Centre de documentation
scientifique

Machine learning for image segmentation / Kaiwen Chang (2019)  

Public Titre : Machine learning for image segmentation Titre original : Apprentissage artificiel pour la segmentation d'image Type de document : Thèse/HDR Auteurs : Kaiwen Chang, Auteur ; Jesus Angulo lopez, Directeur de thèse ; Jesus Angulo lopez, Directeur de thèse ; Bruno Figliuzzi, Directeur de thèse Editeur : Paris : Université Paris Sciences et Lettres Année de publication : 2019 Importance : 155 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat de l'Université PSL, Spécialité : Morphologie Mathématique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage automatique [Termes IGN] base de données d'images [Termes IGN] graphe [Termes IGN] morphologie mathématique [Termes IGN] optique géométrique [Termes IGN] rayonnement lumineux [Termes IGN] segmentation d'image [Termes IGN] segmentation par graphes d'adjacence de régions [Termes IGN] superpixel Index. décimale : THESE Thèses et HDR Résumé : (auteur) 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 based segmentation algorithms. The proposed methodology starts from a superpixel partition of the image and gradually merges the initial regions until anactual segmentation is obtained. The two main contributions described in this PhD thesis are the development of a new superpixel algorithm which makes use of the Eikonal equation, and the development of a superpixel merging algorithm steaming from the adaption of the Eikonal equation to the setting of graphs. The superpixels merging approach makes use of a region adjacency graph computed from the superpixel partition. The edges are weighted by a dissimilarity measure learned by a machine learning algorithm from low-level cues computed on the superpixels. In terms of application, our approach to image segmentation is finally evaluated on the SWIMSEG dataset, a dataset which contains sky cloud images. On this dataset, using only a limited amount of images for training our algorithm, we were able to obtain segmentation results similar to the ones obtained with state-of-the-art algorithms. Note de contenu : 1- Introduction 2- Fast marching based superpixels 3- Hierarchical segmentation based on wavelet decomposition 4- Learning similarities between regions 5- Region merging 6- Application Conclusion and perspectives Numéro de notice : 25837 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Morphologie Mathématique : Paris Sciences et Lettres : 2019 Organisme de stage : Centre de Morphologie Mathématique (Mines ParisTech) nature-HAL : Thèse DOI : sans En ligne : https://hal.archives-ouvertes.fr/tel-02510662 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95191