Apprentissage de dictionnaires structurés pour la modélisation parcimonieuse des signaux multicanaux
Auteur / Autrice : | Sylvain Lesage |
Direction : | Frédéric Bimbot |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du signal et télécommunications |
Date : | Soutenance en 2007 |
Etablissement(s) : | Rennes 1 |
Résumé
Les décompositions parcimonieuses décrivent un signal comme combinaison d'un petit nombre de formes de base, appelées atomes. Le dictionnaire d'atomes, crucial pour l'efficacité de la décomposition, peut résulter d'un choix a priori (ondelettes, Gabor,. . . ) qui fixe la structure du dictionnaire ou d'un apprentissage à partir d'exemples représentatifs du signal. Nous proposons ici un cadre hybride combinant des contraintes structurelles et une approche par apprentissage. Les dictionnaires ainsi structurés apportent une meilleure adaptation aux propriétés du signal et permettent de traiter des volumes importants de données. Nous exposons les concepts et les outils qui étayent cette approche, notamment l'adaptation des algorithmes Matching Pursuit et K-SVD à des dictionnaires d'atomes constitués de motifs linéairement déformables, via une propriété d'adjonction. Nous présentons également des résultats de séparation de signaux monocanaux et multicanaux dans le cadre proposé.