Descriptif
Coordination des stages : Loïc Le Folgoc
Cette filière présente en profondeur de nombreux aspects du traitement et de l'analyse des images numériques ainsi que de la vision par ordinateur. Elle donne également les bases liées au volumes et vidéos numériques. Ces aspects incluent la modélisation de l'acquisition des images, selon différentes modalités, la modélisation mathématique des images et les outils permettant leur amélioration, édition, analyse et compréhension. Une part conséquente de la filière est consacrée à l'apprentissage automatique et aux approches par apprentissage profond, que ce soit pour l'analyse des contenus ou leur génération.
Elle prépare à des postes d'ingénieur R&D ou de chercheur en traitement et interprétation d'images, en vision et en 3D dans des domaines variés : imagerie médicale et biologique, imagerie de télédétection, photographie grand public, biométrie, défense, etc.
Les domaines d'application principaux (l'imagerie médicale, l'imagerie aérienne et satellitaire et la photographie grand public) seront présentés par des chercheurs actifs de ces domaines et complétés par des interventions d'industriels sur d'autres applications (biométrie, vision industrielle...). Ces cours seront en particulier l'occasion de voir en détail des techniques récentes d'apprentissage automatique dans un cadre applicatif.
Cette filière garantit de solides connaissances dans le domaine du traitement et de l'interprétation d'images, qui seront utiles aussi bien dans l'industrie que dans un laboratoire de recherche, avec une poursuite possible en doctorat.
Elle peut être utilement associée à la filière Traitement du Signal pour l'Intelligence Artificielle (TSIA), à la filière Science des Données (SD) pour les techniques d'apprentissage et de fouille de données, à la filière MACS pour les aspects de modélisation mathématique, à la filière Interaction Homme-Machine et Informatique Graphique 3D (IGR) pour les aspects de réalité virtuelle et d'informatique graphique, .
Pour suivre cette filière, il est nécessaire d’avoir acquis les bases de mathématiques appliquées, informatique, traitement du signal (cours de 1e année).
En savoir plus...
2e Année
UE du créneau D recommandées : APM_0EL05_TP (SI221) au S1P1 , CSC_0EL11_TP (INF224), APM_0EL02_TP (MDI220) au S1P1 (cf Prérequis)
| P1 | P2 | P3 | P4 | |
| B1 |
CSC_4IM01_TP Introduction au traitement des images |
CSC_4IM04_TP Imagerie médicale et biologique & Représentation des connaissances |
CSC_4IM08_TP (IMA 208) Vision 3D et Vidéo |
CSC_4IM07_TP Imagerie cohérente, séparation de source, télédétection et applications industrielles |
| B2 |
APM_4IM03_TP Méthodes variationnelles et bayésiennes & optimisation discrète |
CSC_4IM05_TP Apprentissage pour l'image et la reconnaissance d'objets |
APM_4IM06_TP Modèles génératifs, méthodes par patchs, photographie computationnelle |
3e Année
Si vous désirez poursuivre dans le cursus IMA vous avez trois possibilités :
| Option interne |
Faire une option interne à l'école :
|
| Master M2 |
Postuler pour un de ces Masters 2 :
ou
|
| Formation à l’étranger |
Suivre une formation équivalente à l'étranger (cf https://imainter.wp.mines-telecom.fr/) |
| Autre |
Vous pouvez aussi choisir, après la 2e année, de suivre en 3eA :
|
Quelle que soit l'option choisie, la 3e année comporte un stage ingénieur (contacter le coordinateur des stages Loïc Le Folgoc)
Diplômes concernés
Compétences
Compétence n°1 : modélisation d’un problème d’image
1.1 Maîtriser la chaîne d’acquisition de l’image numérique (échantillonnage, bruit, radiométrie, etc.) et sa modélisation.
1.2 Connaître les particularités géométriques du contenu des images numériques (objets, scènes), leurs représentations et la représentation des connaissances.
Compétence n°2 : Résolution du problème / Mobilisation des méthodes de l’état de l’art
2.1 Maîtrise des algorithmes classiques de l’image numérique, dans les domaines de
- Traitement des images
- Analyse des images
2.2 Capacité à analyser l’existant et à comprendre un article scientifique
Compétence n°3 : Mise en œuvre et applications
3.1 Savoir implémenter dans un langage informatique, totalement ou partiellement, les méthodes classiques de la compétence 2.1.
Savoir implémenter une méthode décrite dans l’état de l’art et l’adapter au problème rencontré.
3.2 Capacité à analyser les résultats et à mettre la méthode développée à l’épreuve.
Pré-requis
UE du créneau D recommandées : SI 221 Reconnaissance des formes, MDI210 Optimisation, MDI 220 Statistiques, INF 224 Paradigmes de programmationModalités d'acquisition
La filière est validée si la moyenne des notes finales est ≥ 10 et si vous obtenez au minimum 15 crédits ECTS.
Composition du parcours
-
CSC_4IM01_TP APM_4IM03_TP CSC_4IM04_TP CSC_4IM05_TP APM_4IM06_TP CSC_4IM07_TP CSC_4IM08_TP