Nous présentons dans cette thèse un nouveau modèle statistique de forme et l'utilisons pour la segmentation d'images avec a priori. Ce modèle est représenté par un champ de Markov. Les noeuds du graphe correspondent aux points de contrôle situés sur le contour de la forme géométrique, et les arêtes du graphe représentent les dépendances entre les points de contrôle. La structure du champ de Markov est déterminée à partir d'un ensemble de formes, en utilisant des techniques d'apprentissage de variétés et de groupement non-supervisé. Les contraintes entre les points sont assurées par l'estimation des fonctions de densité de probabilité des longueurs de cordes normalisées. Dans une deuxième étape, nous construisons un algorithme de segmentation qui intègre le modèle statistique de forme, et qui le relie à l'image grâce à un terme région, à travers l'utilisation de diagrammes de Voronoi. Dans cette approche, un contour de forme déformable évolue vers l'objet à segmenter. Nous formulons aussi un algorithme de segmentation basé sur des détecteurs de points d'intérêt, où le terme de régularisation est lié à l'apriori de forme. Dans ce cas, on cherche à faire correspondre le modèle aux meilleurs points candidats extraits de l'image par le détecteur. L'optimisation pour les deux algorithmes est faite en utilisant des méthodes récentes et efficaces. Nous validons notre approche à travers plusieurs jeux de données en 2D et en 3D, pour des applications de vision par ordinateur ainsi que l'analyse d'images médicales. / In this thesis, we introduce a new statistical shape model and use it for knowledge-based image segmentation. The model is represented by a Markov Random Field (MRF). The vertices of the graph correspond to landmarks lying on the shape boundary, whereas the edges of the graph encode the dependencies between the landmarks. The MRF structure is determined from a training set of shapes using manifold learning and unsupervised clustering techniques. The inter-point constraints are enforced using the learnedprobability distribution function of the normalized chord lengths.This model is used as a basis for knowledge-based segmentation. We adopt two approaches to incorporate the data support: one is based on landmark correspondences and the other one uses image region information. In the first case, correspondences between the model and the image are obtained through detectors and the optimal configuration is achieved through combination of detector responses and prior knowledge. The second approach consists of minimizing an energy that discriminates the object from the background while accounting for the shape prior. A Voronoi decomposition is used to express this objective function in a distributed manner using the landmarks of the model. Both algorithms are optimized using state-of-the art eficient optimization methods. We validate our approach on various 2D and 3D datasets of images, for computer vision applications as well as medical image analysis.

Cette thèse est dédiée au développement de méthodes à base de graphes, permettant de traiter les problèmes fondamentaux de la vision par ordinateur tels que la segmentation, le suivi d’objets, l’appariement de formes et l’inférence de modèles 3D. La première contribution de cette thèse est une méthode unifiée reposant sur un champ de Markov aléatoire (MRF) d’ordre deux permettant de réaliser en une seule étape la segmentation et le suivi de plusieurs objets observés par une caméra unique, tout en les ordonnançant en fonction de leur distance à la caméra. Nous y parvenons au moyen d’un nouveau modèle stratifié (2.5D) dans lequel une représentation bas-niveau et une représentation haut-niveau sont combinées par le biais de contraintes locales. Afin d’introduire des connaissances de haut niveau a priori, telles que des a priori sur la forme des objets, nous étudions l’appariement non-rigide de surfaces 3D. La seconde contribution de cette thèse consiste en une formulation générique d’appariement de graphes qui met en jeu des potentiels d’ordre supérieur et qui est capable d’intégrer différentes mesures de similarités d’apparence, de similarités géométriques et des pénalisations sur les déformations des formes. En tant que la troisième contribution de cette thèse, nous considérons également des interactions d’ordre supérieur pour proposer un a priori de forme invariant par rapport à la pose des objets, et l’exploitons dans le cadre d’une nouvelle approche de segmentation d’images médicales 3D afin d’obtenir une méthode indépendante de la pose de l’objet d’intérêt et de l’initialisation du modèle de forme. La dernière contribution de cette thèse vise à surmonter l’influence de la pose de la caméra dans les problèmes de vision. Nous introduisons un paradigme unifié permettant d’inférer des modèles 3D à partir d’images 2D monoculaires. Ce paradigme détermine simultanément le modèle 3D optimal et les projections 2D correspondantes sans estimer explicitement le point de vue de la caméra, tout en gérant les mauvaises détections et les occlusions. / This thesis is devoted to the development of graph-based methods that address several of the most fundamental computer vision problems, such as segmentation, tracking, shape matching and 3D model inference. The first contribution of this thesis is a unified, single-shot optimization framework for simultaneous segmentation, depth ordering and multi-object tracking from monocular video sequences using a pairwise Markov Random Field (MRF). This is achieved through a novel 2.5D layered model where object-level and pixel-level representations are seamlessly combined through local constraints. Towards introducing high-level knowledge, such as shape priors, we then studied the problem of non-rigid 3D surface matching. The second contribution of this thesis consists of a higher-order graph matching formulation that encodes various measurements of geometric/appearance similarities and intrinsic deformation errors. As the third contribution of this thesis, higher-order interactions were further considered to build pose-invariant statistical shape priors and were exploited for the development of a novel approach for knowledge-based 3D segmentation in medical imaging which is invariant to the global pose and the initialization of the shape model. The last contribution of this thesis aimed to partially address the influence of camera pose in visual perception. To this end, we introduced a unified paradigm for 3D landmark model inference from monocular 2D images to simultaneously determine both the optimal 3D model and the corresponding 2D projections without explicit estimation of the camera viewpoint, which is also able to deal with misdetections/occlusions

La présente thèse est consacrée au recalage et à la fusion d’images de façon dense et déformable via des méthodes d’optimisation discrète. La contribution majeure consiste en un principe de couplage entre recalage géométrique et iconique via l’utilisation de méthodes dites graphiques. Une telle formulation peut être obtenue à partir d’un Champ de Markov Aléatoire binaire et permet de résoudre les deux problèmes simultanément tout en imposant une cohérence à leurs solutions respectives. La méthodologie s’applique à la fusion de paires d’images (dans ses versions symétrique et asymétrique), ainsi qu’au recalage simultané de groupes d’images nécessaire à l’étude de populations. Les qualités principales de notre approche résident dans sa faible complexité algorithmique et sa versatilité. L’utilisation d’une formulation discrète assure une grande modularité concernant tant la mesure de similarité iconique que l’extraction et l’association de points d’intérêt. Les résultats prometteurs obtenus sur les bases de données de référence en flot optique et sur des données médicales tridimensionnelles démontrent tout le potentiel de notre méthodologie / This thesis is devoted to dense deformable image registration/fusion using discrete methods. The main contribution of the thesis is a principled registration framework coupling iconic/geometric information through graph-based techniques. Such a formulation is derived from a pair-wise MRF view-point and solves both problems simultaneously while imposing consistency on their respective solutions. The proposed framework was used to cope with pair-wise image fusion (symmetric and asymmetric variants are proposed) as well as group-wise registration for population modeling. The main qualities of our framework lie in its computational efficiency and versatility. The discrete nature of the formulation renders the framework modular in terms of iconic similarity measures as well as landmark extraction and association techniques. Promising results using a standard benchmark database in optical flow estimation and 3D medical data demonstrate the potentials of our methods.

L'objectif principal de cette thèse est la modélisation, compréhension et segmentation automatique de tumeurs diffuses et infiltrantes appelées Gliomes Diffus de Bas Grade. Deux approches exploitant des connaissances a priori de l'ordre spatial et anatomique ont été proposées. Dans un premier temps, la construction d'un atlas probabiliste qui illustre les positions préférentielles des tumeurs dans le cerveau est présentée. Cet atlas représente un excellent outil pour l'étude des mécanismes associés à la genèse des tumeurs et fournit des indications sur la position probable des tumeurs. Cette information est exploitée dans une méthode de segmentation basée sur des champs de Markov aléatoires, dans laquelle l'atlas guide la segmentation et caractérise la position préférentielle de la tumeur. Dans un second temps, nous présentons une méthode pour la segmentation de tumeur et le recalage avec absence de correspondances simultanés. Le recalage introduit des informations anatomiques qui améliorent les résultats de segmentation tandis que la détection progressive de la tumeur permet de surmonter l'absence de correspondances sans l'introduction d'un a priori. La méthode est modélisée comme un champ de Markov aléatoire hiérarchique et à base de grille sur laquelle les paramètres de segmentation et recalage sont estimés simultanément. Notre dernière contribution est une méthode d'échantillonnage adaptatif guidé par les incertitudes pour de tels modèles discrets. Ceci permet d'avoir une grande précision tout en maintenant la robustesse et rapidité de la méthode. Le potentiel des deux méthodes est démontré sur de grandes bases de données de gliomes diffus de bas grade hétérogènes. De par leur modularité, les méthodes proposées ne se limitent pas au contexte clinique présenté et pourraient facilement être adaptées à d'autres problèmes cliniques ou de vision par ordinateur. / The main objective of this thesis is the automatic modeling, understanding and segmentation of diffusively infiltrative tumors known as Diffuse Low-Grade Gliomas. Two approaches exploiting anatomical and spatial prior knowledge have been proposed. We first present the construction of a tumor specific probabilistic atlas describing the tumors' preferential locations in the brain. The proposed atlas constitutes an excellent tool for the study of the mechanisms behind the genesis of the tumors and provides strong spatial cues on where they are expected to appear. The latter characteristic is exploited in a Markov Random Field based segmentation method where the atlas guides the segmentation process as well as characterizes the tumor's preferential location. Second, we introduce a concurrent tumor segmentation and registration with missing correspondences method. The anatomical knowledge introduced by the registration process increases the segmentation quality, while progressively acknowledging the presence of the tumor ensures that the registration is not violated by the missing correspondences without the introduction of a bias. The method is designed as a hierarchical grid-based Markov Random Field model where the segmentation and registration parameters are estimated simultaneously on the grid's control point. The last contribution of this thesis is an uncertainty-driven adaptive sampling approach for such grid-based models in order to ensure precision and accuracy while maintaining robustness and computational efficiency. The potentials of both methods have been demonstrated on a large data-set of heterogeneous Diffuse Low-Grade Gliomas. The proposed methods go beyond the scope of the presented clinical context due to their strong modularity and could easily be adapted to other clinical or computer vision problems.

Dans cette thèse, nous examinons les propriétés de régularité locale de certains processus stochastiques multiparamètres définis sur RN + , sur une collection d’ensembles, ou encore sur des fonctions de L2. L’objectif est d’étendre certains outils standards de la théorie des processus stochastiques, en particulier concernant la régularité hölderienne locale, à des ensembles d’indexation qui ne sont pas totalement ordonnés. Le critère de continuité de Kolmogorov donne classiquement une borne inférieure pour la régularité hölderienne d’un processus stochastique indicé par un sous-ensemble de R ou RN . Tirant partie de la structure de treillis des ensembles d’indexations dans la théorie des processus indicés par des ensembles de Ivanoff et Merzbach, nous étendons le critère de Kolmogorov dans ce cadre. Différents accroissements pour les processus indicés par des ensembles sont considérés, et leur sont attachés en conséquence des exposants de Hölder. Pour les processus gaussiens, ces exposants sont, presque surement et uniformément le long des trajectoires, déterministes et calculés en fonction de la loi des accroissements du processus. Ces résultats sont appliqués au mouvement brownien fractionnaire set-indexed, pour lequel la régularité est constante. Afin d’exhiber un processus pour lequel la régularité n’est pas constante, nous utilisons la structure d’espace de Wiener abstrait pour introduire un champ brownien fractionnaire indicé par (0, 1=2]_L2(T,m), relié à une famille de covariances kh, h 2 (0, 1=2]. Ce formalisme permet de décrire un grand nombre de processus gaussiens fractionnaires, suivant le choix de l’espacemétrique (T,m). Il est montré que la loi des accroissements d’un tel champ est majorée par une fonction des accroissements en chacun des deux paramètres. Les techniques développées pour mesurer la régularité locale s’appliquent alors pour prouver qu’il existe dans ce cadre des processus gaussiens indicés par des ensembles ou par L2 ayant une régularité prescrite. La dernière partie est consacrée à l’étude des singularités produites par le processus multiparamètre défini par kh sur L2([0, 1]_,dx). Ce processus est une extension naturelle du mouvement brownien fractionnaire et du drap brownien. Au point origine de RN+, ce mouvement brownien fractionnaire multiparamètre possède une régularité hölderienne différente de celle observée en tout autre point qui ne soit pas sur les axes. Une loi du logarithme itéré de Chung permet d’observer finement cette différence. / In this thesis, local regularity properties of some multiparameter, set-indexed and eventually L2-indexed random fields are investigated. The goal is to extend standard tools of the theory of stochastic processes, in particular local Hölder regularity, to indexing collection which are not totally ordered.The classic Kolmogorov continuity criterion gives a lower estimate of the Hölder regularityof a stochastic process indexed by a subset of R or RN . Using the lattice structure of the indexing collections in the theory of set-indexed processes of Ivanoff and Merzbach, Kolmogorov’scriterion is extended to this framework. Different increments for set-indexed processes are considered,and several Hölder exponents are defined accordingly. For Gaussian processes, these exponents are, almost surely and uniformly along the sample paths, deterministic and related to the law of the increments of the process. This is applied to the set-indexed fractional Brownian motion, for which the regularity is constant. In order to exhibit a process having a variable regularity,we resorted to structures of Abstract Wiener Spaces, and defined a fractional Brownian field indexed by a product space (0, 1=2]_L2(T,m), based on a family of positive definite kernels kh, h 2 (0, 1=2]. This field encompasses a large class of existing multiparameter fractional Brownian processes, which are exhibited by choosing appropriate metric spaces (T,m). It is proven that the law of the increments of such a field is bounded above by a function of the increments in both parameters of the field. Applying the techniques developed to measure the local Hölder regularity, it is proven that this field can lead to a set-indexed, or L2-indexed, Gaussian process with prescribed local regularity.The last part is devoted to the study of the singularities induced by the multiparameter process defined by the covariance kh on L2([0, 1]_,dx). This process is a natural extension of the fractional Brownian motion and of the Brownian sheet. At the origin 0 of RN+, this multiparameter fractional Brownian motion has a different regularity behaviour. A Chung (or lim inf ) law of the iterated logarithm permits to observe this.

The aim of this work is to find out which algorithm is the best at recognizing named entities in e-mail messages. The theoretical part explains the existing tools in this field. The practical part describes the design of two tools specifically designed to create new models capable of recognizing named entities in e-mail messages. The first tool is based on a neural network and the second tool uses a CRF graph model. The existing and newly created tools and their ability to generalize are compared on a subset of e-mail messages provided by Kiwi.com.

The task of opinion mining from product reviews has been achieved by employing rule-based approaches or generative learning models such as hidden Markov models (HMMs). This paper introduced a discriminative model using linear-chain Conditional Random Fields (CRFs) that can naturally incorporate arbitrary, non-independent features of the input without conditional independence among the features or distributional assumptions of inputs. The framework firstly performs part-of-speech (POS) tagging tasks over each word in sentences of review text. The performance is evaluated based on three criteria: precision, recall and F-score. The result shows that this approach is effective for this type of natural language processing (NLP) tasks. Then the framework extracts the keywords associated with each product feature and summarizes into concise lists that are simple and intuitive for people to read.

This thesis deals with the current methods of semantic segmentation using deep learning. Other approaches of neaural networks in the area of deep learning are also discussed. It contains historical solutions of neural networks, their development, and basic principle. Convolutional neural networks are nowadays the most preferable networks in solving tasks as detection, classification, and image segmentation. The functionality was verified on a freely available environment based on conditional random fields as recurrent neural networks and compered with the deep convolutional neural networks using conditional random fields as postprocess. The latter mentioned method has become the basis for training of new models on two different datasets. There are various enviroments used to implement neural networks using deep learning, which offer diverse perform possibilities. For demonstration purposes a Python application leveraging the BVLC\,/\,Caffe framework was created. The best achieved accuracy of a trained model for clothing segmentation is 50,74\,\% and 68,52\,\% for segmentation of VOC objects. The application aims to allow interaction with image segmentation based on trained models.

Cette thèse est constituée de deux parties, dont l'axe commun est la modélisation de phénomènes de petites échelles pour des écoulements turbulents.Dans une première partie on s'intéresse à l'influence des rotons sur la dynamique d'un modèle d'hélium superfluide. On commence par une calibration d'un modèle non-local d'interaction dans le but de reproduire la relation de dispersion expérimentale de l'hélium, mesurée par diffraction de neutrons. On utilise ensuite ce modèle calibré pour réaliser des simulations numériques directes (DNS) de l'équation de Gross-Pitaevskii, afin de sonder le phénomène de reconnexion des tourbillons quantiques. Ce phénomène est étudié en détail via une analyse géométrique et énergétique des résultats des DNS. On compare alors systématiquement ces résultats à ceux du modèle local afin d'étudier l'influence des rotons sur l'écoulement aux échelles de l'ordre de l'Angstrom.Dans un second temps on cherche à décrire la structure spatio-temporelle de la turbulence homogène et isotrope. Pour cela on commence par une analyse des propriétés statistiques du champ eulérien de vitesse, basée sur l'évaluation de ses incréments spatio-temporels. On utilise les données issues d'une DNS des équations de Navier-Stokes mises à disposition par l'Université Johns Hopkins. On propose ensuite un champ aléatoire spatio-temporel pour la vitesse eulérienne, en caractérisant d'abord la structure de ses corrélations par une approximation gaussienne. On modifie ensuite cette approximation par une mesure multi-fractale afin de reproduire les aspects non-gaussiens observés dans la DNS, tels que les hauts niveaux des coefficients d'asymétrie et d'aplatissement. / This thesis consists of two parts that share a common theme : the modeling of small-scale phenomena in turbulent flows.In a first part we focus on the influence of rotons on the dynamics of a model of superfluid helium. We begin by a calibration of a nonlocal model of the interaction, aiming at reproducing the experimental dispersion relation of helium, as measured by neutron scattering methods. This model is then used to perform Direct Numerical Simulations (DNS) of the Gross-Pitaevskii equation, in order to probe the reconnection of quantum vortices. This phenomenon is studied quantitatively through a geometrical and energetical analysis of the results of the DNS. We then systematically compare these results with those of the local model, so as to study the influence of rotons on flow scales of the order of the Angtstrom.The goal of the second part is to describe the spatio-temporal structure of homogeneous and isotropic turbulence. To achieve it we start by a standard analysis of the statistical properties of the eulerian velocity field, by computing its spatio-temporal increments. We use the data from a DNS of the Navier-Stokes equations, hosted and made available by the Johns Hopkins University. We then propose a random, spatio-temporal eulerian velocity field, by first characterizing the structure of its correlations through a gaussian approximation. This approximation is then modified by a multifractal measure in order to reproduce the non-gaussian features, as they are demanded by the observed high level of skewness and flatness of increments.

Abstract We are interested in studying Gaussian Markov random fields as correlation priors for Bayesian inversion. We construct the correlation priors to be discretisation-invariant, which means, loosely speaking, that the discrete priors converge to continuous priors at the discretisation limit. We construct the priors with stochastic partial differential equations, which guarantees computational efficiency via sparse matrix approximations. The stationary correlation priors have a clear statistical interpretation through the autocorrelation function. We also consider how to make structural model of an unknown object with anisotropic and inhomogeneous Gaussian Markov random fields. Finally we consider these fields on unstructured meshes, which are needed on complex domains. The publications in this thesis contain fundamental mathematical and computational results of correlation priors. We have considered one application in this thesis, the electrical impedance tomography. These fundamental results and application provide a platform for engineers and researchers to use correlation priors in other inverse problem applications.