Thèse, Marseille.| Entreprise/Organisme : | Aix-Marseille Université | | Niveau d'études : | Master | | Sujet : | Cette thèse porte sur la classification de texture d'images au travers de réseaux de neurones convolutionnels profonds. Partant du principe que les couches d'entrée sont des champs aléatoires intrinsèques, la construction des réseaux sera inspirée d'analyses variographiques des champs. La thèse comportera une partie consacrée à l'étude mathématique des distributions de probabilité des couches des réseaux conduisant à une interprétation bayésienne des réseaux. Une autre partie du réseau sera consacrée à leur apprentissage, réalisé en partie sur des simulations de champs aléatoires puis transferé à des données réelles. | | Date de début : | 01/09/2019 | | Durée du contrat : | 3 ans | | Rémunération : | Bourse ministère de l'éducation nationale | | Secteur d'activité : | statistique, traitement d'images | | Description : | L’analyse de texture connaît actuellement un vif regain d’intérêt avec les avancées apportées
à partir de 2012 (Krizhevsky, 2012) par les RNCP en vision par ordinateur. Dans (Cimpoi,
2016), les couches convolutionnelles du RNCP AlexNet (Krizhevsky, 2012) pré-apprises sur la
base ImageNet ont été transférées avec succès pour classer les textures. Dans (Andrarczyk,
2016), l’apprentissage complet de RNCP moins complexes a été réalisé sur des bases de
textures. Cependant, le problème demeure d’apprendre ou de transférer des RNCP sur des
bases de textures spécifiques où l’on ne dispose pas d’un nombre suffisamment élevé de
données. La difficulté principale est d’éviter les phénomènes de sur-apprentissage provoqués
par la complexité du RNCP. L’un des enjeux de cette thèse est de remédier à ces phénomènes
de sur-apprentissage en développant une approche bayésienne des RNCP.
Pour lever ce verrou, nous proposons une approche bayésienne des RNCP qui s'inspire de nos
travaux antérieurs sur l'analyse de texture (Richard-2016a, Richard-2016b, Richard-2018}) où
l’image est considérée comme la réalisation de champs aléatoires et les propriétés de
textures estimées à partir d’une analyse variographique. A l'instar de Andrarczyk (2016), nous
proposons de former un RNCP comportant une série de couches convolutionnelles pour filtrer
les images. Cependant, les noyaux de convolution, les fonctions d'activation et phases de
pooling seront adaptées pour se ramener à des opérations similaires à une analyse
variographique.
Une partie de la thèse sera consacrée à l’étude des lois de probabilité des couches du réseau
sous l’hypothèse que les images d’entrée sont des réalisations de champs aléatoires
intrinsèques. Cette étude constituera le socle d'une interprétation bayésienne du RNCP. Au
travers de cette interprétation, nous pourrons apporter un éclairage statistique sur les
opérations proposées dans la littérature. Nous pourrons en outre compléter l'architecture par
des contraintes et opérations appropriées en vue de réduire les effets de sur-apprentissage.
Une autre partie de la thèse concernera l'apprentissage du réseau. Nous proposerons une
stratégie en deux temps. D’abord, nous apprendrons une partie basse du RNCP
(caractéristiques de texture) à partir d'un nombre illimité d’exemples obtenus par simulation
d'un modèle de champ aléatoire. Puis, nous transférerons cette partie basse pré-apprise pour
faire la classification de bases de données spécifique. Ainsi, dans l’apprentissage de la partie
basse, la complexité du réseau n'est pas limitée par la taille de la base d'apprentissage. Il
s'agira principalement de déterminer une architecture appropriée pour atteindre un niveau de
précision suffisant. La travail de la première partie pourra permettre de définir des contraintes
a priori visant à limiter les effets de sur-apprentissage.
Nous appliquerons cette approche à des données issues de l’imagerie moléculaire par
Tomographie par Emission de Positons (TEP) et Tomographie d’Emission Mono-Photonique
(TEMP) en vue d’améliorer la prise en charge de maladies cérébrales neurologiques et
psychiatriques (Pan, 2018 ; Garali, 2018). L’objectif est de développer des outils de
quantification du signal TEP/TEMP qui tiennent compte d’information sur les interactions
spatiales entre voxels à l’origine de la texture des images, sur la dynamique temporelle des
images et sur leur caractère multiparamétrique (et notamment multi-cibles).Références bibliographiques :
(Andrarczyk, 2016) V. Andrearczyk and P. Whelan. Using filter banks in convolutional neural
networks for texture classification. Pattern Recognition Letters, 84:63–69, 2016.
(Cimpoi, 2016) M. Cimpoi, S. Maji, I. Kokkinos, and A. Vedaldi. Deep filter banks for texture
recognition, description, and segmentation. Int. J. Comput Vis, 118(1):65–94, 2016.
(Krizhevsky, 2012) A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with
deep convolutional neural networks. In Advances in neural information processing systems,
pages 1097–1105, 2012.
(Richard, 2016a) F. Richard. Tests of isotropy for rough textures of trended images. Statistica
Sinica, 26:1279-1304, 2016.
(Richard, 2016b) F. Richard. Some anisotropy indices for the characterization of Brownian
textures and their application to breast images. Spatial Statistics, 18:147-162, 2016.
(Richard, 2018) F. Richard. Anisotropy of Hölder Gaussian random field: characterization,
estimation and application to image textures. Statistics and Computing, 28(6):1155-1168,
2018.
(Pan, 2018) X. Pan, M. Adel , C. Fossati, T. Gaidon, E. Guedj Multi-level Feature Representation
of FDG-PET Brain Images for Diagnosing Alzheimer's Disease. IEEE J Biomed Health Inform.
2018 Jul 18.
(Garali, 2018) I. Garali, M. Adel, S. Bourennane, E. Guedj. Histogram-Based Features Selection
and Volume of Interest Ranking for Brain PET Image Classification. IEEE J Transl Eng Health
Med. 2018 Mar 16;6:2100212. | | En savoir plus : | https://www.i2m.univ-amu.fr/perso/frederic.richard/
these-richard-2019.pdf | | Contact : | frederic.richard@univ-amu.fr |
|
