59 min

01 - Le système visuel : Réduire la variabilité pour mieux catégoriser Images et Scènes - Jeanny HERAULT SAMOS - Colloquium "Statistiques pour le traitement de l'image" (Conférences, 2009)

    • Courses

Les premiers niveaux du système visuel des primates sont maintenant bien connus. Dans cet exposé, nous présentons leur architecture et leurs fonctions comme un modèle pour le traitement et l'analyse des images. Tout y apparaît comme bien adapté à la statistique des images pour en réduire la redondance et les variabilités. La rétine, par des fonctions spécifiques, extrait les informations utiles contenues dans le signal spatio-temporel des images de notre monde visuel : * Un filtrage spatio-temporel à variables non séparables qui compense le spectre en 1/f des images, * Une compression localement adaptative qui réduit la variabilité des éclairements et des contrastes, * Un codage des couleurs qui est particulièrement efficace, * Un échantillonnage spatialement variant qui est bien adapté à l'interprétation de notre monde 3D. Le cortex visuel primaire qui procède à une analyse locale de l'image rétinienne : * Une analyse fréquentielle en spectre d'énergie qui s'affranchit des translations, * Des filtres spatiaux à profil radial Log-Normal pour mieux échantillonner le spectre des images, * Une distribution Log-polaire des fréquences centrales pour mieux s'affranchir des effets de taille et de rotation, et pour estimer la perspective monoculaire. Ces différentes propriétés seront illustrées par des exemples d'application à la catégorisation des scènes et à l'estimation de la perspective locale dans les images naturelles. Jeanny Herault. INPG Grenoble. Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/ufr27statim/UFR27STATIM-20090123-Herault/UFR27STATIM-20090123-Herault.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 1H00

Les premiers niveaux du système visuel des primates sont maintenant bien connus. Dans cet exposé, nous présentons leur architecture et leurs fonctions comme un modèle pour le traitement et l'analyse des images. Tout y apparaît comme bien adapté à la statistique des images pour en réduire la redondance et les variabilités. La rétine, par des fonctions spécifiques, extrait les informations utiles contenues dans le signal spatio-temporel des images de notre monde visuel : * Un filtrage spatio-temporel à variables non séparables qui compense le spectre en 1/f des images, * Une compression localement adaptative qui réduit la variabilité des éclairements et des contrastes, * Un codage des couleurs qui est particulièrement efficace, * Un échantillonnage spatialement variant qui est bien adapté à l'interprétation de notre monde 3D. Le cortex visuel primaire qui procède à une analyse locale de l'image rétinienne : * Une analyse fréquentielle en spectre d'énergie qui s'affranchit des translations, * Des filtres spatiaux à profil radial Log-Normal pour mieux échantillonner le spectre des images, * Une distribution Log-polaire des fréquences centrales pour mieux s'affranchir des effets de taille et de rotation, et pour estimer la perspective monoculaire. Ces différentes propriétés seront illustrées par des exemples d'application à la catégorisation des scènes et à l'estimation de la perspective locale dans les images naturelles. Jeanny Herault. INPG Grenoble. Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/ufr27statim/UFR27STATIM-20090123-Herault/UFR27STATIM-20090123-Herault.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 1H00

59 min

More by Université Paris 1 Panthéon-Sorbonne

Témoignages EPI
Université Paris 1 Panthéon-Sorbonne
Découper le temps : les périodes de l'histoire
Université de Paris 1 Panthéon-Sorbonne
Biodiversité
UVED
Présentations des étudiants du Master 2 Recherche Droit Social
Université Paris 1 Panthéon-Sorbonne
Economie circulaire et innovation
UVED
StatLearn 2010 - Workshop on "Challenging problems in Statistical Learning"
Statlearn2010