ChairesIA_2019_1 - Chaires de recherche et d'enseignement en Intelligence Artificielle - vague 1 de l'édition 2019

Apprentissage profond pour imagerie computationnelle avec nouvelles modalités d'images – DeepCIM

Résumé de soumission

L’imagerie numérique et computationelle fait part des technologies clé pour analyser et comprendre le monde qui nous entoure. Ce domaine connait des changements importants en raison de l’apparition de nouvelles modalités d’images comme les champs de lumière ou les images omni-directionnelles et des avancées impressionnantes en apprentissage et en particulier apprentissage profond. Cependant un certain nombre de défis scientifiques et technologiques restent à lever avant de pouvoir exploiter tout le potentiel de ces nouvelles technologies. La très grande quantité de données de grandes dimensions que représentent ces modalités d’images a une implication évidente sur les besoins de stockage mais aussi sur la possibilité d’apprendre des modèles physiques ou de signaux à partir des données. En effet, si ces données sont de très grande dimension, une très grande quantité de ces données est nécessaire pour apprendre les modèles. En raison des très grands volumes et de leur dimension, le nombre de variable augmente, rendant le traitement difficile. De plus, capturer ces données avec une résolution spatiale et angulaire suffisante et avec un faible niveau de bruit reste technologiquement difficile. Reconstruire la scène de telle sorte qu’elle puisse être observée de positions ou angles variant continument dans l’espace est un autre défi à adresser avant une large adoption dans les applications.

Le projet cherche à adresser ces défis en proposant des axes de recherche à la frontière entre traitement d’images, vision par ordinateur et apprentissage ou intelligence artificielle. Il porte sur la conception de modèles et d’algorithmes pour la réduction de dimensionnalité de données et pour résoudre des problèmes inverses en imagerie avec nouvelles modalités (champs de lumière et imagerie omni-directionnelle). Le projet est organisé autour de deux objectifs scientifiques. Le premier concerne le développement de méthode d’apprentissage pour la représentation et réduction de dimensionnalité des données. Ces méthodes regroupe l’apprentissage de modèles parcimonieux, faible rang, de modèles a priori de signaux dans des sous-espaces de dimension réduite. Cela inclut aussi la conception d’architecture (avec si possible peu de paramètres) pour la reconstruction des données à partir des représentations de faible dimension. Modéliser la distribution jointe des pixels d’une image naturelle est également nécessaire pour un certain nombre de traitements. C’est l’un des objectifs des modèles génératifs d’images, domaine récemment conquis par les approches d’apprentissage profond.

Notre objectif est, en s’appuyant sur ces modèles, de développer des algorithmes pour résoudre des problèmes inverses en imagerie avec les nouvelles modalités d’image (champs de lumière et imagerie omni-directionnelle). Résoudre ces problèmes inverses nécessite une connaissance a priori sur l’espace dans lequel résident les données, cette connaissance étant introduite sous forme de régularisation dans la résolution du problème. Les méthodes d’apprentissage profond conçues pour apprendre des priors sur le signal sont en train de révolutionner le domaine. L’objectif du projet est de proposer des solutions pouvant s’appliquer dans de nombreux secteurs d’applications dans le domaine de la photographie ou de la réalité virtuelle mais aussi des véhicules autonomes, de la surveillance grâce à l’information de géométrie inhérente aux données capturées, des sciences de la vie notamment via les applications en microscopie par champs de lumière ou en mécanique des fluide grâce aux possibilités qu'offrent ces modalités d'images en terme d’analyse de flots de particules

Coordination du projet

Christine Guillemot (Centre de Recherche Inria Rennes - Bretagne Atlantique)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

Inria Rennes - Bretagne Atlantique Centre de Recherche Inria Rennes - Bretagne Atlantique

Aide de l'ANR 513 881 euros
Début et durée du projet scientifique : août 2020 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter