Soutenance de thèse de Léo DAVY sous la direction de Patrice ABRY et la codirection de Nelly PUSTELNIK
Résumé de la thèse
Ce travail de thèse propose une stratégie de segmentation de textures, c'est-à-dire d'images caractérisées par leurs propriétés statistiques plutôt que géométriques.
La stratégie proposée repose sur une analyse mathématique multi-échelles (l'analyse en ondelettes) permettant une estimation locale et simultanée de la régularité et l'anisotropie, deux propriétés essentielles pour décrire les textures observées dans les applications réelles.
Ce modèle est intégré dans un cadre d'optimisation qui combine la théorie des algorithmes itératifs avec la flexibilité des réseaux de neurones.
La méthode est évaluée sur des images synthétiques et naturelles, et démontre une bonne robustesse, y compris en dehors des cas idéaux. Ce lien explicite avec des méthodes mathématiquement justifiées permet d'obtenir de bonnes performances tout en conservant un contrôle théorique sur l'apprentissage.
Segmentation of anisotropic and scale-free textures : Complex multiband wavelets, variational and bilevel optimisation, informed neural networks
This thesis proposes a texture segmentation strategy, that is, a method for segmenting images defined by their statistical properties rather than by geometric structures.
The approach relies on a multi-scale mathematical analysis (wavelet analysis) to estimate, simultaneously and locally, two key texture features: regularity and anisotropy—both essential for describing textures in real-world applications.
This model is embedded in an optimization framework that combines the theoretical foundations of iterative algorithms with the flexibility of neural networks.
The method is evaluated on both synthetic and natural images and shows strong robustness, even beyond idealized settings.
This explicit link to mathematically grounded methods enables competitive performance while preserving theoretical control over the learning process.
Gratuit
Disciplines