Thèse soutenue

Méthodes non-supervisées et faiblement supervisées d'apprentissage profond pour la vision par ordinateur et l'imagerie médicale
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Mihir Sahasrabudhe
Direction : Nikos Paragios
Type : Thèse de doctorat
Discipline(s) : Mathématiques et Informatique
Date : Soutenance le 06/03/2020
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Centre de vision numérique (Gif-sur-Yvette, Essonne)
référent : CentraleSupélec (2015-....)
Jury : Président / Présidente : Maja Pantic
Examinateurs / Examinatrices : Stefanos Zafeiriou, Céline Hudelot, Mathieu Aubry, Liming Chen
Rapporteurs / Rapporteuses : Stefanos Zafeiriou, Rafeef Garbi

Résumé

FR  |  
EN

Les premières contributions de cette thèse (Chapter 2 et Chapitre 3) sont des modèles appelés Deforming Autoencoder (DAE) et Lifting Autoencoder (LAE), utilisés pour l'apprentissage non-supervisé de l'alignement 2-D dense d'images d'une classe donnée, et à partir de cela, pour apprendre un modèle tridimensionnel de l'objet. Ces modèles sont capable d'identifer des espaces canoniques pour représenter de différent caractéristiques de l'objet, à savoir, l'apparence des objets dans l'espace canonique, la déformation dense associée permettant de retrouver l'image réelle à partir de cette apparence, et pour le cas des visages humains, le modèle 3-D propre au visage de la personne considérée, son expression faciale, et l'angle de vue de la caméra. De plus, nous illustrons l'application de DAE à d'autres domaines, à savoir, l'alignement d'IRM de poumons et d'images satellites. Dans le Chapitre 4, nous nous concentrons sur une problématique lié au cancer du sang-diagnostique d'hyperlymphocytosis. Nous proposons un modèle convolutif pour encoder les images appartenant à un patient, suivi par la concaténation de l'information contenue dans toutes les images. Nos résultats montrent que les modèles proposés sont de performances comparables à celles des biologistes, et peuvent dont les aider dans l'élaboration de leur diagnostique.