Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

23 novembre 2017

Stage PFE/M2 : Réseaux de neurones convolutifs pour la classification d’images : application à la cartographie d’habitats naturels


Catégorie : Stagiaire


Sujet de stage : Réseaux de neurones convolutifs pour la classification d'images : application à la cartographie d'habitats naturels.

Encadrants : Lionel Bombrun, Christian Germain et Florian Rançon

Etablissement : Laboratoire IMS (bât A31), Université de Bordeaux, Campus de Talence

CV et lettre de motivation : envoyer à lionel.bombrun@ims-bordeaux.fr

Profil recherché : bonnes connaissances en analyse d'images, maitrise de la programmation MATLAB

Poursuite : ce stage peut donner suite à une poursuite en thèse de doctorat

 

Description du stage

Ces dix dernières années, la concomitance de gros volumes de données, de capacités de calcul accrues et d’avancées théoriques clé ont permis l’émergence de techniques d’apprentissage dit « profond » sur base de réseaux de neurones (deep learning). Cette nouvelle classe de techniques, qui permet à l’apprentissage automatique de s’effectuer directement à partir de la donnée brute, a provoqué une révolution dans le traitement des images.

Dans [1], les auteurs ont proposé une approche multi-échelles originale combinant les descripteurs en sortie des couches entièrement connectés avec les descripteurs de type « vecteurs de Fisher » obtenus à la sortie de chaque couche convolutive des réseaux de neurones convolutifs (CNN). Pour obtenir ces vecteurs de Fisher, chaque image en sortie de chaque couche convolutive est représentée par un ensemble de patchs contenant les niveaux de gris locaux de l’image. Dans cet espace de paramètres, des algorithmes de clustering (k-means) sont utilisés afin d’apprendre un dictionnaire. Puis, à partir de ce dictionnaire, une étape de codage est mise en œuvre afin de représenter une image par un descripteur non paramétrique.

Récemment, les approches de type « vecteurs de Fisher » ont été généralisées au cas où les descripteurs extraits des patchs sont des descripteurs paramétriques tels que des matrices de covariance [2-3]. Pour cela, des outils de géométrie de l’information sont utilisés afin notamment d’apprendre le dictionnaire. Grâce au formalisme de lois Gaussiennes sur des variétés Riemanniennes introduit dans [4], nous avons proposé une extension des « vecteurs de Fisher » à ce contexte de descripteurs paramétriques [5]. Ces nouveaux descripteurs locaux ont été validés sur des diverses applications (classification d’images texturées, reconnaissance de mouvement).

Ce stage s’inscrit dans le cadre du projet TOSCA CLASS-TIP du CNES dont l’objectif est de développer des algorithmes de classification multiple de descripteurs texturaux extraits d’images Pléiades pour la cartographie du littoral Aquitain. Le déroulement du stage s’articulera en trois parties :

Références

[1] E. Li, J. Xia, P. Du, C. Lin and A. Samat, “Integrating Multilayer Features of Convolutional Neural Networks for Remote Sensing Scene Classification, IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 10, pp. 5653-5665, Oct. 2017.

[2] M. Faraki, M. T. Harandi, A. Wiliem, and B. C. Lovell. “Fisher tensors for classifying human epithelial cells”,Pattern Recognition, vol. 47, no. 7, pp. 2348–2359, 2014.

[3] M. Faraki, M. T. Harandi and F. Poriki, “More about VLAD: a leap from Euclidean to Riemannian manifolds,Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4951-4960, 2015.

[4] S. Said, L. Bombrun, Y. Berthoumieu et J.H. Manton, “Riemannian Gaussian Distributions on the Space of Symmetric Positive Definite Matrices”, IEEE Transactions on Information Theory, vol. 63, no. 4, pp. 2153–2170, 2017.

[5] I. Ilea, L. Bombrun, C. Germain, R. Terebes, M. Borda et Y. Berthoumieu. “Texture image classification with Riemannian Fisher vectors”, IEEE International Conference on Image Processing (ICIP), Phoenix, Etats-Unis, pp. 3543 – 3547, 2016.

[6] V. Arsigny, P. Fillard, X. Pennec and N. Ayache, “Log-Euclidean metrics for fast and simple calculus on diffusion tensors, Magn Reson Med., vol. 56, no. 2, pp. 411-421, Aug. 2006.

Profil recherché

Stage de fin d'étude niveau bac +5 avec une spécialisation en informatique ou mathématiques appliquées (master ou école d’ingénieurs). De bonnes connaissances en analyse d’images et classification de données sont requises, ainsi que la maîtrise de la programmation Matlab. Des connaissances en Python sont appréciées. Un bon niveau d’anglais est souhaité.

Ce stage peut donner suite à une poursuite en thèse de doctorat.

Organisation du stage et modalités de candidature

Contacts

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.