Agenda partagé

Le 10 décembre 2019

Soutenance de thèse de Kaiwen CHANG

Apprentissage artificiel pour la segmentation d'image

Soutenance de thèse de Kaiwen CHANG

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.

Titre anglais : Machine learning for image segmentation
Date de soutenance : mardi 10 décembre 2019 à 14h00
Adresse de soutenance : Mines ParisTech 60 Boulevard Saint-Michel 75006 Paris - V334
Directeurs de thèse : Jesus ANGULO, Bruno FIGLIUZZI

> plus d'informations sur le site dédié Soutenance de thèse de Kaiwen CHANG - Mines Paris - PSL

Voir tous les événements

Partager

actualité

240 ans de recherche et de formation

Ecole 240 ans de recherche et de formation Vidéo : 240ans de recherche…
> En savoir +

Samuel Forest, élu membre de l’Académie des Sciences

Formation Samuel Forest, élu membre de l’Académie des… Samuel Forest lors de sa réception à…
> En savoir +

Mines Paris plébiscitée par ses étudiantes

Formation Mines Paris plébiscitée par ses étudiantes Mines Paris - PSL, une école qui répond…
> En savoir +

Corentin Gombert, prix de thèse de l’ARIMHE

Formation Corentin Gombert, prix de thèse de l’ARIMHE Corentin Gombert, doctorant au CGS Mines Paris - PSL, lors de…
> En savoir +

L'analyse d'images pour une médecine personnalisée du cancer du sein

Formation L'analyse d'images pour une médecine personnalisée du… L'interprétation des prédictions des…
> En savoir +

Femmes de science

Formation Femmes de science Chercheuses confirmées, doctorantes, élèves ou alumni,…
> En savoir +

+ Toutes les actualités

téléchargement

découverte

 

Voir l'agenda des formations et autres actualités

 

Consultez régulièrement les offres de formation

p_l_a_n_d_u_s_i_t_e
Mentions légales efil.fr © 2014 Mines Paris - PSL