La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

ARIANA Problèmes inverses en observation de la Terre et cartographie Josiane Zerubia

Présentations similaires


Présentation au sujet: "ARIANA Problèmes inverses en observation de la Terre et cartographie Josiane Zerubia"— Transcription de la présentation:

1 ARIANA Problèmes inverses en observation de la Terre et cartographie Josiane Zerubia

2 2 Projet de recherche commun CNRS/INRIA/UNSA créé en 1998 Responsable scientifique : Josiane Zerubia Membres : 3 INRIA, 1 CNRS, 10 doctorants, 5 stagiaires, 3 post-doctorants, 1 assistante INRIA (50%), 1 assistante CNRS ( 10 %).

3 3 Contexte applicatif (1) Les défis : A partir dimages satellitaires ou aériennes : tenir compte de la physique des capteurs : visible, infra-rouge, radar… extraire des informations pertinentes pour linterprétation reconstruire des données 3D (relief au sol) à partir dimages 2D mettre à jour des cartes

4 4 Contexte applicatif (2) è Les enjeux : enjeux économiques (radio-mobiles en Télécom, agriculture de précision…) attributs de souveraineté nationale (renseignement, préparation de mission, analyse post- mission…) services dintérêt général (aménagement du territoire, environnement…)

5 5 Contexte méthodologique (1) Modèles probabilistes champs de Markov [J. Stat. Phys. 03] champs de Markov hiérarchiques [IEEE GRS 05] distributions -stables [Patt. Recog. Let. 03, IEEE IP 04, IEEE GRS 06, IEEE IP 06] processus ponctuels objets : axe de recherche novateur [SFPT 03, IJCV 04, IEEE PAMI 05, IJCV 06]

6 6 Contexte méthodologique (2) Méthodes variationnelles et EDP gamma-convergence [SIAM Num. Anal. 04, Nonlin. Anal. 06] décomposition dimage [ JMIV 05, IJCV 05, App. Math. and Optim. 05 ] régions et contours actifs [IEEE IP 03] contours actifs dordre supérieur [IJCV 06]

7 7 Contexte méthodologique (3) optimisation et estimation de paramètres Méthodes MCMC (Metropolis-Hastings-Green) [IEEE MI 04, Springer-Verlag 05] Nouvelles dynamiques de naissance et mort [Pbs of Inf. Trans. 04]

8 8 Image aérienne ( IGN). Résultat de lextraction du réseau routier sur une image aérienne. Réseau linéique extrait. Réseau linéique

9 9 simulation PLEIADES – Amiens CNES résultat 3D carte d'erreurs Reconstruction en 3D de bâtiments à partir d'images satellitaires (CNES/IGN)

10 10 Détection darbres par processus ponctuels marqués Exemples dextraction de houppiers en imagerie IR couleur IFN Collaboration ECP, IFN, LIAMA (Pékin).

11 11 Détection darbres par contours actifs dordre supérieur © IFN Collaboration Université de Szeged, Hongrie.

12 12 Détection des départs de feux (Alcatel Alenia Space Cannes ) Vérité terrain Alcatel Alenia Space 12 départs de feux détectés sur 14 0 fausse alarme.

13 13 Image SPOT 5 SVM K-NN Evaluation des dégâts après un feu de forêt (Silogic Toulouse) CNES-SPOT Image

14 14 Collaborations nationales è Industrielles : CNES, IGN, BRGM, CEMAGREF, IFN, DGA, Alcatel Alenia Space, Astrium/EADS, Sagem, Silogic. è Action PNTS : BRGM. è Action PNTS : ENST. è Math/STIC du CNRS : ENS Cachan, Paris XIII. è Math/STIC (2) du CNRS : Laboratoire de mathématiques de lUNSA. è ACI Masse de données : Télécom Paris, Imedia. è ACI NIM : Paris V et VI, Ecole Polytechnique, Université Marne La Vallée, Observatoire Midi Pyrénées, UNSA. è ARC Mode de vie: Centrale Paris, Cirad, Greenlab (INRIA et LIAMA). è ANR blanche Detecfine : Institut Pasteur, Sagem DS, UNSA. è ANR blanche Microréseaux : IMFT, CRCC, ESRF.

15 15 Principales collaborations bilatérales USA/INRIA initiative : Université Wisconsin-Madison, Université Duke. Russie/OTAN: Académie des sciences de Russie et Université de Caroline du Nord. Econet: Russie. Chine : LIAMA/INRIA. PAI Balaton : Université de Szeged, Hongrie. PAI Galilée : Université de la Sapienza Rome et IRIT Toulouse. CONACYT : UNAM de Mexico. INRIA STIC-Tunisie : Imedia, SupCom Tunis.

16 16 Principales collaborations Internationales è Projets européens : MOUMIR (TCD, Université Cambridge, INESC, Université Thessalonique, BGU) IMAVIS (Epidaure, Odyssée) MUSCLE réseau dexcellence 42 partenaires

17 17 Transferts dans dautres domaines è Astrophysique : détection de filaments de galaxies. COLORS avec OCA. è Imagerie Biologique : restauration dimage biologique 3D par microscopie confocale. ARC puis P2R avec lInstitut Pasteur (Paris), Institut Weizmann, Technion (Israël).

18 18 Publications Année Edition de livres ou participation à des ouvrages de synthèse Publication dans des revues internationales Communications dans des conférences avec actes thèses ou HDR TOTAL

19 19 Devenir des doctorants AnnéePrénom NomDevenir 2003Karen Brady Post-doc Marie Curie 2 ans Univ. de Queensland., Brisbane, Australie 1 an Trinity College Dublin 2003Caroline LacombeConsultante pour CCI Nice Sophia Antipolis 2003 Oscar Viveros Cancino Assistant Professor, Univ. de Veracruz, Mexique 2004Jean-François AujolCR2 CNRS, CMLA ENS Cachan 2004Caroline LacosteIngénieur R&D, Amadeus, Sophia Antipolis 2004Mathias OrtnerIngénieur R&D, Astrium/EADS, Toulouse 2005Marie RocheryIngénieur R&D, Astrium/EADS, Toulouse 2005Emmanuel Villeger Professeur agrégé (ENS) au lycée Amiral de Grasse 2006Guillaume PerrinIngénieur R&D, Alcatel Space, Cannes

20 20 Perspectives à 4 ans è Approche variationnelle modèles multi-échelles pour les contours actifs dordre supérieur. énergie de Ginzburg-Landau pour la détection de filaments. è Approche stochastique analyse de scène via des processus multi-objets. développement de nouvelles dynamiques doptimisation. è Applications déconvolution : travaux sur léchantillonnage irrégulier et la super –résolution pour limagerie satellitaire. déconvolution aveugle pour limagerie biologique. extraction de linéique sur des images HR et IRT. environnement : population nicheuse doiseaux.

21 21 Décomposition dimage f est une image, que nous voulons décomposer en deux parties : [Yves Meyer: Oscillating patterns in image processing and in some nonlinear evolution equations, 2001 ]. Application pour lanalyse, la restauration, le remplissage, la compression… Géométrie Oscillations

22 22 Modèle ROF [Rudin Osher Fatemi 1992 ] Modèle de restauration dimage Modèle équivalent v = f - u devrait contenir les textures et le bruit.

23 23 Exemple 2D (variables discrètes) Images texturée géométrique TV l2l G La norme l 2 pour v ne permet pas de capturer les oscillations dans le processus de minimisation.

24 24 Modèle dYves Meyer Yves Meyer définit un nouvel espace G et une nouvelle norme. G tels que les fonctions dans G peuvent être très oscillantes et avoir une petite norme G.

25 25 Norme (en variable discrètes) Problème du calcul de la norme infinie (non différentiable) [Vese, Osher… 2003-] [Darbon, Sigelle 2005] [Goldfarb, Yin 2005]

26 26 Méthode et algorithme Algorithme itératif u 0 =v 0 =0 [JMIV 05] et prix de thèse du Club EEA de J-F Aujol en 2005 par dualité, on montre quon peut se ramener à des projections sur des ensembles convexes. On montre que le problème de Meyer est équivalent à la minimisation du critère quand 0

27 27 Décomposition de Barbara composante u avec la norme G avec la norme l 2 composante v

28 28 Restauration dimage RSO Image RSO CNES-CESBIO =0.1, =30 =0.1, =40

29 29 Suite et futur Etude dune fonctionnelle générale de minimisation sous contrainte en norme l Inclut les problèmes BV- l 2, BV- l 1, décomposition, problème en bruit borné Algorithme numérique convergent de minimisation Passage au multi-canal.

30 30 Processus ponctuels objet : Pourquoi ? Approches Bayesiennes : Robustesse au bruit Modélisation dinformation A Priori Cadre traditionnel : Champs de Markov Modélisation de linformation contextuelle

31 31 Processus ponctuels objet : Pourquoi ? Information contextuelle sur la solution :

32 32 Processus ponctuels objet : Pourquoi ? Information contextuelle sur les données :

33 33 Processus ponctuels objet : Pourquoi ? Modélisation de la géométrie sur la solution ?

34 34 Processus ponctuels objet : Pourquoi ? Modélisation de la géométrie des données ?

35 35 Processus ponctuels objet : Comment ? Cahier des charges : Modélisation objet Nombre dobjet inconnu Contraintes sur la géométrie des objets Contraintes sur la répartition des objets Prise en compte des données à un niveau macroscopique

36 36 Processus ponctuels objet : Comment ? Configurations : ens. de points marqués Points : définissent le nombre et la localisation des objets Marques : définissent la géométrie des objets Définition dune mesure de référence Définition dune densité (a priori + données) Optimisation de la densité

37 37 Processus ponctuels objet : Comment ? Exemple : détection de houppiers

38 38 Processus ponctuels objet : Comment ? Choix des objets : ellipses

39 39 Processus ponctuels objet : Comment ? Choix dune mesure de référence : Impose la dynamique à haute température Ninflue pas sur la configuration finale. Choix dune intensité correspondant au nombre dobjets que lon pense trouver : Générer plus de points dans les zones les plus probables :

40 40 Processus ponctuels objet : Comment ? Choix dune densité : Ellipses alongées : détection de deux arbres pour un objet Donc on favorise les ellipses proches dun disque

41 41 Processus ponctuels objet : Comment ? Gestion des superpositions Mauvaise Superposition Superposition acceptable Surdétection

42 42 Processus ponctuels objet : Comment ? Interaction entre paires dobjets u~rv si et seulement u et v sintersectent Terme hard-core (processus stable)

43 43 Processus ponctuels objet : Comment ? Modélisation des agrégats Définition : on appelle -objet dun objet u=(p,m) avec m = (a,b, ), lellipse de centre p et de marque (a+,b+, ). On favorise les paires dellipses dune distance inférieure à

44 44 Processus ponctuels objet : Comment ? Modélisation des données : Objets attractifs ou répulsifs suivant le signe de U d

45 45 Processus ponctuels objet : Comment ? Optimisation : Algorithme RJMCMC Choisir un noyau de proposition Q m (x,.) avec la probabilité p m (x), ou bien laisser l état inchangé avec une probabilité 1- m p m (x). Simuler y suivant le noyau de proposition choisi. Calculer le rapport de Green : Avec une probabilité = min(1,R m ) accepter la proposition x t+1 = y, sinon rejeter la proposition : x t+1 = x.

46 46 Processus ponctuels objet : Résultats ?

47 47 Processus ponctuels objet : Et après ? Modèle générique : multi-objets Algorithme non-supervisé : estimation Optimisation plus efficace : Parallélisme Nouvelles dynamiques


Télécharger ppt "ARIANA Problèmes inverses en observation de la Terre et cartographie Josiane Zerubia"

Présentations similaires


Annonces Google