Traitement d’images

Séance du 23 octobre 2015 sur Traitement d’Images (13h30 – 17h30) (Programme à télécharger ICI)

Les données de type « image » représentent un immense réservoir d’information et plus encore aujourd’hui où elles peuvent être massivement collectées, diffusées, stockées. Mais ces données restent souvent sous employées.

Au cours de cet après-midi organisée avec le groupe Statistique et Images de la SFdS, des orateurs de profils différents nous feront partager leur vision du traitement des images, par la présentation de méthodes, d’applications et d’expériences mises en œuvre sur différents logiciels.

Cette manifestation est libre et gratuite mais l’inscription est obligatoire ICI.

Programme
– 13h30 : Introduction de l’après-midi, Groupe Statistique et Images

  • 13h50 : Scikit-Learn : Machine learning pour la recherche, l’enseignement et l’industrie. Alexandre Gramfort (CNRS LTCI-Telecom ParisTech)
    Scikit-Learn est un projet logiciel open source sous licence BSD pour l’apprentissage statistique, le machine learning. Scikit-Learn a pour ambition de mettre le machine learning dans les mains du plus grand nombre, à la fois dans la recherche académique, l’enseignement et l’industrie. Les algorithmes mis à disposition couvrent un grand nombre de cas d’usage (classification, régression, clustering, réduction de dimension, détection d’anomalies). La force de Scikit-Learn est la simplicité d’utilisation, la qualité des implémentations et une documentation très importante. Dans cette présentation je présenterai l’historique du projet, quelques exemples d’utilisations et les raisons du succès de ce projet. Scikit-Learn est à ce jour maintenu par des dizaines de contributeurs, touche des dizaines de milliers d’utilisateurs et est utilisé pour l’enseignement dans un grand nombre d’universités à travers le monde.

  • 14h45 Object category localization with incomplete supervision. Jakob Verbeek (équipe LEAR, INRIA, Grenoble).
    Object category localization is a challenging problem in computer vision. The vast majority of work relies on supervised learning and requires bounding box annotations of object instances in the training images. This time-consuming annotation process is sidestepped in weakly supervised learning. In this case, the supervised information is incomplete and restricted to binary labels that indicate the absence/presence of object instances in the image, without their locations sizes or aspect ratios. We present an improved learning algorithm for this task, that iteratively trains the detector and infers the object locations in the positive training images. We present experimental evaluation results which verify the effectiveness of our approach.

  • 15h30 : Pause

  • 15h50 : Débruitage et clusterisation automatique dans l’imagerie médicale de type DCE (Dynamic Contrast Enhanced). Yves Rozenholc (MAP5-UMR-CNRS 8145).

  • 16h30 : Modélisation probabiliste et inférence statistique pour l’analyse des données spatialisées. Radu Stoica (Laboratoire Paul Painlevé, Université Lille 1).
    Cette construction procède en trois étapes. Premièrement, un modèle de forme ou de structure est proposé à partir des données observées. Ensuite, une dynamique de simulation est construite en adéquation avec le modèle. Finalement, des procédures statistiques sont mises au point pour inférer les caractéristiques de la structure cachée et les paramètres du modèle.
    Chacune de ces étapes est attachée à un domaine particulier des probabilités et des statistiques. La modélisation repose sur des processus markovien spatiaux, comme les processus ponctuels marqués. La dynamique de simulation utilise les chaînes de Markov. L’inférence s’appuie sur l’analyse bayesienne, le recuit simulé, le maximum de vraisemblance, les tests.
    La synthèse de ces trois étapes se fait au confluent de trois domaines: la géométrie aléatoire, les chaînes de Markov et les statistiques appliquées. Cette synthèse nous a permis d’aborder des applications concrètes en analyse d’image, en science de l’environnement et en astronomie.

  • 17h20-17h30 : Clôture