Descriptif
Ce cours introduit les méthodes variationnelles et bayésiennes pour le filtrage et la segmentation d'images. Une attention particulière sera portée aux méthodes d'optimisation mises en oeuvre dans ce cadre. Des applications issues des domaines de la photographie numérique, de l'imagerie aérienne ou de l'imagerie médicale permettront d'illustrer l'utilité de ces approches.
- méthodes variationnelles
- méthodes bayésiennes, champs de Markov
- optimisation discrète par coupure de graphes
- méthodes variationnelles
- méthodes bayésiennes, champs de Markov
- optimisation discrète par coupure de graphes
- modèles de graphes en image
Evaluation : Examen écrit et comptes-rendus de TP.
Evaluation : Examen écrit et comptes-rendus de TP.
Objectifs pédagogiques
Acquis d'apprentissageÀ l'issue de l'UE, l'élève sera capable de:
- Définir un modèle statistique pertienent pour décrire une modalité d'imagerie et d'en déduire un algorithme de résolution.
- Résoudre des problèmes de traitement d'images d'un point de vue variationnelle en mettant en application des méthodes d'optimisation.
- Justifier un modèle probabiliste au-delà des problèmes de restauration d'images.
Compétences de rattachement (et justification)
- BC5.1 – Modéliser mathématiquement une situation, des données, des phénomènes physiques dans le contexte du numérique; Justification : De nombreux modèles de signaux et de bruit sont présentés et donnent à l'élève les outils nécessaires pour la modélisation.
- BC10.2 – Analyser et résoudre des problèmes mathématiques et algorithmiques nécessaires dans des étapes de réalisation d’un projet en s’appuyant, si besoin est, sur des simulations et dans l’objectif d’implémenter des solutions compétitives; Justification : L'utilisation de l'optimisation pour la résolution de problèmes mathématiques est extensivement étudiée.
- BC5.4 – Tester, gérer un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : L'élève est capable de tester si les hypothèse statistiques faites sont pertinentes.
24 heures en présentiel
16 heures de travail personnel estimé pour l’étudiant.
Diplôme(s) concerné(s)
Parcours de rattachement
Pour les étudiants du diplôme Diplôme d'ingénieur
IMA201 ou équivalent
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
Examen sur table pour 75% de la note.
Les rendus des TP sont notés pour 25% de la note finale.
- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'UE électives acquis : 2.5
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
Examen sur table pour 75% de la note.
Les rendus des TP sont notés pour 25% de la note finale.
- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
- méthodes variationnelles
- méthodes bayésiennes, champs de Markov
- optimisation discrète par coupure de graphes
- modèles de graphes pour l'image
- applications