....... Module Image 2019 ....... Le module image vous est proposé par le projet ICAR (image et interaction)
Responsables : Olivier Strauss, LIRMM, département robotique. 04 67 41 85 87. Marc Chaumont, LIRMM, département informatique. 04 67 41 85 14.

 

Réagissez sur le module image en envoyant un e-mel  (cliquez sur le penseur).

Pour s'inscrire à ce module, envoyez un e-mel précisant :

Vos prénom et nom

Votre formation doctorale de rattachement

Le titre de ce module (Module Image)

en cliquant sur le lien suivant : 
Pensez par ailleurs à vous inscrire auprès de l'ADUM !

  
Contenu du module :
Ce module s'adresse aux étudiants de l'école doctorale I2S et aux chercheurs interessés par les techniques de traitement d'image et de vision par ordinateur.
Les thèmes abordés dans ces conférences sont très larges. Ils portent généralement à la fois sur l'aspect fondamental du traitement d'image ainsi que sur l'aspect applicatif.
Les conférenciers présentent un thème fort de leur équipe de recherche dont leur laboratoire est spécialiste au niveau national et international.
 
Organisation du module :
Ce module de l'école doctorale est composé de 6 cours/conférences.
Les conférences, d'une durée de 2 à 3 heures, se déroulent sur trois jours à raison d'une conférence par demi-journée.
Les repas de midi sont pris en charge par nos partenaires pour permettre aux participants de discuter entre eux et avec les conférenciers. 
Lieu
Les exposés du module image de l'école doctorale auront lieu dans l’amphithéâtre Jean-Jacques Moreau du campus St Priest de l’Université de Montpellier - 860 Rue de St - Priest, 34090 Montpellier.
Pour obtenir le plan, cliquez ici : 

Pour accéder à la version 2018 du module doctoral, cliquez sur la vielle femme.


PROGRAMME DU MODULE IMAGE



Les indicateurs :
: Pour vous connecter sur la page institutionnelle de l'intervenant
: Pour récupérer une présentation (lorqu'elle nous a été transmise)




Mercredi 17 avril - 9h00-12h00 : Algorithmes de synthèse de textures, sans et avec réseaux de neurones profonds.
Bruno Galerne - Institut Denis Poisson - Université d'Orléans .

La synthèse de textures est un problème classique de traitement d'images et d'infographie. Etant donnée une texture, telle qu'une image de bois, de pierre, de tissu, etc, il s'agit de générer de nouvelles images représentant visuellement la même texture bien qu'étant différentes de l'image initiale pixel à pixel. Les applications de la synthèse de textures sont nombreuses dans l'industrie des loisirs numériques et de la réalité virtuelle (films d'animation, effets spéciaux, jeux vidéos...) avec différentes contraintes en terme de qualité visuelle et de vitesse d'éxecution des algorithmes. Dans ce cours on passera dans un premier temps en revue quelques approches classiques pour la synthèse de textures basées sur de outils standards du traitement d'images (transformée de Fourier, transformée en ondelettes, méthodes multi-échelles, patchs, transport optimal...).

On confrontera ensuite ces approches aux méthodes récentes basées sur des réseaux de neurones profonds pré-entraînés pour la vision par ordinateur qui ont fait considérablement avancer l'état de l'art. Texture d'exemple 2D	>> Texture d'exemple	Texture de grande taille synthétisée par transport optimal dans l'espace des patchs.
Volume 3D synthétisé par un réseau de neurones génératif entraîné avec l'exemple 2D

Mercredi 17 avril - 14h00-17h00 : Méthodes variationnelles pour le traitement des images en couleur inspirées par la vision humaine.
Edoardo Provenzi - Institut des Mathématiques - Université de Bordeaux.

Les méthodes variationnelles sont très utilisés en traitement d'images. Dans une méthode variationnelle, on approche la solution à un problème à travers de la recherche du minimum d'une fonctionnelle (une fonction à valeurs scalaires définie sur un espace de  fonctions image). L'avantage de cette technique consiste principalement dans le fait qu'on peut comprendre d'une manière claire l'action de notre modèle en interprétant les élément de la fonctionnelle, grâce à cela, les techniques variationnelles permettent une espèce de vue de dessus sur un problème.

Image originale Image corrigée

Image originale Image corrigée

Dans le séminaire, je vais montrer comme, en incorporant à l'interprétation variationnelle de l'égalisation d'histogramme les spécificités de la vision humaine, on peut arriver à formuler des algorithmes pour la correction des couleurs extrêmement performants, comme montré dans les figures ci-contre.

Jeudi 18 avril - 9h00-12h00 : Le débruitage d'images par patchs : point de vue statistique.
  Antoine Houdard - Institut mathématique de Bordeaux - Université de Bordeaux.

Le débruitage est une étape du traitement de l'image présente par défaut dans presque tous les appareils photographiques. De plus, avec la miniaturisation des capteurs et la réduction des systèmes optiques (notamment dans les smartphones), cette étape de débruitage reste importante et des défis restent encore à relever ! Dans ce cours, on s'intéressera aux méthodes dites par "patchs" qui consistent à découper l'image en petit bouts carrés de taille s*s (les patchs) que l'on voit comme des vecteurs dans un espace de dimension s².

Jeudi 18 avril - 14h00-17h00 : Analyse d'images agricoles: Télédétection et imagerie embarquée.
  Christian Germain - IMS - Université de Bordeaux.

L’agriculture est un secteur d’activité qui profite beaucoup de la révolution numérique, et en particulier de l’analyse d’images. Pour les usages en production végétale, la télédétection a certainement été la première source de solutions, pour la connaissance de l’occupation des sols (contrôle) pour l’estimation de la vigueur de la végétation (pilotage de la fertilisation). De nombreux défis subsistent avec l’arrivée de nouvelles sources de d’images sans cesse plus performantes ou moins couteuses.

Détection de maladie par proxidétection

La proxidétection, (autrement dit l’imagerie embarquée sur les engins agricoles) et les capteurs connectés fondés sur la vision, sont d’autres sources de progrès en plein développement. Ils permettent d’obtenir des données plus précises sur le rendement, la détection des maladies, ou la gestion du désherbage. Des exemples de travaux (récents ou en cours) seront présentés dans ces deux domaines pour différents types de culture.

Détection des baies de raisin pour l’estimation du rendement

Vendredi 19 avril - 9h00-12h00 : Télédétection, séries temporelles, fusion multi-capteurs et apprentissage profond.
  Dino Ienco et Remi Cresson.

Avec le nombre croissant d’images et de données satellitaires disponibles associé à une augmentation des fréquences d’acquisition, l’interprétation automatique des données de télédétection et observation de la Terre est un domaine très actif. Les capteurs sont aujourd’hui capables d’offrir des images de nature hétérogène (optique, radar, nuage de points, etc...) à (très) haute résolution avec des fréquences d’acquisition jamais atteintes, à different échelle spatiale et temporelle. Améliorer l'exploitation et l’analyse des données satellitaire (ou de télédétection) peut avoir des impacts importants dans de nombreuses problematiques liées au domain environnementale. Par exemple,  en agriculture de précision l'imagerie peut aider à optimiser la gestion agricole et de détecter les parcelles agricoles problématiques (développement anormal, mauvaise exploitation, …). L’intégration de multiples sources d’informations permet ainsi de différencier les différents types d’occupation du sol en fonction de leur évolution temporelle. Dans le domaine de la planification urbaine, l’identification de l’artificialisation des sols, la surveillance de la croissance urbaine ou encore l’identification des zones végétalisées en ville sont des données fondamentales pour les décideurs. Celles-ci peuvent être obtenues par analyse d’images de télédétection.

Dans ce contexte, les techniques de machine learning (et plus en particulier les technique de Deep Learning) sont en train d'apporter des solutions qui répondent à de nombreuses de ces problématiques. Bénéficiant des larges quantité de données disponibles, ces approches représentent l'état de l'art dans un nombre croissant d'applications liées à l’exploitation des données de télédétection. Après une rapide présentation de ce qu'est la télédétection, nous présenterons un état de l'art autour du deep learning en télédétection, des applications que nous avons développé à sein de l’UMR TETIS sur l’analyse multi-temporelle ainsi que multi-capteur et, enfin, des outils open-source (TensorFlow (Google) et Orfeo ToolBox (CNES)) permettant le traitement des données de télédétection avec les approches méthodologique présentée précédemment.

Vendredi 19 avril - 14h00-17h00 : Reconnaissance de textes et de personnages dans les bandes dessinées.
  Jean-Christophe Burie. Laboratoire Informatique, Image et Interaction (L3I) - Université de La Rochelle.

Née au 19ème siècle, les bandes dessinées sont utilisées pour exprimer des idées au travers de séquences d'images, souvent en combinaison avec du texte et des graphiques. La bande dessinée est considérée comme le neuvième art, l'art séquentiel, diffusé grâce aux progrès de l'imprimerie et depuis quelques années via Internet. De nos jours, le développement grandissant des nouvelles technologies donne naissance à de nouvelles formes d'expressions s'acquittant du support papier pour profiter de toute la liberté du monde numérique. Il existe de nos jours de nombreux contenus au format numérique. Cependant pour accéder rapidement à un contenu spécifique, il est nécessaire de pouvoir indexer correctement les éléments qui constitue une bande dessinée : les cases, le texte, les personnages, les objets, etc. La difficulté est que chaque auteur à son propre style qui lui permet de créer un univers personnel. Développer des méthodes génériques d’extraction représente un défi important dans l’environnement complexe qu’est une page de bande dessinée.

Nous rappellerons les approches utilisées par les logiciels de reconnaissance de caractères pour analyser et reconnaitre le texte. Comme celles-ci sont difficilement applicables sur le texte des bandes dessinées, d’autres stratégies ont donc été proposées. Dans un second temps, nous étudierons le cas des personnages, qui peuvent être considérés comme des objets « déformables ». En effet, en fonction de la situation, la représentation des personnages peut varier énormément. Les approches classiques de reconnaissances des formes sont souvent mises en échec. Nous présenterons les méthodes développées pour extraire et reconnaitre les personnages.