Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
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 ...