Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : Université de Caen Normandie / laboratoire GREYC U
Durée : 3 ans
Contact : olivier.lezoray@unicaen.fr
Date limite de publication : 2023-03-31

Contexte :
Offre de thèse en Informatique à l’Université de Caen Normandie / laboratoire GREYC UMR CNRS 6072

Titre : Apprentissage profond d’arbres binaires de partitions pour l’analyse d’images

Mots-Clés : Représentation hiérarchiques, Arbres binaires de partition, Apprentissage Profond, Ultramétriques.

Sujet :
Sujet
—–
Il existe de nombreuses représentations des images numériques, chacune adaptée à différents contextes. Dans cette thèse nous nous intéressons aux représentations hiérarchiques des images. Ces dernières permettent, à partir d’une sur-segmentation d’une image en super-pixels, de procéder à des fusions de régions à différentes échelles. De telles représentations hiérarchiques permettent donc de capturer les caractéristiques des images à différentes échelles simultanément, et sont facilement interprétables et manipulables par un humain. Construire des représentations hiérarchiques de bonne qualité est alors une étape très importante de l’analyse des images. En analyse d’images, les arbres binaires de partitions (ABP) sont une représentation hiérarchique populaire. Leur construction repose sur plusieurs éléments clés: une partition initiale, un modèle de région, un critère de fusion, un ordre de fusion. Cette construction de l’ABP repose alors souvent sur des descripteurs de régions peu adaptés aux données et sur des méthodes heuristiques et gloutonnes de clustering hiérarchique. Nous proposons de tirer parti de l’apprentissage profond pour la construction et la manipulation d’ABPs. La construction de l’arbre pourra alors exploiter des descripteurs profond de super-pixels, apprendre la similarité entre ces descripteurs et enfin disposer d’un critère de fusion appris. Une ultramétrique étant une représentation duale d’une représentation hiérarchique, des méthodes d’apprentissage profond peuvent être envisagées pour apprendre non pas l’ABP mais directement l’ultramétrique à partir d’un graphe représentant la sur-segmentation et en minimisant explicitement une fonction de coût. La segmentation sémantique d’une image pourra être ensuite vue comme soit une labelisation apprise des sommets de l’ABP, soit l’apprentissage d’une coupe dans l’ABP. Un arbre étant un graphe, des réseaux de neurones à convolution sur graphes pourront être envisagés pour cela (la convolution et le pooling étant là très particuliers étant donné la structure d’arbre du graphe). Enfin, Des applications en santé (mélanome de la peau) et en imagerie satellitaire seront effectuées.

Profil du candidat :
Les candidats doivent être titulaires d’un master ou d’un diplôme d’ingénieur dans un domaine lié à l’informatique ou aux mathématiques appliquées, et posséder de solides compétences en programmation (en particulier avec des cadres d’apprentissage profond). Une expérience dans le domaine du traitement des images sera un atout. Les candidats doivent être capables de rédiger des rapports scientifiques et de communiquer les résultats de leurs recherches lors de conférences en anglais.

Formation et compétences requises :

Adresse d’emploi :
Caen

Document attaché : 202302151546_sujetTheseLezoray2023_fr.pdf