BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen - ECPv5.7.0//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
X-ORIGINAL-URL:https://www.greyc.fr
X-WR-CALDESC:évènements pour GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230504T140000
DTEND;TZID=Europe/Paris:20230504T150000
DTSTAMP:20260423T022223
CREATED:20230207T194308Z
LAST-MODIFIED:20230413T065557Z
UID:11092-1683208800-1683212400@www.greyc.fr
SUMMARY:Séminaire IMAGE : « Analyse de grandes banques d’images par Intelligence Artificielle et Morphologie Mathématique » (Guillaume Noyel)
DESCRIPTION:Nous aurons le plaisir d’écouter Guillaume Noyel Enseignant-Chercheur à l’Université J. Monnet\, St-Etienne\, (Télécom St-Etienne\, Labo. Hubert Curien).\nIl donnera un séminaire IMAGE\, le jeudi 04 mai 2023\, à 14h00\, en salle de séminaire F-200.\nTitre : Analyse de grandes banques d’images par Intelligence Artificielle et Morphologie Mathématique\nRésumé : \nAvec l’intensification de l’imagerie numérique depuis quelques dizaines d’années\, de grandes banques\nd’images ont été constituées notamment en santé (Noyel et al.\, 2017)\, dans l’industrie (Noyel\, 2021)\,\nou pour la détection satellitaire (Noyel\, Angulo and Jeulin\, 2010). L’intelligence artificielle s’avère très\nutile pour l’analyse de ces banques d’images. Nous verrons qu’il est cependant nécessaire de prendre\nquelques précautions avant d’appliquer de telles méthodes. En effet\, les images de ces banques ont\nun point commun : leur prise de vue est contrainte par les conditions d’acquisition comme le\nmouvement\, un éclairement non uniforme\, les changements d’opacité de l’objet\, le bruit d’acquisition\,\netc. Ceci a pour conséquence de créer des variations inhomogènes et locales de contraste dans les\nimages. Peu de méthodes de traitement d’images y compris celles par intelligence artificielle prennent\nen compte ces variations. Afin de résoudre ce problème\, un modèle adapté aux images peu\ncontrastées\, à savoir le Logarithmic Image Processing (LIP) sera présenté (Jourlin\, 2016). Ce modèle\nfondé sur la physique\, possède de très bonnes propriétés optiques pour traiter ces images. Grâce au\nmodèle LIP\, de nouvelles méthodes de détection de formes robustes à ces changements de contraste\nseront introduites : à savoir\, les métriques d’Asplund entre fonctions (Noyel and Jourlin\, 2020). Or\, il\nexiste un corpus mathématique bien établi pour l’analyse des fonctions : la Morphologie\nMathématique. Après un rappel des fondamentaux\, ces méthodes seront reliées à ce corpus grâce à\ndes opérateurs morphologiques (Noyel\, 2019). Nous montrerons ensuite comment introduire ces\nopérateurs en intelligence artificielle (Noyel et al.\, 2022). Les méthodes d’apprentissage\nstatistique gagneront ainsi une propriété de robustesse intrinsèque aux variations de contraste avec\nune cause physique ; ce qui sera très utile pour l’analyse des grandes banques d’images notamment\nen santé.\nBibliographie :\n* Jourlin\, M. (2016) Logarithmic Image Processing: Theory and Applications. Elsevier.\n* Noyel\, G. et al. (2017) ‘Superimposition of eye fundus images for longitudinal analysis from large public health databases’\, Biomedical Physics & Engineering Express\, 3(4)\, p. 045015. doi: 10.1088/2057-1976/aa7d16.\n* Noyel\, G. (2019) ‘Logarithmic Mathematical Morphology: A New Framework Adaptive to Illumination Changes’\, in Fierrez\, J. and Morales\, A. (eds) Lecture Notes in Computer Science. Cham: Springer International Publishing (Progress in Pattern Recognition\, Image Analysis\, Computer Vision\, and Applications)\, pp. 453–461. doi: 10.1007/978-3-030-13469-3_53.\n* Noyel\, G. (2021) Analyse morphologique et logarithmique de grandes banques d’images. Habilitation à Diriger des Recherches\, Université de Reims Champagne Ardenne. https://tel.archivesouvertes.fr/tel-03343079.\n* Noyel\, G. et al. (2022) ‘Logarithmic Morphological Neural Nets Robust to Lighting Variations’. Springer\, Cham\, pp. 462–474. doi: 10.1007/978-3-031-19897-7_36.\n* Noyel\, G.\, Angulo\, J. and Jeulin\, D. (2010) ‘A new spatio-spectral morphological segmentation for multispectral remote-sensing images’\, International Journal of Remote Sensing\, 31(22). doi: 10.1080/01431161.2010.512314.\n* Noyel\, G. and Jourlin\, M. (2020) ‘Functional Asplund metrics for pattern matching\, robust to variable lighting conditions’\, Image Analysis & Stereology\, 39(2)\, pp. 53–71. doi: 10.5566/ias.2292.
URL:https://www.greyc.fr/event/seminaire-image-analyse-de-grandes-banques-dimages-par-intelligence-artificielle-et-morphologie-mathematique-guillaume-noyel/
LOCATION:ENSICAEN – Batiment F – Salle F-200\, 6 Bd Maréchal Juin\, Caen\, 14050\, France
CATEGORIES:General,Image,Seminaire Image
END:VEVENT
END:VCALENDAR