Annonce
Contributions à la description de signaux, d'images et de volumes par l'approche probabiliste et statistique
27 Septembre 2010
Catégorie : Soutenance HdR
Jury :
Y. Delignon (Professeur à TELECOM Lille1) - Président
G. Celeux (Directeur de recherche INRIA Saclay-Île-de-France) - Rapporteur
X. Descombes (Directeur de recherche INRIA Sophia Antipolis) - Rapporteur
P. Réfrégier (Professeur à l'Ecole Centrale de Marseille) - Rapporteur
Y. Berthoumieu (Professeur à l'Institut Polytechnique de Bordeaux) - Examinateur
C. Fernandez-Maloigne (Professeur à l'Université de Poitiers) - Examinatrice
C. Olivier (Professeur à l'Université de Poitiers) - Examinateur
Y. Delignon (Professeur à TELECOM Lille1) - Président
G. Celeux (Directeur de recherche INRIA Saclay-Île-de-France) - Rapporteur
X. Descombes (Directeur de recherche INRIA Sophia Antipolis) - Rapporteur
P. Réfrégier (Professeur à l'Ecole Centrale de Marseille) - Rapporteur
Y. Berthoumieu (Professeur à l'Institut Polytechnique de Bordeaux) - Examinateur
C. Fernandez-Maloigne (Professeur à l'Université de Poitiers) - Examinatrice
C. Olivier (Professeur à l'Université de Poitiers) - Examinateur
Les éléments principaux apparaissant dans le document de synthèse sont les suivants :
- La mise en exergue de la pertinence du critère d'information φβ qui offre la possibilité d'être ``réglé'' par apprentissage de β et cela quelque soit le problème de sélection de modèles pour lequel il est possible d'écrire un critère d'information, possibilité qui a été illustrée dans divers contextes applicatifs (supports de prédiction linéaire et dimension du modèle utilisé pour les cinétiques de VO2).
- Une méthode d'estimation d'histogrammes pour décrire de manière non-paramé-trique la distribution d'échantillons et son utilisation en reconnaissance de lois supervisée dans un contexte de canaux de transmission.
- Une méthode dite ``comparative descendante'' permettant de trouver la meilleure combinaison des paramètres pour décrire les données étudiées sans avoir à tester toutes les combinaisons, illustrée sur l'obtention de supports de prédiction linéaire 1-d et 2-d.
- La mise en place de stratégies de choix de modèles par rapport à des contextes variés comme l'imagerie TEP et les lois de mélange de Gauss et de Poisson ou les espaces couleur et les lois de mélange gaussiennes multidimensionnelles.
- L'exploration des modèles de prédiction linéaire vectorielle complexe sur les images représentées dans des espaces couleur séparant l'intensité lumineuse de la partie chromatique et l'usage qui peut en être fait en caractérisation de textures afin de les classifier ou de segmenter les images texturées couleur.
- Des apports en segmentation : optimisation d'une méthode de segmentation non-supervisée d'images texturées en niveaux de gris ; une nouvelle méthode supervisée de segmentation d'images texturées couleur exploitant les espaces couleur psychovisuels et les erreurs de prédiction linéaire vectorielle complexe ; prise en compte dans des distributions de Gibbs d'informations géométriques et topologiques sur le champ des régions afin de réaliser de la segmentation 3-d ``haut-niveau'' exploitant le formalisme des processus ponctuels.
- L'illustration des méthodes MCMC dans des contextes divers comme l'estimation de paramètres, l'obtention de segmentations 2-d ou 3-d ou la simulation de processus.