La classification automatique d'images a de nombreuses applications dans le domaine du contrôle qualité, de la biométrie (reconnaissance de visages), de la médecine, de la bureautique (reconnaissance de caractères), de la géologie (reconnaissance de textures de sols), ...
Ce problème est particulièrement difficile pour les méthodes traditionnelles d'apprentissage supervisé principalement à cause du grand nombre de variables d'entrées qui servent à décrire les images (les pixels). Pour gérer ce problème de dimensionnalité, la classification d'images repose généralement sur un pré-traitement spécifique à chaque problème qui réduit sa complexité en extrayant des caractéristiques pertinentes. Celles-ci sont ensuite utilisées en entrée d'une méthode traditionnelle d'apprentissage automatique éventuellement ajustée pour l'application. Il résulte de cette approche qu'une variation des conditions d'acquisition des images ou l'apparition d'un nouveau sous-problème implique d'adapter manuellement le pré-traitement et ce pour chaque nouveau problème, en tenant compte des spécificités de l'application.
Parallèlement, les récentes avancées en apprentissage automatique ont fait apparaître des méthodes capables de traiter des problèmes de plus en plus complexes sans utiliser aucune information a priori sur le domaine d'application. Elles rivalisent souvent avec les méthodes propres à ces domaines qui, elles, résultent pourtant d'une adaptation importante au problème d'application.
Dans ce contexte, le but de ce travail est de poursuivre l'évaluation d'une méthode générique développée à l'ULg (voir l'article) sur un certain nombre de problèmes représentatifs de la classification d'images. Différentes variantes et combinaisons de techniques seront proposées à l'étudiant-e qui devra les valider et, à partir de cette étude, il/elle devra proposer des améliorations à la méthode.
La plupart des algorithmes sont déjà implémentés mais l'étudiant-e devra réaliser quelques développements plus spécifiques à la méthode d'extraction de sous-fenêtres. Des bases de données d'images prêtes à l'emploi seront fournies à l'étudiant (voir ci-dessous).
Profil souhaité: licence ou ingénieur en informatique. Connaissance du C.
Cours à option: Apprentissage inductif appliqué.
E-mail: Raphael.Maree@ulg.ac.be
Adresse:
Bureau R72, Bât. B28 Méthodes Stochastiques (Institut Montefiore)
Grande Traverse, 10
4000 Liège 1
