Soutenance HDR - Olivier Alata - Université Poitiers

30 Septembre 2010

---

Catégorie : Soutenance HdR

---

Jury:

• M. Y. Delignon, Professeur TELECOM Lille1, Président
• M. G. Celeux, Directeur de recherche INRIA Saclay-le-de-France, Rapporteur
• M. X. Descombes, Directeur de recherche INRIA Sophia Antipolis, Rapporteur
• M. Ph. Réfrégier, Professeur à l'Ecole Centrale de Marseille, Rapporteur
• M. Y. Berthoumieu, Professeur à l'Institut Polytechnique de Bordeaux, Examinateur
• Mme C. Fernandez-Maloigne, Professeur à l'Université de Poitiers, Examinatrice
• M. C. Olivier, Professeur à l'Université de Poitiers, Examinateur

Mots-clés

sélection de modèles, critères d'information, approches paramétriques et non-paramétriques, modèles de prédiction linéaire, processus ponctuels, textures couleur, segmentation supervisée et non-supervisée, segmentation "bas" niveau et "haut" niveau, codage / compression, caractérisation de canaux de transmission, signaux physiologiques, imagerie TEP

Résumé

Les éléments principaux apparaissant dans le document de synthèse sont les suivants :

• La mise en exergue de la pertinence du critère d'information \phi_\beta qui offre la possibilité d'être "réglé'' par apprentissage de \beta 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 \dot VO_2).
• 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.

Abstract

The main elements described in the document are:

• The relevance of \phi_\beta information criterion which allows the learning of \beta parameter whatever is the model selection problem solved with an information criterion, possibility which has been illustrated in different applicative contexts (linear prediction support and dimension of the model used for \dot VO_2 cinetics).
• An estimation method for histograms in order to approach in a non-parametric manner the distribution of samples and its use for law recognition in a supervised way.
• A method called "comparative descendante'' which allows to find the best combination of parameters without testing all combinations in order to describe datas. This method has been illustrated on the problem of selection of 1-d and 2-d linear prediction supports.
• The implementation of strategies for chosing some models in various contexts like for TEP volumes and Poisson and Gauss mixture laws, or the color spaces and the multidimensional gaussian mixture models.
• The study of multicanal complex prediction linear models on images represented in color spaces which separate intensity from chromatic part and their use for texture caracterization, texture classification and color texture image segmentation.
• Some contributions for image segmentation: the optimization of an unsupervised segmentation method for textured images in gray levels ; a supervised segmentation method for textured images represented in psychovisual color spaces based on multicanal complex linear prediction error ; tacking into account geometrical and topological information from the region field in Gibbs distribution in order to propose an "high-level'' 3-d segmentation method based on point process.
• The use of MCMC methods for parameter estimation, 2-d and 3-d segmentation methods or the simulation of processes.