Segmentation s?mantique d'images fortement structur?es et faiblement structur?es

par Raghu Deep Gadde

Thèse de doctorat en Signal, Image, Automatique

Sous la direction de Renaud Marlet et de Nikos Paragios.

Soutenue le 30-06-2017

à Paris Est , dans le cadre de ?cole doctorale Math?matiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....) , en partenariat avec Laboratoire d'informatique de l'Institut Gaspard Monge (laboratoire) et de Laboratoire Navier / NAVIER UMR 8205 (laboratoire) .

Le président du jury était Iasonas Kokkinos.

Le jury était composé de Renaud Marlet, Nikos Paragios, Karteek Alahari.

Les rapporteurs étaient Fr?d?ric Jurie, Isabelle Bloch.


  • Résumé

    Cette th?se pour but de d?velopper des m?thodes de segmentation pour des sc?nes fortement structur?es (ex. b?timents et environnements urbains) ou faiblement structur?es (ex. paysages ou objets naturels). En particulier, les images de b?timents peuvent ?tre d?crites en termes d'une grammaire de formes, et une d?rivation de cette grammaire peut ?tre inf?r?e pour obtenir une segmentation d'une image. Cependant, il est difficile et long d'?crire de telles grammaires. Pour r?pondre ? ce probl?me, nous avons d?velopp? une nouvelle m?thode qui permet d'apprendre automatiquement une grammaire ? partir d'un ensemble d'images et de leur segmentation associ?e. Des exp?riences montrent que des grammaires ainsi apprises permettent une inf?rence plus rapide et produisent de meilleures segmentations. Nous avons ?galement ?tudi? une m?thode bas?e sur les auto-contextes pour segmenter des sc?nes fortement structur?es et notamment des images de b?timents. De mani?re surprenante, m?me sans connaissance sp?cifique sur le type de sc?ne particulier observ?, nous obtenons des gains significatifs en qualit? de segmentation sur plusieurs jeux de donn?es. Enfin, nous avons d?velopp? une technique bas?e sur les r?seaux de neurones convolutifs (CNN) pour segmenter des images de sc?nes faiblement structur?es. Un filtrage adaptatif est effectu? ? l'int?rieur m?me du r?seau pour permettre des d?pendances entre zones d'images distantes. Des exp?riences sur plusieurs jeux de donn?es ? grande ?chelle montrent l? aussi un gain important sur la qualit? de segmentation

  • Titre traduit

    Semantic Segmentation of Highly Structured and Weakly Structured Images


  • Résumé

    The aim of this thesis is to develop techniques for segmenting strongly-structuredscenes (e.g. building images) and weakly-structured scenes (e.g. natural images). Buildingimages can naturally be expressed in terms of grammars and inference is performed usinggrammars to obtain the optimal segmentation. However, it is difficult and time consum-ing to write such grammars. To alleviate this problem, a novel method to automaticallylearn grammars from a given training set of image and ground-truth segmentation pairs isdeveloped. Experiments suggested that such learned grammars help in better and fasterinference. Next, the effect of using grammars for strongly structured scenes is explored.To this end, a very simple technique based on Auto-Context is used to segment buildingimages. Surprisingly, even with out using any domain specific knowledge, we observedsignificant improvements in terms of performance on several benchmark datasets. Lastly,a novel technique based on convolutional neural networks is developed to segment imageswithout any high-level structure. Image-adaptive filtering is performed within a CNN ar-chitecture to facilitate long-range connections. Experiments on different large scale bench-marks show significant improvements in terms of performance


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse ?

  • Bibliothèque : Communautés d’Universités et d'Etablissements Université Paris-Est. Bibliothèque universitaire.
  • Bibliothèque : École des Ponts ParisTech (Marne-la-Vallée, Seine-et-Marne). Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.