Projet ORION Monique THONNAT INRIA Sophia Antipolis

Présentation au sujet: "Projet ORION Monique THONNAT INRIA Sophia Antipolis"— Transcription de la présentation:

1 Projet ORION Monique THONNAT INRIA Sophia Antipolis
Date

2 Définition d’un projet INRIA
1 Thème de recherche focalisé 1 Equipe Evalué tous les 4 ans Durée limitée: moins de 12 ans

3 Exemple: le projet Orion
Thème CogC systèmes cognitifs: données multimédia: interprétation et interaction homme-machine Thème de recherche focalisé: Vision Cognitive Equipe: + 22 personnes Dates: Création juillet 1995 Evaluations en 1997 et en 2001

4 Une équipe: Les Membres du projet ORION

5 Les Membres du projet ORION
Responsable: Monique Thonnat (DR Inria) Assistante: Catherine Martin ( TR Inria) Chercheurs: François Bremond (CR1 Inria) Ingénieurs: Alberto Avanzi ( Ing Bull) Sabine Moisan (CR1 Inria) Julien Canet (Ing Associé) Annie Ressouche (CR1 Inria) Nicolas Chleq (IR2 Inria Dream) Post-doc: Florence Duchene (bourse Inria) Doctorants: Bernard Boulay (2ieme année) Ing.-experts: Frederic Cupillard (Vigitec) Binh Bui (1ere année) Gabriele Davini (Samsit) Benoit Georis (2ieme année) (Louvain) Florent Fusier (Avitrack) Celine Hudelot (3ieme année) Magali Maziere (FNCA) Naoufel Khayati (1ere année) (Tunis) Christophe Tornieri (SNCF) Nicolas Maillot (3ieme année) Valery Valentin (Avitrack) Vincent Martin (1ere année) Coll. ext: Jean-Paul Rigault (Prof. UNSA) Jean-Philippe Vidal (3ieme année) (Lyon)

6 Projet ORION Equipe de recherches en vision cognitive
Compétence en intelligence artificielle, vision par ordinateur, génie logiciel Thème de recherches: Interprétation d’images: reconnaissance d’objets naturels et interprétation vidéo pour la reconnaissance de comportements Réutilisation de logiciels: techniques de pilotage de programmes et plates-formes de développement de systèmes à base de connaissances

7 Applications: Interprétation Vidéo: Reconnaissance Objets Naturels:
Impact important en vidéo surveillance (stations de métro, agences bancaires, trains, aéroport) 5 projets européens (PASSWORDS, AVS-PV, AVS-RTPW, ADVISOR, AVITRACK) 4 contrats de recherche avec des industriels (métro, banque, trains) 2 activités de transfert avec Bull (Paris) et Vigitec (Brussels) Reconnaissance Objets Naturels: Coopérations scientifiques pour le diagnostic de pathologies Projet européen ASTHMA (détection de pollens pour prévention d’allergies) INRA (diagnostic de maladies de végétaux)

8 Image interpretation What does it mean to perform image interpretation ? semantic image interpretation (i.e. object categorization) What does it mean to associate semantics to a particular image ?

9 Image interpretation Proposed approach: Knowledge-based Vision
formalize the a priori knowledge for image interpretation in knowledge bases explicit the reasoning (how to use a priori knowledge) define sub-problems and build solutions independent of any application (object categorization, program supervision, video understanding) use of state of the art vision techniques test the solutions on difficult real cases

10 Application on Plant Disease Diagnosis: Rose Diseases
Powdery mildew : State of infection : early Vegetal support : red leaf State of infection : very early Vegetal support : green leaf Two white flies close to their eggs Need of domain knowledge Intelligent management of image processing programs Complexity and variability of object appearance Variability of contexts Scene knowledge and spatial reasoning Multiple objects and various object types

11 Video understanding Objective:
real time and automated analysis of video sequences video understanding= from people detection and tracking to behavior recognition ---> Interpretation of the videos from pixels to alarms « Blocking an exit »  «Fighting »  « Fraud »  « Overcrowding»  ALARM People detection and tracking Cameras Behavior recognition Interface for alarm management

12 Video Understanding: typical problems
Metro station surveillance Surveillance inside trains Building access control Airport monitoring

13 Video Understanding Vandalism in metro (Nuremberg)

14 Conclusion: Where we go
Knowledge bases still difficult to build --> Design of ontology driven knowledge bases visual concept ontology (Nicolas Maillot PhD) video event ontology (T. Van Vu PhD) --> Design of learning techniques to complement knowledge bases visual concept learning(Nicolas Maillot PhD) image segmentation learning (Vincent Martin PhD) Reusability is still an issue for vision programs --> Use of program supervision techniques for video understanding dynamic configuration of programs and parameters (B Georis PhD)