Apprentissage artificiel pour la segmentation d'image

Machine learning for image segmentation

• Auteur / Autrice : Kaiwen Chang
• Direction : Jesús Angulo López, Bruno Figliuzzi
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance le 10/12/2019
• Etablissement(s) : Paris Sciences et Lettres (ComUE)
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de morphologie mathématique (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Nicolas Passat
• Jury : Examinateurs / Examinatrices : Jesús Angulo López, Bruno Figliuzzi, David Legland
• Jury : Rapporteur / Rapporteuse : Eva Dokladalova, Filip Malmberg

Mots clés

Mots clés contrôlés

Explorations de graphes

Apprentissage automatique

Mots clés libres

Segmentation d'image

Superpixel

Apprentissage automatique

Equation eikonale

Fast marching

Graphe

Image Segmentation

Superpixel

Machine learning

Eikonal equation

Fast marching

Graph

Résumé

La présente thèse vise à développer une méthodologie générale basée sur des méthodes d’apprentissage pour effectuer la segmentation d’une base de données constituée d’images similaires, à partir d’un nombre limité d’exemples d’entraînement. Cette méthodologie est destinée à être appliquée à des images recueillies dans le cadre d’observations de la terre ou lors d’expériences menées en science des matériaux, pour lesquelles il n’y a pas suffisamment d’exemples d’entraînement pour appliquer des méthodes basées sur des techniques d’apprentissage profond. La méthodologie proposée commence par construire une partition de l’image en superpixels, avant de fusionner progressivement les différents superpixels obtenus jusqu’à l’obtention d’une segmentation valide. Les deux principales contributions de cette thèse sont le développement d’un nouvel algorithme de superpixel basé sur l’équation eikonale, et le développement d’un algorithme de fusion de superpixels basé sur une adaptation de l’équation eikonale au contexte des graphes. L’algorithme de fusion des superpixels s’appuie sur un graphe d’adjacence construit à partir de la partition en superpixels. Les arêtes de ce graphe sont valuées par une mesure de dissimilarité prédite par un algorithme d’apprentissage à partir des caractéristiques de bas niveau calculées sur les superpixels. A titre d’application, l’approche de segmentation est évaluée sur la base de données SWIMSEG, qui contient des images de nuages. Pour cette base de données, avec un nombre limité d’images d’entraînement, nous obtenons des résultats de segmentation similaires à ceux de l’état de l’art.

In this PhD thesis, our aim is to establish a general methodology for performing the segmentation of a dataset constituted of similar images with only a few annotated images as training examples. This methodology is directly intended to be applied to images gathered in Earth observation or materials science applications, for which there is not enough annotated examples to train state-of-the-art deep learning based segmentation algorithms. The proposed methodology starts from a superpixel partition of the image and gradually merges the initial regions until anactual segmentation is obtained. The two main contributions described in this PhD thesis are the development of a new superpixel algorithm which makes use of the Eikonal equation, and the development of a superpixel merging algorithm steaming from the adaption of the Eikonal equation to the setting of graphs. The superpixels merging approach makes use of a region adjacency graph computed from the superpixel partition. The edges are weighted by a dissimilarity measure learned by a machine learning algorithm from low-level cues computed on the superpixels. In terms of application, our approach to image segmentation is finally evaluated on the SWIMSEG dataset, a dataset which contains sky cloud images. On this dataset, using only a limited amount of images for training our algorithm, we were able to obtain segmentation results similar to the ones obtained with state-of-the-art algorithms.