Notre équipe a développé une méthode générique de classification automatique d'images basée sur l'apprentissage automatique [1] et l'applique sur des problèmes concrets dans le domaine biomédical notamment.
Le but de ce travail est de proposer et implémenter plusieurs extensions de cette méthode et d'étudier leurs performances sur plusieurs catégories d'images. Plusieurs extensions simples mais consommatrices de ressources pourront par exemple s'inspirer d'approches récentes dans le domaine [2,3,4] et être implémentées sur GPGPU et/ou processeurs multi-cores disponibles au centre GIGA si l'étudiant est intéressé par ces aspects.
[1] Voir notamment Marée et al. Random Subwindows for Robust Image Classification, 2005
[2] N. Pinto et al. A High-Throughput Screening Approach to Discovering Good Forms of Biologically Inspired Visual Representation, PLoS Computational Biology, 2009
[3] Natural Image Statistics — A probabilistic approach to early computational vision
[4] Y-Lan Boureau et al. Learning Mid-Level Features for Recognition, CVPR 2010