F4B305A : Advanced computer vision (clustering, inverse problem, registration, feature extraction)


Retour
Imprimer la fiche programme
Code analytique: EDF04B305
Responsable  : Valérie BURDIN
Co-responsable  : Ronan FABLET
   
Programmé en UVF4B305

Présentation :

Ce module 305A s'intéresse à la segmentation, la modélisation, la reconnaissance et à la classification des formes, qu'elles soient 1D, 2D ou 3D, qu'elles soient statiques ou en mouvement.
En reconnaissance statistique pour les dimensions 1 et 2, l'accent est mis sur les méthodes bayésiennes et l'apprentissage des densités de probabilités. Lorsque celles-ci ne sont pas accessibles, la classification automatique (clustering), qui est à la base de l'analyse des données, est une solution envisagée présentée ici.
Pour les formes tridimensionnelles, l'aspect géométrique est privilégié et notamment l'étude locale et globale des courbes et surfaces de l'espace 3D. La reconnaissance de forme est alors liée à la projection d'une forme 3D dans un espace de description ayant peu de paramètres et à la recherche d'invariants (feature extraction) décrivant localement ou globalement les objets 3D. Il est alors possible de définir des distances de forme de manière élégante.
La résolution de problèmes inverses (inverse problems) en imagerie sera abordée à travers le formalisme variationnel et son application au débruitage d'image ou la segmentation. On s'intéressera particulièrement à leur formulation en termes d'opérateurs de diffusion définis par des EDPs (Equation aux Dérivés Partielles) et aux propriétés géométriques et photométriques de ces opérateurs.
Concernant l'analyse des vidéos, l'accent sera mis sur l'analyse de l'information de mouvement et plus particulièrement les problèmes de détection et de suivi. Les méthodes étudiées exploiteront principalement les formalismes variationnels et bayésiens.
Pour l'analyse de mouvement humain, l'accent sera mis sur les modalités d'acquisitions et les méthodes de recalage d’images ou d’objets 3D.
A la fin de cette partie d'UV, les élèves sauront appliquer des méthodes de classification automatique pour la reconnaissance de forme et seront capables de mettre en œuvre des méthodes d'analyse de données pour la classification.
Ils sauront donner des descripteurs locaux et globaux de courbes et surfaces permettant de modéliser et compresser l'information pour en extraire des invariants utiles en reconnaissance de formes.
Concernant les séquences d'images, les élèves sauront utiliser le formalisme variationnel qui est largement reconnu et appliquer des méthodes de détection ou de suivi d'objets.
Une grande partie de l’UV se fait en mode projet ce qui permet de pratiquer toute la chaîne de mise en œuvre des traitements : de la compréhension d’un article scientifique et de la méthode présentée jusqu’à son implémentation et l’analyse des résultats obtenus pour résoudre un problème concret.

Pré-requis :

Coeur MTS

Liens :

Master SISEA

Volume horaire : 63h


Contenu détaillé :

Classification (12h) (F. Rousseau)
Classif-1-2 : classification linéaire (approche bayésienne, mélange gaussien, EM) - classification non supervisée (approches par arbres, approches non paramétriques), évaluation
Classif-TP1 (3H) : classification d’images médicales
Classif-3-4 : approches linéaires et méthodes à noyaux (SVM) - réduction de dimension (ACP, ACP à noyaux, MDS, LLE, Isomap, ACI)
Classif-TP2 (3H) : comparaison de classifieurs

Modélisation géométrique – recherche d’invariants (9H) (V. Burdin)
Invariant-1-2 : Modélisation locale et globale des courbes de R3
Invariant-3-4 : Modélisation locale des surfaces de R3 et paramètres intrinsèques
Invariant-5-6 : Modélisation globale des surfaces de R3. Application en imagerie médicale de modélisation et recherche d’invariants 3D

Problèmes inverses – Application à la segmentation (15h)
Problèmes inverses-1-2 : Intro + Formulation variationnelle et EDP en traitement d’images (Ronan Fablet) (en relation avec le cours de Charles Kervrann SISEA) - distributions articles
Problèmes inverses-3-4 : Séance 1 – Etudes d’articles (R. Fablet)
Problèmes inverses-5-6 : Séance 2 – Etudes d’articles (R. Fablet)
Problèmes inverses-7-8 : Séance 3 – Etudes d’articles (R. Fablet)
Problèmes inverses-9-10 : Restitution des études d’articles + synthèse (R. Fablet)

Analyse de mouvements 2D et 3D (24h30)
Mouv-TP1 : Traitement d'images en Python avec OpenCV et Scikit-image
Mouv-1 Intro : Introduction à l’analyse de mouvement dans les vidéos : estimation du mouvement apparent, détection et suivi de primitives (Ronan Fablet)
Mouv-2-3 : Constitution des groupes – Préparation de l’étude (4 articles) (R. Fablet + P.H. Conze)
Mouv-4-5 : Séance 1 - Travail en groupe (R. Fablet + P.H. Conze)
Mouv-6-7 : Séance 2 - Travail en groupe (R. Fablet + P.H. Conze)
Mouv-8-9 : Séance 3 - Travail en groupe (R. Fablet + P.H. Conze)
Mouv-10-11 : Séance 4 - Travail en groupe (R. Fablet + P.H. Conze)
Mouv-12-13 : Restitution Challenge (R. Fablet + P.H. Conze)
MouvH-1-2 : Analyse de mouvements humains : modalités et méthodes de recalage (F. Rousseau)
MouvH-3-4 : Pratique de l’analyse de mouvements humains par système VICON (M. Lempereur)

Travaux personnels encadrés :

Une initiation à la lecture et compréhension d'articles liés aux problèmes inverses est proposée sous forme de séances encadrées.
Les applications et mises en œuvre de ces méthodes seront aussi proposées au niveau 5 sous forme de projets d'une vingtaine d'heures programmées.


Année 2019/2020
Dernière mise à jour le 11-JAN-19
Validation par le responsable de programme le


IMT Atlantique
Campus de Brest
Technopôle Brest-Iroise
CS 83818
29238 Brest Cedex 3
France

Tél  +33 (0)2 29 00 11 11
Fax +33 (0)2 29 00 10 00