Th. 3e cycle--Génie électrique, autom.--Nancy--I.N.P.L., 1984.

Th. doct.-ing.--Électronique--Toulouse--I.N.P., 1984. N°: 337.

Th. doct. -ing.--Génie électrique--Nancy--I.N.P.L., 1980.

Cette thèse se porte sur la segmentation affine par régions des cartes de profondeurs obtenues par stéréoscopie en milieu urbain.Cette détection est constituée de 3 étapes.Tout d'abord, un modèle statistique a contrario est introduit afin de déterminer de manière automatique la valeur de certains paramètres courants dans ce genre de problèmes: seuil de validation d'un groupe comme plan, seuil de rejet des points aberrants. Ce modèle permet de plus la comparaison de plusieurs solutions.Dans un second temps, un algorithme glouton est proposé pour obtenir la segmentation plane par morceaux y compris dans des conditions parcimonieuses. Cet algorithme est basé uniquement sur l'information 3D fournie par la carte de profondeur.Enfin, une dernière étape est proposée afin d'affiner le résultat de la segmentation notamment dans les zones où les disparités sont inconnues ou éventuellement fausses. Cette dernière étape est basée sur la combinaison des informations 3D et images de la paire stéréo. / This thesis deals with the piecewise-affine segmentation of disparity maps and range images in urban environment.The detection is three-stepped.First, an a contrario model is defined to determine automatically the values of several parameters common to those types of problems: planar validation of groups, rejection threshold of outliers.Then a greedy algorithm is proposed to achieve the piecewise planar segmentation including in presence of sparse disparity maps. This algorithm is uniquely based on the 3D information of the disparity map.At last, a refinement of the segmentation is proposed for the regions where the disparity is either imprecise or unknown. This step is based on the combination of both 3D information and images of the stereo pair

Dans la génération et la manipulation d'images basées sur les GANs, l'injection de style par Adaptive Instance Normalization (AdaIN) est devenue la norme pour paramétrer la génération avec une représentation latente du domaine des images. AdaIN fonctionne en modulant les statistiques des caractéristiques de l'image : il normalise d'abord les caractéristiques en soustrayant leur moyenne et en divisant par leur écart type puis injecte un vecteur de style par l'inverse de cette opération. Bien que cette méthode ait été utilisée avec succès dans une variété de scénarios de traduction d'image à image, la représentation statistique d'AdaIN est limitée en ce qu'elle ne tient pas compte des corrélations entre les caractéristiques. Cependant, dans la littérature du transfert de style, la transformation par blanchiment et coloration (Whitening & Coloring Transformation WCT) est devenue l'approche privilégiée, car elle prend compte de l'existence de ces corrélations. Toutefois, malgré ses bonnes performances en matière de transfert de style, l'utilisation du WCT n'a jusqu'à présent pas été explorée de manière approfondie dans le contexte de l'injection de style. Dans ce travail, nous comblons cette lacune en remplaçant AdaIN par une opération de WCT explicite pour l'injection de style dans les GAN. Plus précisément, nous introduisons un module qui peut être utilisé en remplacement des blocs AdaIN (sans changement additionnel) dans les architectures GAN populaires existantes et présentons son impact sur les tâches de génération. Effectivement, dans la génération d'images conditionnelles, où l'espace latent est destiné à représenter le style des images, nous constatons que le blanchiment aide à s'assurer que l'espace n'encode que des informations stylistiques, ce qui permet au contenu de l'image conditionnelle d'être plus visible. Nous démontrons les performances de notre méthode dans deux scénarios : 1) dans un context d'entraînement supervisé à l'aide du jeu de données Google Maps et 2) en ayant recours à l'architecture StarGANv2 multi-domaine et multi-modale dans une situation d'entraînement non-supervisé et ce en utilisant le jeu de données Animal Faces-HQ (AFHQ). / In the GAN-based images generation and manipulation domain, style injection by Adaptive Instance Normalization (AdaIN) has become the standard method to allow the generation with a latent representation of the image domain. AdaIN works by modulating the statistics of the characteristics of the image: it first normalizes the characteristics by subtracting their mean and dividing by their standard deviation then it injects a style vector by the reverse of this operation. Although this method has been used successfully in a variety of image-to-image translation scenarios, the statistical representation of AdaIN is limited in that it does not take into account the existing correlations between the features. However, in the style transfer literature, the transformation by whitening and coloring (Whitening & Coloring Transformation WCT) has become the preferred approach because it takes into account the existence of these correlations. Yet, despite its good performance in terms of style transfer, the use of WCT has so far not been explored in depth in the style injection literature. In this work, we fill this gap by replacing AdaIN by an explicit operation of WCT for style injection in GAN. More specifically, we introduce a module that can be used as a replacement for the AdaIN blocks (without any additional change) in the existing popular GAN architectures and we present its impact on generation tasks. Indeed, in the conditional image generation task, where the latent space is intended to represent the style of the images, we find that whitening helps ensure that the space encodes only stylistic information which allows the content of the input image to be more visible. We demonstrate the performance of our method in two scenarios: 1) in a supervised training context using the Google Maps dataset and 2) using multi-domain and multi-modal StarGANv2 architecture in an unsupervised training setup using the Animal Faces-HQ (AFHQ) dataset.

Thèse doctorat : Informatique : Villeurbanne, INSA : 2006. / Titre provenant de l'écran-titre. Bibliogr. p. 131-140.

Reproduction de : Habilitation à diriger des recherches : Sciences physiques : Lille 1 : 2004. / Synthèse des travaux. Le recueil de publications n'a pas été numérisé. N° d'ordre (Lille 1) : 423. Titre provenant de la page de titre du document numérisé. Bibliogr. à la suite de chaque chapitre. Liste des publications.

Thèse de doctorat : Électronique, Électrotechnique, Automatique. Traitement d'images et vision par ordinateur : Strasbourg 1 : 2008. / Titre provenant de l'écran-titre. Bibliogr. 10 p.

Revision of thesis (Ph. D.)--University of Pennsylvania, 1978. / Includes index. Bibliography: p. [193]-195.

Quality inspection of apple fruits, traditionally performed by human experts, has to be automated by machine vision to reduce error, variation, fatigue and cost due to humans as well as to increase speed… A typical apple inspection system should employ image processing and pattern recognition techniques to precisely segment defected skin by minimal confusion with stem/calyx areas and classify fruit into correct quality category. In this thesis, we present a work performed for quality inspection of bi-colored apples using multispectral images by tackling each of these sub-problems (namely, stem/calyx recognition, defect detection and fruit grading) individually. Stem and calyx are natural parts of apples that are confused with some defects in machine vision systems. A precise inspection system requires their discrimination, which is achieved by a highly accurate support vector machines-based approach. Defect detection of apples by machine vision is very problematic due to numerous defect types present as well as high natural variability of skin color. This task is accomplished by multi-layer perceptrons (an artificial neural network), which outperformed several other methods in accuracy and speed. Final grading of fruit is obtained by binary and multi-category classification with different classifiers, where results achieved are very encouraging.