Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

11 avril 2018

[Proposition de thèse] Classification et Détection d’Objets dans des Images


Catégorie : Doctorant


Résumé :

Dans un contexte de vision par ordinateur et de classification d’images, nous allons nous intéresser à la détection d’objets dans des images et/ou vidéos. La détection d’objets et de formes se fait classiquement par la mise en correspondance de points d’intérêt. Cependant, depuis 2012 d’autres méthodes plus directes mais difficilement interprétables (apprentissage profond), ont révolutionné le domaine en présentant des résultats bien supérieurs. Cependant, nous avons pu montrer [7, 8] que les points d’intérêt d’une image peuvent se calculer en appliquant des filtres orientés à chaque pixel de l’image et que ces filtres peuvent fournir aussi des descripteurs. Les mises en correspondance obtenues surpassent très nettement les méthodes classiques. Il serait alors possible d’appliquer ces nouveaux filtres en évitant un apprentissage profond. L’utilisation simultanée de plusieurs filtres (différentes longueurs/largeurs) est souhaitable quitte à considérer l’incertitude relative à chaque filtre. Dès lors, un des objectifs de la thèse sera d’agréger les sorties obtenues par ces différents filtres en utilisant pour cela la théorie des fonctions de croyance qui fournit un cadre idéal pour le traitement d’incertitude [2, 3].

Une difficulté majeure des méthodes de classification par comparaison de points d’intérêt est la variabilité du nombre de ces points à considérer. En utilisant l’incertitude associée à chaque point d’intérêt, ce nombre pourrait être inféré de manière à maximiser les performances de classification. Une fois les points d’intérêts détectés, leur utilisation par un classifieur bien déterminé permettra de finalement classifier les images ou les objets qu’elles contiennent.

 

Références

[1] “Image Classification using Random Forests and Ferns” - Bosch, Zisserman and Munoz, ICCV 2007

[2] “A Mathematical Theory of Evidence,” Shafer, Princeton University Press, Princeton, 1976

[3] “Sequential object detection using belief function theory” – Rekik, et al. – ATSIP 2014

[4] “Learning decision trees from uncertain data with an evidential em approach”, Sutton et al., ICMLA 2013

[5] “Defining belief functions using mathematical morphology – Application to image fusion under imprecision” – Bloch, International Journal of Approximate Reasoning 48(2), June 2008, p 437-465

[6] “Shape quantization and recognition with randomized trees”, Amit and Geman , Neural Computation 9(7), 1997

[7] “A novel image descriptor based on anisotropic filtering”D. Venkatrayappa, P. Montesinos, D. Diep, and B. Magnier. CAIP 2015.

[8] "Détection de coins par combinaison de filtres asymétriques orientés", B. Magnier, H. Abdulrahman, P. Montesinos. GRETSI 2017.

[9] "YOLO9000: Better, Faster, Stronger", J. Redmon, A. Farhadi. CVPR2017.

Mots-clef

Classification et segmentation d’image, détection de points d’intérêt, ensemble learning, fonctions de croyance

Profil recherché

Universités ou (grandes) écoles, titulaire d’un master 2 en informatique avec une forte composante en machine learning et/ou traitement d’image ou d’un master 2 en Statistique/Science de la donnée avec une forte composante informatique et une expérience en traitement d’image.

Compétences requises :

Compétences fortement appréciées :

Pour toute candidature merci d’envoyer CV, lettre de motivation, notes de Master et recommandations à philippe.montesinos@mines-ales.fr, baptiste.magnier@mines-ales.fr et nicolas.sutton-charani@mines-ales.fr

 

Dans cette rubrique

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