1,721,138 research outputs found
Détection d'hétérogénéités linéaires dans les textures directionnelles : application à la détection de failles en sismique de réflexion
No full textDétection d’hétérogénéités linéaires dans les textures directionnelles – application à la détection de failles en sismique de réflexion: les méthodes développées concernent la classe particulière de textures directionnelles. Dans un premier chapitre, nous rappelons la notion de texture, le concept de contour et le contexte applicatif concernant l’imagerie sismique. Le deuxième chapitre a pour objet l’analyse des différentes contributions que l’on peut trouver dans la littérature concernant la détection de contours dans le contexte des images texturées: les approches qui relèvent du domaine de la géophysique et les méthodes proposées par la communauté des traiteurs d’image pour la détection de contours. Le troisième chapitre regroupe nos propositions: une approche basée sur une un critère géométrique, une variante récursive robuste et une extension alliant mesure 2D et diffusion 3D. Ces propositions sont validées par une analyse quantitative par rapport aux méthodes existantes.Linear disparity detection in directional textures – application to fault detection in seismic images: the developed approaches deal with the particular family of directional textures. In the first chapter the notion of texture and the concept of contour are introduced. Also, a detailed presentation of the application concerning seismic imagery is presented in the first chapter. The object of the second chapter is the analysis of the different contributions concerning edge and contour detection in textured images found in the literature: the approaches used in the field of geophysics and the approaches proposed by the image processing community. The third chapter regroups our contributions: a geometric criterion based approach, a recursive robust extension of the geometric approach and a 3D recursive robust extension combining a 2D measure and a 3D diffusion technique. Apart the qualitative comparisons, these contributions are validated by a quantitative analysis in comparison with the existing methods
Attention mechanism in deep learning for image matching
No full textLa mise en correspondance d’images est un problème fondamental de vision par ordinateurvisant à établir des correspondances 2D entre deux images présentant un recouvrement partiel. Ce problèmepeut être particulièrement complexe en raison des changements de perspective, des variations deluminosité, ou encore d’occultations. Récemment, ces difficultés ont été en partie surmontées grâce auxréseaux de neurones profonds utilisant un mécanisme d’attention (”Transformer”).Dans un premier temps, nous présentons le contexte général de la mise en correspondance (métriquesd’évaluation, bases de données, paradigmes, etc.), ainsi que le mécanisme d’attention. Nous montronsque l’introduction d’un tel mécanisme est particulièrement adaptée pour modéliser les relations complexesentre deux images, permettant ainsi de pallier les limites des réseaux siamois.Nous nous intéressons ensuite aux approches dites semi-denses. Ces méthodes de l’état de l’art utilisentun réseau avec mécanisme d’attention mais leurs performances sont presque exclusivement évaluées autravers de métriques d’estimation de pose relative entre les deux images. Ainsi, dans cette deuxième partienous cherchons à comprendre le lien entre la capacité de ces méthodes à établir des correspondanceset la qualité de la pose estimée.Finalement, nous abordons le problème de la mise en correspondance dense, où l’objectif est d’établirune correspondance pour chaque pixel des images. L’utilisation d’un mécanisme d’attention au niveaupixellique est un défi au vu de sa complexité calculatoire. Nous proposons de l’inclure dans une méthodehiérarchique de recherche en faisceau permettant ainsi au réseau de bénéficier d’un mécanisme d’attentionpixellique et d’une complexité calculatoire raisonnable.Image matching is a fundamental problem in computer vision that aims to establish 2D correspondencesbetween two images with partial overlap. This problem can become particularly challengingdue to perspective changes, variations in lighting, or occlusions. Recently, these difficulties have beenpartially overcome by deep neural networks using attention mechanisms (Transformers).First, we present the general context of image matching, discussing evaluation metrics, available datasets,and different paradigms, while introducing the attention mechanism. We show that integrating this mechanismis particularly well-suited for modeling complex relationships between two images, thus overcomingsome of the limitations of Siamese networks.We then focus on semi-dense approaches. These state-of-the-art methods, which also use networks withattention mechanisms, are mostly evaluated based on relative pose estimation metrics between the images.In this section, we explore the link between these methods’ ability to establish correspondencesand the accuracy of the estimated pose.Finally, we address the problem of dense matching, where the goal is to establish correspondences forevery image pixel. Using an attention mechanism at the pixel level is a significant challenge due to itscomputational complexity. We propose to incorporate this mechanism into a hierarchical beam searchmethod, allowing the network to benefit from pixel-wise attention while maintaining reasonable computationalcomplexity
Development of unsupervised models for obtaining interpretable latent representations of images
No full textLe Laser Mégajoule (LMJ) est un instrument d’envergure qui simule des conditions de pression et de température similaires à celles des étoiles. Lors d’expérimentations, plusieurs diagnostics sont guidés dans la chambre d’expériences et il est essentiel qu’ils soient positionnés de manière précise. Afin de minimiser les risques liés à l’erreur humaine dans un tel contexte expérimental, la mise en place d'un système anti-collision automatisé est envisagée. Cela passe par la conception d’outils d’apprentissage automatique offrant des niveaux de décision fiables à partir de l’interprétation d’images issues de caméras positionnées dans la chambre. Nos travaux de recherche se concentrent sur des méthodes neuronales génératives probabilistes, en particulier les auto-encodeurs variationnels (VAEs). Le choix de cette classe de modèles est lié au fait qu’elle rende possible l’accès à un espace latent lié directement aux propriétés des objets constituant la scène observée. L’enjeu majeur est d’étudier la conception de modèles de réseaux profonds permettant effectivement d’accéder à une telle représentation pleinement informative et interprétable dans un objectif de fiabilité du système. Le formalisme probabiliste intrinsèque du VAE nous permet, si nous pouvons remonter à une telle représentation, d’accéder à une analyse d’incertitudes des informations encodées.The Laser Megajoule (LMJ) is a large research device that simulates pressure and temperature conditions similar to those found in stars. During experiments, diagnostics are guided into an experimental chamber for precise positioning. To minimize the risks associated with human error in such an experimental context, the automation of an anti-collision system is envisaged. This involves the design of machine learning tools offering reliable decision levels based on the interpretation of images from cameras positioned in the chamber. Our research focuses on probabilistic generative neural methods, in particular variational auto-encoders (VAEs). The choice of this class of models is linked to the fact that it potentially enables access to a latent space directly linked to the properties of the objects making up the observed scene. The major challenge is to study the design of deep network models that effectively enable access to such a fully informative and interpretable representation, with a view to system reliability. The probabilistic formalism intrinsic to VAE allows us, if we can trace back to such a representation, to access an analysis of the uncertainties of the encoded information
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Super résolution multi-échelle d'images 3D en sciences des matériaux
No full textLes développements récents des techniques d’imagerie et de l’analyse computationnelle modifient profondément la manière dont les sciences des matériaux sont abordées.L’image des matériaux est passée d’une résolution à l’échelle microscopique à une véritable échelle nanométrique pour analyser les défauts et les détails aux interfaces des matériaux. Ainsi, cette thèse traite du problème de la super-résolution (SR) afin de reconstruire les images de matériaux en haute résolution, par exemple à l’échelle nanométrique. Pour atteindre ce but, cette thèse explore plusieurs approches de la SR pour les images de matériaux.Les algorithmes de super-résolution d’image unique (SISR) basés sur les patchs ont été remarqués et largement utilisés au cours de la dernière décennie. Récemment, les modèles de mélange gaussien généralisé (GGMM) se sont révélés être un outil approprié pour de nombreux problèmes de traitement d’images en raison de la flexibilité de leur paramètre de forme. Dans un premier temps, nous proposons d’utiliser un GGMM conjoint appris à partir de vecteurs concaténés de patchs d’entraînement à haute et basse résolution pour réaliser une image en super-résolution basée sur la technique de minimum mean square error (MMSE). Malheureusement, la dimension des échantillons concaténés est trop élevée pour l’apprentissage des modèles de mélange tels que le modèle de mélange gaussien et le GGMM.Nous proposons alors ces deux modèles: modèle de mélange gaussien (GMM) et GGMM avec une réduction de la dimensionnalité des données dans chaque composante du modèle par analyse en composantes principales. Ces modèles sont appelés respectivement PCAGMM et PCA-GGMM. Pour apprendre les paramètres (de faible dimension) du modèle de mélange, nous proposons deux algorithmes EM différents dont l’étape M nécessite la résolution de problèmes d’optimisation sous contrainte. Ensuite, nous appliquons nos PCA GMM et PCA-GGMM pour la super-résolution d’images de matériaux 2D et 3D en nous basant sur la méthode MMSE pour le modèle GGMM.De plus, l’étude des données matérielles devient diffcile car les images HR et LR ont un contraste différent. Dans notre dernière contribution, nous étudions une approche d’apprentissage profond considérant le problème du changement de contraste dans les images de matériaux. En effet, nous proposons un réseaux antagonistes génératif (GAN) composé de deux générateurs, chacun répondant à une tâche différente. Le premier générateur traite le problème des changements de contraste, et le second se concentre sur la reconstruction des hautes fréquences du SR.Toutes les méthodes proposées conduisent à des résultats convaincants, tant quantitatifs que visuels. En particulier, les résultats numériques des méthodes de réduction de la dimensionnalité confirment une influence modérée de la réduction de la taille sur les résultats globaux de la SR.Recent developments in imaging techniques and computational analysis deeply modify the way materials sciences. The materials image has moved from microscale resolution to true nanoscale to analysis the defects and details at the interfaces of the materials.Thus, this thesis deals with the super-resolution (SR) problem in order to reconstruct the materials images in the high-resolution for instance the nanoscale resolution. To reach this goal, this thesis explores several SR approaches for materials images.Single Image Super-Resolution (SISR) algorithms based on patch-based have been noticed and widely used over the past decade. Recently, Generalized Gaussian Mixture Models (GGMMs) have shown to be a suitable tool for many image processing problems due to the flexible shape parameter. In the first place, we propose using a joint GGMM learned from concatenated vectors of high and low resolution training patches to do super-resolution image based on the minimum mean square error (MMSE) method.Unfortunately, the dimension of the concatenated samples is too high for the learning of the mixture models such as Gaussian mixture model and GGMM. Then we propose these two models Gaussian mixture model (GMM) and GGMM with a reduction of the dimensionality of the data in each component of the model by principal component analysis.These models are called to as PCA-GMM and PCA-GGMM, respectively. To learn the (low dimensional) parameters of the mixture model we propose two different expectationmaximization (EM) algorithms whose M-step requires the solution of constrained optimization problems. Then we apply our PCA-GMM and PCA-GGMM for the super-resolution of 2D and 3D material images based on the MMSE method for the GGMM model.In addition, the study of the material data becomes difcult because the HR and LR images have a different contrast. In our last contribution, we study a deep learning approach considering the problem of contrast change in material images. Indeed, we propose a generative adversarial network (GAN) within two generators, each responding to a different task. The frst generator deals with the problem of contrast changes, and the second one focuses on the reconstruction of the high frequencies of the SR.All the proposed methods lead to convincing results, both quantitative and visual. Especially the numerical results of the dimensionality reduction methods confrm a moderate influence of the size reduction on the overall SR results
Apport de l’analyse temps-fréquence combinée à l’analyse de formes pour le traitement ISAR
No full textDans le cadre de la surveillance maritime, les opérationnels ont de plus en plus recours à l'imagerie radar pour classifier à grande distance un objet marin. Le traitement ISAR (Inverse Synthetic Aperture Radar) répond à ce besoin. Il repose en particulier sur l'analyse des mouvements propres de l'objet marin. Une fois l'objet détecté, il s'agit d'afficher sur la console tactique la représentation de la fréquence Doppler en fonction de la distance, aussi appelée image range-Doppler. Le travail présenté dans ce mémoire s'inscrit dans une perspective d'évolution opérationnelle de la chaîne de traitement existante. Il vise à produire de manière automatique la « meilleure » image range-Doppler. Dans cette thèse, nos contributions s'appuient sur l'idée de reconsidérer la chaîne de traitement en tenant compte de l'a priori que l'objet marin est un objet rigide dont la géométrie structure l'évolution du signal radar. Ainsi, dans une première contribution, nous proposons une nouvelle méthode d'analyse temps-fréquence du signal radar afin d'obtenir une image instantanée où l'opérationnel peut distinguer « au mieux » les superstructures de l'objet marin. Cette dernière est fondée sur la fusion de plusieurs représentations temps-fréquence issues de la classe de Cohen en faisant l'hypothèse que les composantes temps-fréquence sont des trajectoires structurées 2D dans le plan temps-fréquence, contrairement aux termes d'interférences induits par la propriété de bilinéarité des membres de cette classe. Une étude comparative sur données synthétiques et ISAR est menée pour confirmer la pertinence de notre approche, notamment du point de vue de la résolution temps-fréquence et de la suppression des termes d'interférences.Dans une seconde contribution, nous établissons une nouvelle procédure pour qualifier chaque image range-Doppler, obtenue à l'issue de l'analyse temps-fréquence, avec des mesures d'irrégularité de formes que nous fusionnons à l'aide d'un opérateur d'agrégation. Des simulations sur données réelles sont réalisées. Les résultats concordent avec une analyse subjective menée par des opérationnels, ce qui confirme l'efficacité de notre méthode.In maritime surveillance, radar imaging plays a key role to classify a maritime object. ISAR processing is one of the solutions, which takes advantage of the object rotational motion to provide a range-Doppler image.The work, presented in this report, is an evolution of the existing ISAR processing chain. Therefore, our contributions are based on the processing chain reconsideration by taking into account the fact that the maritime object is a rigid object, the geometry of which influences the radar signal evolution.In a first contribution, we propose a new time-frequency analysis method based on the aggregation of some time-frequency representations obtained with Cohen class members. It consists in differentiating the signal, assumed to be characterized by 2-D near-linear stable trajectories in the time-frequency plane, and the cross-terms, assumed to be geometrically unstructured. A comparative study is then carried out on ISAR synthetic data to confirm the efficiency of our approach.In a second contribution, we present a new procedure to characterize each range-Doppler image, obtained from a time-frequency analysis, by means of shape irregularity measures that are combined with a fuzzy logic operator. To validate our approach, simulations on real data are done. The results are compared to a subjective analysis carried out with practionners
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
- …
