Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Aftermovie du H4ck@mines 2019 MINES ParisTech

Lecture

MIG 2019 - Systèmes embarqués

Lecture

Teaser Journées Portes Ouvertes

Lecture

Season's Greetings - Meilleurs voeux 2019

Lecture

Plan stratégique de l'Ecole

+ Toutes les vidéos

Partager

Kaiwen CHANG - Soutenance de thèse MINES ParisTech

Kaiwen CHANG

Apprentissage artificiel pour la segmentation d'image

Titre anglais : Machine learning for image segmentation
Date de soutenance : 10/12/19
Directeurs de thèse : Jesus ANGULO, Bruno FIGLIUZZI

Mots clés en français : Morphologie Mathématique,Traitement d'image,Segmentation d'image,,
Mots clés en anglais : Mathematical Morphology,Image Processing,Image Segmentation,,

Résumé de la thèse en français
La présente thèse vise à développer une méthodologie générale basée sur des méthodes d'apprentissage pour effectuer la segmentation d'une base de données constituée d'images similaires, à partir d'un nombre limité d'exemples d'entra??nement. Cette méthodologie est destinée à être appliquée à des images recueillies dans le cadre d'observations de la terre ou lors d'expériences menées en science des matériaux, pour lesquelles il n'y a pas suffisam- ment d'exemples d'entra??nement pour appliquer des méthodes basées sur des techniques d'apprentissage profond. La méthodologie proposée commence par construire une partition de l'image en superpixels, avant de fusionner progressivement les différents superpixels obtenus jusqu'à l'obtention d'une segmentation valide. Les deux principales contributions de cette thèse sont le développement d'un nouveau algorithme de superpixel basé sur l'équation Eikonale, et le développement d'un algorithme de fusion de superpixels basé sur une adaptation de l'équation Eikonale au contexte des graphes. L'algorithme de fusion des superpixels s'appuie sur un graphe d'adjacence construit à partir de la partition en superpixels. Les arêtes de ce graphe sont valuées par une mesure de dissimilarité prédite par un algorithme d'apprentissage à partir de caractéristiques de bas niveau calculées sur les superpixels. A titre d'application, l'approche de segmentation est évaluée sur la base de données SWIMSEG, qui contient des images de nuages. Pour cette base de données, avec un nombre limité d'images d'entra??nement, nous obtenons des résultats de segmentation similaires à ceux de l'état de l'art.

Résumé de la thèse en anglais
In this PhD thesis, our aim is to establish a general methodology for performing the segmentation of a dataset constituted of similar images with only a few annotated images as training examples. This methodology is directly intended to be applied to images gathered in earth observation or materials science applications, for which there is not enough annotated examples to train state-of-the-art deep learning based segmentation algorithms. The proposed methodology starts from a superpixel partition of the image and gradually merges the initial regions until an actual segmentation is obtained. The two main contributions described in this PhD thesis are the development of a new superpixel algorithm which makes use of the Eikonal equation, and the development of a superpixel merging algorithm steming from the adaption of the Eikonal equation to the setting of graphs. The superpixels merging approach makes use of a region adjacency graph computed from the superpixel partition. The edges are weighted by a dissimilarity measure predicted by a machine learning algorithm from low-level cues computed on the superpixels. In terms of application, our approach to image segmentation is finally evaluated on the SWIMSEG dataset, a dataset which contains sky cloud images. On this dataset, using only a limited amount of images for training our algorithm, we are able to obtain segmentation results similar to the ones obtained with state-of-the-art algorithms.

Retour à l'annuaire des docteurs

actualité

Comment renforcer l'autonomie des salariés ?

Formation Comment renforcer l'autonomie des salariés ? Des entreprises toujours plus nombreuses souhaitent…
> En savoir +

MINES ParisTech sur le podium

Formation MINES ParisTech sur le podium Le Figaro Étudiant réalise un nouveau classement des…
> En savoir +

Doublé de thèses

Formation Doublé de thèses Un rare doublé de thèses au Centre de recherche en informatique (CRI) de MINES…
> En savoir +

Femmes dans la transition énergétique

Formation Femmes dans la transition énergétique « J'appelle toutes les #WomenInEnergy à prendre…
> En savoir +

La rénovation thermique réduit-elle vraiment votre facture d'énergie ?

Formation La rénovation thermique réduit-elle vraiment votre… La rénovation énergétique est l’un des piliers de…
> En savoir +

+ Toutes les actualités

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |