Traitement d'images à haute résolution grâce à des techniques d'apprentissage en profondeur.

par Praveer Singh

Projet de thèse en Signal, Image, Automatique

Sous la direction de Nikos Komodakis.

Thèses en préparation à Paris Est , dans le cadre de MSTIC : Mathématiques et Sciences et Technologies de l'Information et de la Communication , en partenariat avec LIGM - Laboratoire d'informatique Gaspard-Monge (laboratoire) et de A3IS - Algorithme, Architecture, Analyse et Synthèse d'Image (equipe de recherche) depuis le 01-01-2015 .


  • Résumé

    La thèse est largement axée sur les méthodes d'apprentissage profond pour la tâche des applications de télédétection. Il s'agit d'élaborer un nouveau modèle d'apprentissage en profondeur pour classer les scènes aériennes et apprendre automatiquement les régions les plus distinctives simplement en utilisant les étiquettes d'image. En plus de cela, les images de Google sont également utilisées pour augmenter l'ensemble de données, ce qui permet d'apprendre un modèle de classification de la scène aérienne faiblement supervisé qui est robuste aux étiquettes bruyantes. La prochaine application implique l'élimination des nuages des images de la scène aérienne avec une nouvelle technique de modèle général qui emploie l'apprentissage d'un mappage entre le domaine d'entrée (images nuées) et le domaine de sortie (images propres). Enfin, nous utilisons également un apprentissage approfondi pour résoudre la fusion de plusieurs sources d'images pour la tâche de segmentation de scène aérienne.

  • Titre traduit

    Processing high-resolution images through deep learning techniques.


  • Résumé

    The Thesis is broadly focused on Deep Learning methods for the task of Remote Sensing Applications. It involves devising a novel deep learning model for classifying aerial scenes and automatically learning the most distinctive regions in it simply by using the image labels. In addition to this, google images are also utilized to augment the dataset, thus learning a weakly supervised aerial scene classification model that is robust to noisy labels. Next application involves removing clouds from aerial scene images with a novel general model technique that employs learning a mapping between the input domain (cloudy images) and the output domain (clean images). Finally we also employ deep learning to solve fusion of multiple sources of images for the task of Aerial Scene Segmentation.