|
Publications sur Convex optimization
Résultat de la recherche dans la liste des publications :
Thèse de Doctorat et Habilitation |
1 - Algorithmes rapides d'optimisation convexe. Application à la reconstruction d'images et à la détection de changements. P. Weiss. Thèse de Doctorat, Universite de Nice Sophia Antipolis, novembre 2008. Mots-clés : Convex optimization, nesterov scheme, Sparse representations, Variation totale, Change detection, level lines. Copyright :
@PHDTHESIS{These_Pweiss,
|
author |
= |
{Weiss, P.}, |
title |
= |
{Algorithmes rapides d'optimisation convexe. Application à la reconstruction d'images et à la détection de changements}, |
year |
= |
{2008}, |
month |
= |
{novembre}, |
school |
= |
{Universite de Nice Sophia Antipolis}, |
url |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/These_PWEISS_Compressee.pdf}, |
pdf |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/These_PWEISS_Compressee.pdf}, |
keyword |
= |
{Convex optimization, nesterov scheme, Sparse representations, Variation totale, Change detection, level lines} |
} |
Résumé :
Cette thèse contient des contributions en analyse numérique et en vision par ordinateur. Dans une première partie, nous nous intéressons à la résolution rapide, par des méthodes de premier ordre, de problèmes d'optimisation convexe. Ces problèmes apparaissent naturellement dans de nombreuses tâches telles que la reconstruction d'images, l'échantillonnage compressif ou la décomposition d'images en texture et en géométrie. Ils ont la particularité d'être non différentiables ou très mal conditionnés. On montre qu'en utilisant des propriétés fines des fonctions à minimiser on peut obtenir des algorithmes de minimisation extrêmement efficaces. On analyse systématiquement leurs taux de convergence en utilisant des résultats récents dûs à Y. Nesterov. Les méthodes proposées correspondent - à notre connaissance - à l'état de l'art des méthodes de premier ordre. Dans une deuxième partie, nous nous intéressons au problème de la détection de changements entre deux images satellitaires prises au même endroit à des instants différents. Une des difficultés principales à surmonter pour résoudre ce problème est de s'affranchir des conditions d'illuminations différentes entre les deux prises de vue. Ceci nous mène à l'étude de l'invariance aux changements d'illuminations des lignes de niveau d'une image. On caractérise complètement les scènes qui fournissent des lignes de niveau invariantes. Celles-ci correspondent assez bien à des milieux urbains. On propose alors un algorithme simple de détection de changements qui fournit des résultats très satisfaisants sur des images synthétiques et des images Quickbird réelles. |
|
haut de la page
Article de conférence |
1 - A new variational method for preserving point-like and curve-like singularities in 2d images. D. Graziani et L. Blanc-Féraud et G. Aubert. Dans Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Prague, Czech Republic, mai 2011. Mots-clés : Convex optimization, nesterov scheme, laplacian operator.
@INPROCEEDINGS{ICASSP_Graziani11,
|
author |
= |
{Graziani, D. and Blanc-Féraud, L. and Aubert, G.}, |
title |
= |
{A new variational method for preserving point-like and curve-like singularities in 2d images}, |
year |
= |
{2011}, |
month |
= |
{mai}, |
booktitle |
= |
{Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, |
address |
= |
{Prague, Czech Republic}, |
url |
= |
{http://hal.inria.fr/inria-00592603/fr/}, |
keyword |
= |
{Convex optimization, nesterov scheme, laplacian operator} |
} |
Abstract :
We propose a new variational method to restore point-like and curve-like singularities in 2-D images. As points and open curves are fine structures, they are difficult to restore by means of first order derivative operators computed in the noisy image. In this paper we propose to use the Laplacian operator of the observed intensity, since it becomes singular at points and curves. Then we propose to restore these singularities by introducing suitable regularization involving the l-1-norm of the Laplacian operator. Results are shown on synthetic an real data.
|
|
haut de la page
Ces pages sont générées par
|