TFE 2011-2012 (final year project)

Back to list

Notre équipe développe une méthode générique de classification automatique d'images basée sur l'apprentissage automatique et l'applique sur des problèmes concrets, dans le domaine biomédical notamment.

Ce travail de recherche vise dans un premier temps à synthétiser les travaux récents dans le domaine de la classification d'images reposant sur des méthodes aléatoires d'une part, et sur des méthodes de réseaux de convolution d'autre part. L'étudiant devra ensuite proposer des algorithmes innovants s'inspirant de ces deux types d'approches, et les valider sur des bases de données d'images biomédicales et généralistes.

Pour réaliser ce travail, l'étudiant pourra accéder à des équipements de pointe (plusieurs serveurs avec un total de plusieurs centaines de coeurs et disposant d'une grande capacité de mémoire) et le travail pourra être réalisé en partie au GIGA (CHU).

• Marée et al. Random Subwindows for Robust Image Classification, 2005
• On random weights and unsupervised feature learning, Andrew Saxe, Pangwei Koh, Zhenghao Chen, Maneesh Bhand, Bipin Suresh and Andrew Y. Ng. In Proceedings of the Twenty-Eighth International Conference on Machine Learning, 2011.
• The importance of encoding versus training with sparse coding and vector quantization, Adam Coates and Andrew Y. Ng. In Proceedings of the Twenty-Eighth International Conference on Machine Learning, 2011.
• An Analysis of Single-Layer Networks in Unsupervised Feature Learning, Adam Coates, Honglak Lee and Andrew Ng. In AISTATS 14, 2011
• N. Pinto et al. A High-Throughput Screening Approach to Discovering Good Forms of Biologically Inspired Visual Representation, PLoS Computational Biology, 2009
• Natural Image Statistics — A probabilistic approach to early computational vision
• TFE d'Axel Mathei, 2010-2011

Raphaël Marée (raphael.maree@ulg.ac.be)