Thèse de doctorat en Sciences appliquées, génie mécanique, construction mécanique
Sous la direction de Donald Geman.
Soutenue en 2001
Cette étude aborde le problème de la reconnaissance d'objets en utilisant une approche hiérarchique. Dans une première partie, une application réelle de détection de changements sera étudiée. Le but de cette application est de détecter les changements de la classe bâti d'une scène rurale à l'aide de couples d'images aériennes stéréoscopiques prises à plusieurs années d'intervalle. La première étape, appelée étape de focalisation devra éliminer une grande partie de la scène sans perdre de véritables changements. Cette étape est réalisée à l'aide d'une comparaison de Modèles Numérique d'Elévation calculés aux deux dates. Cette étape nous fournit des zones de focalisation pouvant être décrites un couple stéréoscopique à l'ancienne date et un couple stéréoscopique à la nouvelle date. La seconde étape consiste à décider si la zone de focalisation calculée contient un changement ou non. Cette décision est prise en classant chaque image dans la classe bâti ou non-bâti. Cette classification est réalisée à l'aide d'un vote d'un nombre important d'arbres de décision construits par apprentissage. Dans la seconde partie de cette étude, une approche plus formelle d'une méthode de reconnaissance hiérarchique sera étudiée. Le cadre théorique pose le probléme de la construction d'un détecteur "optimal" lorsque l'on dispose d'un ensemble de tests statistiques possédant chacun une puissance et un coût. L'ensemble de ces tests constituent des partitions emboîtées de la classe d'objets étudiée. Il sera supposé, dans ce cadre, que chaque test possède un taux de sous-détection nul ou proche de 0. Ainsi, le détecteur global aura pour tâche de minimiser l'erreur de sur-détection. Une classe de détecteur atteignant l'erreur minimale de sur-détection sera détaillée. La forme du détecteur minimisant le coût global au sein de cette classe sera explicitée.
Coause to fine object recognition and change detection
Pas de résumé disponible.