MICHEL
Olivier
Professor, Grenoble Institute of Technology
Research
My main fields of interest are centered on signal processing and some applications in physics where SP is a central problem.
Some of  my research topics:
  • Array processing, time delay of arrival estimation, extension of high resolution methods to the case of wide band signal processing (PhD)
  • Non stationnary  and non gaussian time series analysis, higher order statistics and chaos (with P.Flandrin)
  • Information content and retrieval in time-frequency representations (with P.Flandrin and R. Baraniuk)
  • Turbulent signal analysis and modeling (with C. Baudet).
  • Detection and classification of astrophysical data. Graph theory. (Astrophysics lab UMR Fizeau, NICE)
  • Unsupervised methods for clustering data, using MST and information theoretic approaches (Collab. A.O. Hero, U. of Michigan)
  • Graphical models and directional information transfer (collab. PO.Amblard)
  • Applications of sensor networks for passive monitoring, application in SHM (with CEA-LETI)
  • Bayesian approaches, application to astrophysical signal processing (collab F. Chatelain, H. Ayasso)
  • Sub-Nyquist sampling, compressed sensing and application in sensor networks
  • ...

A better overview of my research activities is given by my publications or the projects into which I am involved.

***************************

A few words about some of my recent topics of interest :

A- Minimal spanning trees and applications to information theory and segmentation.
    L’utilisation de représentation par graphes de données multi-dimensionnelle permet d’une part de proposer de nouveaux estimateurs d’entropie et de divergence informationnelle et d’autre part, de proposer des métriques induites par ces graphes et leurs algortihmes de construction. Ces dernières ouvrent de nombreuses possibilités d’application en segmentation non ou semi-supervisée.
Mots clés : divergence informationnelle, graphes, clustering, réduction de dimension.
 
B-    Passive Tomography
    Ce projet s’appuie sur les possibilités d’estimer les fonctions de Green d’un système par l’étude des fonctions d’inter-corrélation d’un ensemble de capteurs immergés dans un milieu de propagation et seulement soumis aux bruits naturels. Les applications visées concernent essentiellement le diagnostic de structure à partir d’observations passives (pas d’excitations contrôlées).
Mots clés : fonction de Green, MDS, retournement de phase temporel.

C- Applications and development of ‘compressive sensing’ approaches for multiple sensors or sensor network based data processing
    Ce travail consiste à étudier et développer des méthodes de ‘compressive sensing’ permettant –sous certaines conditions-  de reconstruire des signaux à partir d’un très petit nombre d’échantillons (très infèrieur au nombre donné e.g. par le critère de Shannon Nyquist). L’objectif est de proposer des capteurs qui exploitent directement ces possibilités dans un contexte de stratégie d’obsrvation à partir de capteurs simples mais nombreux.
Mots  clés : instrumentation à capteurs multiples, redondance, compressed sensing, sparsity.
 
D- Causal dependace estimation, directed information theory
    Il s'agit de proposer une mesure de dépendance causale ou dirigée d'un point de vue théorique mais aussi pratique, au sens où les grandeurs proposées doivent pouvoir être estimées à partir d'ensemble d'observations. Le rôle du conditionnement des mesures de dépendances à la présence d'observations complémentaires (une tierce série temporelle par exemple) est crucial et peut conduire à des résultats contradictoires dans les tests de dépendance dirigée. Plusieurs propositions sont étudiées dans un contexte non paramétrique, qui conduisent à la notion de 'dépendance dirigée causalement conditionnelle', visant à fournir un outils d'estimation de graphes de dépendances entre divers systèmes ou  signaux.
Mots clés : Entropie, information dirigée, information conditionnelle, dépendance causale conditionnelle.
 
E- Intelligent sensor networks, auto-localization.
    Objectif technique : auto-localisation passive (absence de sources contrôlées) d’un réseaux de capteurs Objectif applicatif : reconstruction de géométrie du réseaux, monitoring de structures; surveillance de l’environnement du réseau.

F- Signal Processing on graph, graph estimation
    The purpose is twofold. Either we already have an underlying known structure to be exploited for further tasks (segmentations, modal décompositions, filtering), or we only have a set pf multidimensional observed data from which the graph has to be inferred.
Ingerring a graph structure is a problem that was broadly studied and for which many approaches were proposed, moslty relying on second orer statistics. Unfortunately, most methods cannot tackle a large number of nodes. In the context of fMRI, we have proposed some methods that deal with these estimation problems, while providing a means for detecting graph structural differences between patient groups. 

Grenoble Images Parole Signal Automatique laboratoire

UMR 5216 CNRS - Grenoble INP - Université Joseph Fourier - Université Stendhal