Traitement d'images, vision computationelle, reconnaissance des formes
Ce sujet sera adapté à un étudiant qui a une solide formation mathématique, qui sait lire les articles de recherche, et qui a déjà des notions de traitement d'images et de calcul scientifique (algèbre linéaire - surtout calcul des valeurs propres - et optimisation). Un stage en binome pourrait aussi être envisagé, avec une découpage du travail sur l'axe traitement d'image / calcul numérique.
La segmentation d'images dans les régions homogènes est un problème difficile et pérenne, qui suscite chaque an de nombreux travaux en traitement d'images. Le but de cet stage est d'implanter plusieurs (probablement 5-10) méthodes récentes de segmentation d'images, et de comparer leurs performances sur une base des images « typiques ».
Les méthodes à comparer sont a définir avec le stagiaire, mais peuvent inclure par exemple (entre beaucoup d'autres...) « normalized cuts », « deterministic annealing », « multiscale aggregation » (peut être dans une forme simplifiée) et « typical cuts ». Toutes ces méthodes ont une caractère algébrique / optimisation, donc il faudrait être prêt à travailler à la fois avec les images et avec les bibliothèques de calcul scientifique.
Plusieurs bases d'images sont disponibles pour les essais, mais le « Berkeley Segmentation Database » sera probablement la ressource la plus utile, à la fois pour les images et pour les mesures de performance à adopter.