Architecture-Géométrie, Perception, Images, Gestes
Responsable(s) d'équipe : Isabelle SIVIGNON, Michèle ROMBAUT
L'équipe Architecture, Géométrie, Perception, Images, Gestes (AGPiG) développe des algorithmes pour la modélisation géométrique, l’analyse d’images et de vidéos.
Cette équipe est organisée en 3 axes : Adéquation-Algorithme-Architecture, Géométrie et formes, Perception et analyse d'images.
Présentations de l'équipe :
Français (pdf, 260 ko)
English (pdf, 260 ko)
Les principaux thèmes de recherche abordés dans les trois axes de l'équipe :
Traitement des images : développement de méthodes génériques (amélioration, segmentation, reconnaissance, classification, suivi, mesures, etc) et mise en oeuvre dans des applications variées (images hyperspectrales, vidéos de personnes et de visages et données multimédia).
| |
---|---|
Algorithmes et architectures : nouveaux algorithmes en géométrie, topologie et optimisations convexes avec garanties ; bornes sur la complexité ; méthodologies pour faciliter l’implémentation parallèle d’algorithmes pour les images ; architecture parallèle en technologie 3D. | |
(Re)constructions et problèmes inverses : Plongements isométriques du tore plat en 3D ; reconstruction de signaux impulsionnels ; conditions d’échantillonnage pour des reconstructions topologiquement correctes de formes ; parallélisation de la reconstruction tomographique. | |
Modélisation des objets et des images : schémas de subdivision pour les surfaces ; graphes avec contraintes pour la segmentation ; descripteurs pour les images et les objets dans les images (visages, personnes, etc). | |
Perception : mesures objectives de la qualité (pour vidéos, images stéréoscopiques, maillages) ; modèles de saillance prenant en compte les aspects temporels, couleurs, sonores avec implémentation parallèle ; mise au point d’un système de substitution visio-auditive. |
Logiciels:
modèle de saillance visuelle temps-réel
Study of naturalness in tone-mapped images
Quyet Tien Le, Patricia Ladret, Huu-Tuan Nguyen, Alice Caplier. Study of naturalness in tone-mapped images. Computer Vision and Image Understanding, Elsevier, 2020, 196, pp.102971. ⟨10.1016/j.cviu.2020.102971⟩. ⟨hal-02568771⟩
Improving Localization of Deep Inclusions in Time-Resolved Diffuse Optical Tomography
David Orive-Miguel, Lionel Hervé, Laurent Condat, Jerome Mars. Improving Localization of Deep Inclusions in Time-Resolved Diffuse Optical Tomography. Applied Sciences, MDPI, 2019, ⟨10.3390/app9245468⟩. ⟨hal-02476617⟩
Adaptive early classification of temporal sequences using deep reinforcement learning
Coralie Martinez, Emmanuel Ramasso, Guillaume Perrin, Michèle Rombaut. Adaptive early classification of temporal sequences using deep reinforcement learning. Knowledge-Based Systems, Elsevier, 2019, ⟨10.1016/j.knosys.2019.105290⟩. ⟨hal-02401099⟩