Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

16 novembre 2020

Restauration de données complexes par les réseaux de neurones convolutifs


Catégorie : Stagiaire


Contexte scientique

Les données multimédia ou expérimentales classiques sont souvent à valeurs réelles. De ce fait, la plupart des algorithmes d'optimisation développés s'adressent généralement à ce type de données. Cependant, la représentation de données par des valeurs complexes se retrouve dans un certain nombre de systèmes d'acquisition : données de spectrométrie de masse (SM) ou de spectres de RMN, images d'IRM, capteurs bidirectionnels, etc. Par ailleurs, le domaine complexe est souvent employé en première instance de prétraitement pour de nombreux signaux : signal analytique, ou trace complexe en géosciences. Ce domaine est propice à des représentations parcimonieuses des données, à du ltrage adaptatif, à l'extraction de features.

Beaucoup de telles données sont reconstruites en considérant les parties réelles et imaginaires comme produit de deux espaces réels, de manière relativement indépendante. Cela ne permet pas de prendre en compte au mieux les propriétés spéciques de ces données complexes [2]. En eet, travailler dans le plan complexe est souvent plus ecace pour leur traitement [3]. Si peu de méthodes de reconstruction ont été élaborées et étudiées directement pour les donnés complexes, des travaux récents ont permis de déterminer des algorithmes itératifs dédiés, [1].

Le but de ce stage est d'adapter et d'étudier l'utilisation de réseaux de neurones convolutifs pour la restauration de donnés complexes. Dans un premier temps on regardera quels sont les réseaux de neurones existants qui peuvent au mieux s'adapter à ce contexte et comment les améliorer en incorporant des algorithmes d'optimisation dédiés. On comparera les algorithmes proposés sur des problèmes de classication de signaux audios. Dans un second temps on étudiera l'application de ces méthodes à la restauration d'images complexes, telles que les images sismiques et on comparera avec les méthodes classiques de reconstruction.

Prol du candidat

Le candidat doit avoir de solides connaissances en traitement du signal. Des connaissances mathématiques (connaissance des méthodes d'optimisation convexe) serait un vrai plus. Le candidat doit aussi savoir programmer en Python.

Encadrement :

 Jean Charlety, IFPEN, jean.charlety@ifpen.fr
 Aurélia Fraysse, MCF HDR, L2S, aurelia.fraysse@l2s.centralesupelec.fr
 Jean Christophe Pesquet, Professeur CentraleSupélec, directeur du CVN, jean-christophe.pesquet@centralesupelec.fr

Références

[1] Anisia Florescu, Emilie Chouzenoux, Jean-Christophe Pesquet, Philippe Ciuciu, and Silviu Ciochina. A majorize-minimize memory gradient method for complex-valued inverse problems. Signal Processing , 103 :285  295, 2014. Image Restoration and Enhancement : Recent Advances and Applications.
[2] Brigitte Forster. Five Good Reasons for Complex-Valued Transforms in Image Processing , pages 359381. Applied and Numerical Harmonic Analysis. Springer International Publishing, Birkhäuser, Cham, 2014.
[3] Sergi Ventosa, Sylvain Le Roy, Iréne Huard, Antonio Pica, Hérald Rabeson, Patrice Ricarte, and Laurent Duval. Adaptive multiple subtraction with wavelet-based complex unary wiener lters. Geophysics , 77(6) :V183V192, November 2012

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.