les Thèses Soutenues à l'USTO MB
vous cherchez une thèse?
A partir de cette page vous pouvez :
Retourner au premier écran avec les dernières notices... | Votre compte |
Détail de l'auteur
Auteur AARIZOU Kawther
Documents disponibles écrits par cet auteur
Faire une suggestion Affiner la rechercheReconstruction d’images en super-résolution basée sur des méthodes d’apprentissage artificiel / AARIZOU Kawther
Titre : Reconstruction d’images en super-résolution basée sur des méthodes d’apprentissage artificiel Type de document : document électronique Auteurs : AARIZOU Kawther, Auteur Année de publication : 2021-2022 Accompagnement : CD Langues : Français (fre) Catégories : Electronique:Systèmes intelligents et robotique Mots-clés : unsupervised single-image super-resolution, internal learning, image-specific super resolution, data-augmentation, kernel estimation Résumé : Les méthodes de reconstruction en Super-Résolution basées sur l’apprentissage automatique reposent sur l’élaboration d’un réseau neuronal artificiel capable de transformer une image à faible résolution en une autre plus détaillée de haute résolution. Durant son apprentissage le réseau est exposé à un large jeu de donnée de plusieurs milliers d’images, plus précisément, de combinaisons d’images de haute et faible résolution où chaque image dégradée est associée à sa version de meilleure qualité afin de superviser le processus d’apprentissage. Les bases de données d’entraînement dédiées à la reconstruction SR (i.e. Super Résolution) comprennent des images naturelles et photographiques censés représenter un maximum de structures et d’information réelles. Malgré le grand nombre de travaux récents dans le domaine de la reconstruction SR
par réseaux convolutifs, profonds, l’apprentissage des paramètres du réseau reste guidé par des mesures de performance quantitatives n’incluant pas la connaissance du matériel d’acquisition ni de la scène réelle. Ces réseaux ont recours à de larges ensembles de données durant l’apprentissage afin de palier le mauvais conditionnement de la reconstruction SR. Néanmoins, ceci crée rapidement un compromis dans la mesure où ces ensembles de données ne décrivent pas particulièrement les cas réels. Ce type d’apprentissage requière une connaissance préalable du modèle de dégradation car il intervient directement dans la génération des données d’apprentissage. Le réseau apprend alors à inverser le modèle de dégradation pour reconstruire l’image de haute résolution en partant de l’image de basse résolution et en rajoutant progressivement des détails visuel (pixels) pour atteindre le résultat souhaité.
Les recherches dans ce domaine s’efforcent de construire de meilleures représentations du cas réel et de créer des modèles capables d’apprendre ces représentations à partir des données disponibles observées. L’objectif de cette thèse est de développer des méthodes permettant d’intégrer des à priori dans les réseaux de neurones profonds, en ciblant particulièrement le facteur de flou réel engendré par l’appareil d’acquisition. Notre première contribution repose sur un mécanisme d’exploitation de l’autosimilarité d’une image dans la procédure de l’apprentissage automatique
du réseau neuronal. Plusieurs observation en faveurs des base de données internes ont été validées dans ce travail, éventuellement d’autres qui concernent la validation quantitative et qualitative des images naturelles. Dans ce même contexte, notre deuxième contribution propose un algorithme d’estimation stochastique des paramètres de dégradation qui conditionnement efficacement le caractère mal posé de la reconstruction SR.
Directeur de thèse : LOUKIL Abdelhamid Reconstruction d’images en super-résolution basée sur des méthodes d’apprentissage artificiel [document électronique] / AARIZOU Kawther, Auteur . - 2021-2022 . - + CD.
Langues : Français (fre)
Catégories : Electronique:Systèmes intelligents et robotique Mots-clés : unsupervised single-image super-resolution, internal learning, image-specific super resolution, data-augmentation, kernel estimation Résumé : Les méthodes de reconstruction en Super-Résolution basées sur l’apprentissage automatique reposent sur l’élaboration d’un réseau neuronal artificiel capable de transformer une image à faible résolution en une autre plus détaillée de haute résolution. Durant son apprentissage le réseau est exposé à un large jeu de donnée de plusieurs milliers d’images, plus précisément, de combinaisons d’images de haute et faible résolution où chaque image dégradée est associée à sa version de meilleure qualité afin de superviser le processus d’apprentissage. Les bases de données d’entraînement dédiées à la reconstruction SR (i.e. Super Résolution) comprennent des images naturelles et photographiques censés représenter un maximum de structures et d’information réelles. Malgré le grand nombre de travaux récents dans le domaine de la reconstruction SR
par réseaux convolutifs, profonds, l’apprentissage des paramètres du réseau reste guidé par des mesures de performance quantitatives n’incluant pas la connaissance du matériel d’acquisition ni de la scène réelle. Ces réseaux ont recours à de larges ensembles de données durant l’apprentissage afin de palier le mauvais conditionnement de la reconstruction SR. Néanmoins, ceci crée rapidement un compromis dans la mesure où ces ensembles de données ne décrivent pas particulièrement les cas réels. Ce type d’apprentissage requière une connaissance préalable du modèle de dégradation car il intervient directement dans la génération des données d’apprentissage. Le réseau apprend alors à inverser le modèle de dégradation pour reconstruire l’image de haute résolution en partant de l’image de basse résolution et en rajoutant progressivement des détails visuel (pixels) pour atteindre le résultat souhaité.
Les recherches dans ce domaine s’efforcent de construire de meilleures représentations du cas réel et de créer des modèles capables d’apprendre ces représentations à partir des données disponibles observées. L’objectif de cette thèse est de développer des méthodes permettant d’intégrer des à priori dans les réseaux de neurones profonds, en ciblant particulièrement le facteur de flou réel engendré par l’appareil d’acquisition. Notre première contribution repose sur un mécanisme d’exploitation de l’autosimilarité d’une image dans la procédure de l’apprentissage automatique
du réseau neuronal. Plusieurs observation en faveurs des base de données internes ont été validées dans ce travail, éventuellement d’autres qui concernent la validation quantitative et qualitative des images naturelles. Dans ce même contexte, notre deuxième contribution propose un algorithme d’estimation stochastique des paramètres de dégradation qui conditionnement efficacement le caractère mal posé de la reconstruction SR.
Directeur de thèse : LOUKIL Abdelhamid Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 1970 02-09-625 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
02-09-625.pdfAdobe Acrobat PDF
BUC USTOMB'Thèses
Service Thèse de la BUC met à votre votre disposition L'ensemble des thèses de doctorat et mémoires de magister soutenues à l'USTO MB
Adresse
BUC USTOMB'ThèsesBibliothèque centrale USTOMB
BP 1505 EL M'Naouer USTO ORAN
Algérie
(213)041627180
contact