Accès direct au contenu

MATH

Version anglaise

aide

Accueil > Formations > Master MVA > Présentation des cours

Théorie de la détection et ses applications industrielles

Description of the course :

Préambule

Cela fait assez longtemps que notre équipe au Centre Borelli est confrontée à une majorité de problèmes industriels dont le but final est la détection d'objets ou d'événements dans des images ou des séries d'images. Nous avons de plus en plus d'élèves en thèse sur ce sujet, et 

nous sentons le besoin de proposer la formation adéquate dans le MVA, où le sujet n'est pas réellement traité. En effet les cours de reconnaissance des formes du MVA sont orientés vers la classification et l’apprentissage profond. Or classification n'est pas détection, la détection se caractérisant généralement par le défaut d'exemples en nombre suffisant pour se ramener à un problème classificatoire. C'est particulièrement le cas pour la détection d'anomalies dans les pièces industrielles,  ou la détection d’évènements inattendus dans une vidéo ou une série d’images satellitaires, sujets sur lesquels nous avons maintenant accès à une vaste gamme de problèmes réels.




Une classe très importante de cas que nous traitons sont liés à l'explosion de l'imagerie satellitaire récurrente, qui fournit des séries temporelles (lacunaires) de tout point de la terre. L'apprentissage par l'exemple est notoirement impossible en raison de la variabilité des séries, de leur nombre quand même limité et de l'impossibilité de disposer d'une annotation fiable. 

Pour donner une idée de la variété des partenaires industriels impliqués actuellement, mentionnons Kayrros (détection d'événements en imagerie radar et optique satellitaire), Tarkett et SURYS (anomalies d'impression), Visionairy (anomalies dans une vaste gamme de pièces industrielles, verres optiques, etc.), Office of Naval Research (détection de réflecteurs cohérents en imagerie SAR), Agence France Presse et Police Nationale (détection de falsifications d'images et vidéo). Précisons par exemple que l’application de la détection de falsification d’images par apprentissage profond est un échec, et que les méthodes que nous expliquerons dans le cours fonctionnent.




Positionnement dans le MVA: le cours Deep learning introduit à la classification et il en est de même du cours Object recognition and computer vision.  Le cours Méthodes stochastiques pour l'analyse d'images aborde les modèles a contrario dans la seconde partie d’une seule séance, donc il y aura un petit recouvrement avec le cours proposé. Les méthodes classiques de traitement d’images que nous utiliserons (recalage et flot optique par exemple) seront introduites avec plus ou moins de détail selon les connaissances des élèves, qui auront pu les acquérir en école ou dans les cours du MVA introduisant au traitement d’images, (par exemple le cours  Introduction à l'imagerie numérique)


Objectifs de formation

Le but du cours est d’entraîner les élèves à une discipline qui semble être une des applications les plus fréquentes de l’analyse d’images, de vidéo et de séries temporelles, la détection.  Celle-ci peut se décliner par exemple comme: 




-détection de structure géométrique spécifique (alignements, disques, ellipses, points de fuite)

-détection d’anomalie dans une pièce industrielle

-recalage d’images et reconnaissance des zones de visibilité

-détection de nuages en imagerie satellitaire

-détection d’événements disruptifs (chantiers, défrichements,...) dans une série temporelle d’images satellitaires

-détection de petits objets sur des fonds mouvants

-détection de bavures d’impression

-détection de falsifications d'images




Ces exemples applicatifs et d’autres seront traités dans le cours pour montrer qu’on peut passer directement à l’application réelle par l’usage flexible d’une théorie rigoureuse, impliquant toutefois une connaissance fine de la structure des images et vidéos.




Le cours enseignera donc  les éléments théoriques et la pratique du traitement d’images et de vidéo nécessaires pour mener à bien ce type de détection automatique (recalage, flot optique, échantillonnage, égalisation notamment).  La théorie de détection a contrario jouera un rôle central dans ce cours, comme l’indiquent les quelques 150 articles cités plus bas et l’utilisant pour la détection. En effet elle permet d’établir des seuils de détection prouvés a priori.




La difficulté de cette théorie qui mérite une formation, c’est que ses principes sont simples et facilement exposés, relevant d’éléments de statistique et de géométrie stochastique. Mais il faut apprendre à construire pour chaque problème de détection un modèle simple et adapté, appelé modèle de fond, ou modèle  a contrario. Il requiert systématiquement une analyse fine des données dites de fond du point de vue de leur échantillonnage, leur calibration, et de la validité de l’indépendance des variables stochastiques observées.  Aussi après un exposé des principes généraux, le cours s’appuiera sur une série d’études de cas détaillées. Le cours est propédeutique à la recherche et introduira aussi à des problèmes actuellement encore non résolus.


Organization :

  • Programme du cours

    1-Introduction: perception visuelle, théorie de la gestalt, discussion d’une définition de la vision humaine et animale

    2-La nature discrète des images: échantillonnage, théorie de  Shannon, les limites de l’information présente: bruit et flou, la théorie d’Attneave.

    3-Principes de statistique conduisant à la détection d’objets modélisables. Notion de p-value, de maximum de vraisemblance.  Exemples en reconnaissance des formes.

    4-Théorie a contrario: notion de modèle de fond, de NFA, (son lien avec le PFER), modélisation gaussienne du fond et de la forme à détecter (sur quelques exemples).

    5-Une problématique générique: la détection d’anomalies dans les images, les différentes théories en présence, l’apport de l’a contrario. On comparera notamment la théorie bayésienne basée sur des gaussiennes et mélanges gaussiens, la théorie basée sur la constitution de dictionnaires et l’hypothèse de parcimonie des données “normales”, et l’apport des méthodes non-locales pour réduire la complexité du problème.

    6-En particulier on comparera  sur des exemples les théories classiques de la détection d’anomalies en imagerie hyperspectrale, partant de la méthode RX et de ses extensions.

    7-Détection dans les séries temporelles: La problématique du recalage d’images et de la reconnaissance des répétitions.  Le recalage radiométrique.

    8-Applications à l’imagerie satellitaire récurrente, qui est un domaine actuellement en pleine explosion: détection de nuages, détection et catégorisation temporelle des changements (récurrents, définitifs, temporaires). 

    Déroulé du cours

     7 à 9 séances de trois heures décomposées en théorie + une analyse de cas. Les étudiants devront rendre régulièrement des exercices élucidant les points techniques du cours, faire des rapports expérimentaux (basés sur des articles IPOL avec démo en ligne), et ils devront aussi mener au moins une analyse approfondie d’un article de détection.


References :