Le cours est composé de deux parties. Une partie porte sur les techniques de modélisation utilisées en reconnaissance de formes. L’objectif est d’étudier différents outils géométriques, statistiques et numériques qui forment la base des méthodes de reconnaissance des formes et interviennent dans la construction effective de modèles à partir d’une collection de données ou de mesures. La seconde partie est sur le traitement et l’analyse d’images. Nous y étudions des méthodes de segmentation d’images et des modèles d’objets associés aux images numériques : leurs représentations (structures discrètes) et leur exploitation (filtrage).
Le cours abordera d’abord les problématiques de détection d’objet et de comparaisons de formes, aussi bien du point de vue des méthodes conventionnelles que des méthodes issues des réseaux de neurones convolutionnels (CNN). Les méthodes de modélisation linéaire seront ensuite présentées. Enfin les méthodes d’estimation, et en particulier l’estimation robuste, qui sont au coeur des techniques conventionnelles de reconnaissance ou des méthodes basées sur les CNN seront abordées.
Le problème de la segmentation des images, point crucial dans l’analyse de celles-ci, sera exploré en présentant différentes approches (régions, contours, morphologiques). Suite de la segmentation, l’analyse d’images consiste à extraire des caractéristiques géométriques des formes présentes dans l’image : les attributs de régions, de contours ou le changement de représentation.
Des applications aux images 2D et 3D seront proposées pour le traitement et l’analyse d’images en lien avec la reconnaissance de formes.
Pré-requis
- Connaissances de base en mathématique (algèbre linéaire, analyse numérique et probabilité).
- Programmation orientée objet.
Acquis d’apprentissage
- Métriques de comparaison de formes : des descripteurs “faits main” aux descripteurs issus des réseaux de neurones
- Modélisation linéaire : rappels d’algèbre linéaire, régression, analyse en composantes principales, analyse en composantes indépendantes.
- Méthode d’estimation : formulation d’un problème d’estimation (moindres carrés, max de vraisemblance, fonction de coût…) et estimation des paramètres (descente de gradient, gradient stochastique, méthodes de différentiation automatique).
- Estimation robuste en présence de données erronées ou aberrantes : transformée de Hough, M-estimateurs, méthodes de type RANSAC.
- Outils de base du traitement d’images : morphologie mathématique, algorithmes de filtrage, algorithmes de segmentation.
- Méthodes de calcul de descripteurs de formes dans les images : attributs de contours et de régions, changement de représentation.
Compétences visées
- Analyser et traiter des données perceptives (image, parole, etc.) possiblement bruitées, interpréter un environnement visuel, extraire des informations contextuelles, enrichir la perception.
- Préparer les données d’apprentissage, savoir en réduire la dimensionnalité, analyser la pertinence des caractéristiques, analyser les résultats d’apprentissage, évaluer la pertinence des différents modèles, combiner les modèles d’apprentissage.