, aménagement de territoires urbains, etc.).

Les travaux de recherche à développer seront évalués et validés sur une base d’images aériennes réelles acquises par notre plate-forme d’imagerie hyperspectrale dans le cadre de partenariats menés avec EDF, IFREMER et INRA AgroParisTech. Les approches développées seront également évaluées sur des données liées à d’autres domaines applicatifs.

Mots clés: classification, non supervisée, optimisation multi-objectif, données de grandes dimensions.

Diplôme requis : Master en Mathématiques Appliquées ou en Traitement du Signal et de l’Image.

Durée : 36 mois (financement : allocation ministère.

La thèse se déroulera sur le site Lannionnais de l’IETR Equipe SHINE-TSI2M (Traitement des Signaux et Images Multicomposantes et Mutimodales).

Contacts :

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.