Sélection de modèle : application à la reconstruction en signal-image.

par Benjamin Harroue

Projet de thèse en Automatique, Productique, Signal et Image, Ingénierie cognitique

Sous la direction de Jean-François Giovannelli et de Marcelo Pereyra.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde) , en partenariat avec Laboratoire de l'Intégration du Matériau au Système (laboratoire) et de SPECTRAL (equipe de recherche) depuis le 14-11-2016 .


  • Résumé

    Le sujet est centré sur l'inversion en signal et image. Il s'agit de reconstruire des objets (signal, image, volume, vidéo) à partir d'observations. Ces objets ont subi des dégradations, modélisées par une transformée et un bruit. Les données sont ainsi corrompues (manque d'informations), on parle alors de problèmes mal-posés. La prise en compte d'informations supplémentaires devient nécessaire pour retrouver l'objet d'intérêt, on parle de régularisation. Cette étude porte sur l'aspect sélection de modèle. Le terme modèle regroupe de nombreuses notions : il peut s'agir de lois de probabilité pour le bruit ou pour l'objet, de réponses instruments, l'ordre d'un processus AR, etc. La sélection de modèle consiste à retrouver le vrai modèle. Dans nos démarches, nous sélectionnerons celui ayant la plus forte probabilité. Cette probabilité nécessite le calcul d'une intégrale appelée évidence. Une partie conséquente du travail concernera ce calcul (analyse de l'existant, nouvelle méthode, approximation, etc.), souvent très difficile.

  • Titre traduit

    Reconstruction and segmentation for signal and image processing


  • Résumé

    This PhD subject concerns signal and image inversion. The goal is to recover objects (signal, image, volume, video) from observed data. These objects have been damaged, which is modeled by a transform and a noise. Therefore the data lack information : it's a ill-posed problem. Extra information is then requisite in order to recover the original object : it's a regularization process. My research is devoted to model selection. A lot of notions can fit into the word "model" : it can be noise or object probability laws, instrument response, etc. The main goal of model selection is to retrieve the true model. In our case, we will choose the model with the highest probability. This probability depends on the computation of an integral called evidence. A major part of this work is dedicated to this computation, which can be quite tough.