Apparence globale 1 image = 1 vecteur Base apprentissage Rotation –capture les variabilités Troncature –Quelques coefficients Représentation linéaire Espace propre F u2u2 u1u1 Reconstruction Erreur u1u1 + c 1 = x + … + c t + utut w r Thèse Rozenn Dahyot (LRS)
Estimation robuste Estimer les c i pour toute observation y Bruit d’observation gaussien non robuste ! Bruit non gaussien + théorie semi-quadratique –Introduit une variable auxiliaire Linéarise le problème Marque les données erronées (« outliers ») ObservationROBUSTEVar. auxiliaire bNON ROBUSTE
Maximiser une probabilité : –Distribution du bruit (robuste) –Distribution a priori des c i Meilleures reconstructions –Reconnaissance (ex : T. Vik) Valeur du maximum de probabilité : ~vraisemblance (observation|base) détection Reconstruction : modèle complet Base : 20 objets x 72 vues 3D ObjetObservationClassiqueRobusteComplet
Détection/reconnaissance robustes Détection : –seuillage carte vraisemblance Reconnaissance : –Comparaison avec images de la base (utilise les c i moins coûteux !) Autres exemples
Contours actifs Outil de segmentation –Fin des années 80 –Courbe qui évolue pour minimiser une énergie Années 90 : –Améliorations algorithmes –« Level sets » : changements de topologie Capturer plusieurs objets Fusionner plusieurs courbes Thèse Alban Foulonneau (LRS)
Contours actifs région Contours actifs classique : –approche locale (frontière) Attributs région approche globale –Réalise une partition de l’image
Contraintes de formes Contributions thèse A. Foulonneau [ICIP03, GRETSI03, TS04, PAMI05] –Nouvelle contrainte de forme –Évolution vers forme de référence –Objets à topologie arbitraire –Gestion de l’invariance affine Alignement automatique Variabilités géométriques
Formes prototypes Optimisation fonction de coût –Adéquation à l’image –Admissibilité déformation Présélection –Couleur rouge –Composantes connexes Algorithme évolutionnaire –Stratégie d’évolution –Hybridation descente gradient Prototype Échantillons