Segmentation à partir de modèles probabilistes spatio-temporels à information clairsemée : contributions et applications

par Charles Florin

Thèse de doctorat en Mathématiques. Informatique

Sous la direction de Nikos Paragios.

  • Titre traduit

    Spatio-temporal segmentation with probalilistic sparse models : contributions and applications


  • Pas de résumé disponible.


  • Résumé

    Cette étude présente comment une quantité limité d'information dans l'image peut être utilisée à des fins de segmentation et de suivi de l'objet. Cette information clairsemée est sélectionnée à partir d'un ensemble d'apprentissage en fonction de différents critères , puis le résultat final est reconstruit à partir de ces éléments clairsemés. Le premier critère prend en compte le lien entre l'information locale contenue dans l'image et le résultat recherché, de sorte à ce que seules les régions les plus significatives ne soient gardées. Le second critère rend compte de la qualité de reconstruction. Ce concept est appliqué au problème de segmentation dans une image volumétrique, puis au cas de suivi d'objet. Dans le deuxième problème, un modèle orédictif prévoit la position et la forme de l'objet future; ce modèle est mis-à-jour grâce à une optimisation incrémentale de ses paramètres. Enfin, le dernier problème est celui de segmentation de structures tubulaires, résolu grâce à une méthode Bayesienne séquentielle appelée filtrage particulaire.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. ( 169 p.)
  • Annexes : Bibliographie

Où se trouve cette thèse ?

  • Bibliothèque : Ecole des Ponts ParisTech (Marne-la-Vallée, Seine-et-Marne). Bibliothèque Lesage.
  • Disponible pour le PEB
  • Cote : NS 31637
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.