Apprentissage de hiérarchies de segmentations

par Deise Santana Maia

Projet de thèse en Informatique

Sous la direction de Laurent Najman.

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 Informatique, linguistique (equipe de recherche) depuis le 01-10-2016 .


  • Résumé

    Une tendance actuelle en vision par ordinateur est l'enrichissement les méthodes standard en incluant des mesures fondées sur l'apprentissage. Cette tendance est rendue possible grâce au développement de grandes bases de données accessibles au public et des méthodes fondées sur l'apprentissage efficaces reposant, par exemple, sur les décisions des arbres, ou sur réseaux convolutionnal (apprentissage en profondeur). L'objectif de cette thèse est de construire un cadre pour apprendre hiérarchique représentations d'image. Afin d'atteindre cet objectif, les sujets suivants seront pris en considération: - Étude des propriétés et des algorithmes pour des combinaisons de hiérarchies; - Apprendre à reconnaître pour chaque image la combinaison de hiérarchies qui conduisent aux meilleurs résultats; et - Apprentissage des de nouvelles fonctionnalités pour construire des hiérarchies morphologiques. - Apprentissage des de nouvelles fonctionnalités pour construire des hiérarchies morphologiques.

  • Titre traduit

    Learning hierarchies of segmentations


  • Résumé

    A current trend in computer vision is to enrich standard methods by including learning-based steps. This trend is made possible due to the development of large publicly-available user-annotated databases and of effcient learning-based methods relying, e.g., on decisions trees, or on convolutionnal networks (deep learning). The goal of this PhD thesis is to build a framework to learn hierarchical image representations. In order to reach this goal, the following topics will be considered: - Investigation of properties and algorithms for combinations of hierarchies; - - Learning to recognize for each image the combination of hierarchies that lead to the best results; and - Learning new features to build morphological hierarchies.