Projets de recherche IASIS passés

Les projets sélectionnés à l’issue de l’appel à projets 2021 sont les suivants :

---

opEn pLAtform for roBust geOmetRic clAssificaTion of Eeg (ELABORATE)

Contact : florent.bouchard@centralesupelec.fr

Résumé :

Le projet opEn pLAtform for roBust geOmetRic clAssificaTion of Eeg (ELABORATE) considère le problème du traitement et de la classification de données d’électroencéphalographie (EEG) à l’aide de méthodes reposant sur les statistiques robustes et la géométrie riemannienne. Les données EEG souffrent d’un très faible rapport signal à bruit ainsi que de perturbations très nombreuses qui mettent à mal l’hypothèse de gaussianité traditionnellement faite par les méthodes de traitement utilisées à l’heure actuelle. Ainsi, en proposant d’étendre les travaux de l’état de l’art, qui se reposent sur un modèle gaussien, à des modèles non-gaussiens et en prenant en compte des structures géométriques intrinsèques de matrices de covariance, une amélioration des performances de classification est attendue.
Un autre axe de recherche sur la classification en ligne à l’aide de techniques d’optimisation riemannienne permettra de répondre aux problématiques de la grande quantité de données ainsi que de la variabilité de celles-ci face aux différents scénarios d’expérimentation.
Enfin, le projet mènera une démarche d’intégration des outils développés au sein de librairies et de plateformes libres déjà existantes au sein de la communauté EEG afin de favoriser la reproductibilité des résultats et la démocratisation des méthodes robustes par les praticiens d’expérimentations en EEG.

---

Vers un IOT efficace et protégeant la confidentialité des données par le mariage de l’apprentissage fédéré et des technologies FPGA (FLNCCFPGA)

Contact : mathieu.leonardon@imt-atlantique.fr

Résumé :

Les systèmes de traitements du signal et de l’image reposent de plus en plus sur l’intelligence artificielle. De nombreux services reposent sur la combinaison (i) d’une collecte massive de données et (ii) de puissants algorithmes d’apprentissage machine. L’apprentissage classique consiste à transférer les données chez les fournisseurs de service, où elles sont utilisées pour affiner les modèles. Malheureusement, une telle approche n’est plus possible aujourd’hui car : (i) elle ne passe pas à l’échelle, (ii) elle ne respecte pas la vie privée des utilisateurs. Une approche émergente, l’Apprentissage Fédéré, vise à inverser le processus d’apprentissage, en déplaçant le calcul (apprentissage des modèles) vers les données (utilisateurs). Si cette approche est très étudiée et fonctionne relativement bien dans un cadre de type Edge Computing, où les périphériques ont globalement une puissance de calcul importante, elle est en revanche beaucoup plus difficile à mettre en place dans un cadre IoT, où les périphériques ont des contraintes de puissance et de coût. Ces contraintes impliquent donc d’adapter les architectures matérielles utilisées, qui disposent d’une puissance de calcul moindre.
Elles impliquent également de faire évoluer l’approche de l’Apprentissage Fédéré, en la rendant plus flexible du point de vue de la répartition des calculs et des données. La résolution de cette double problématique nécessite de combiner des expertises diverses : modélisation des architectures d’Apprentissage Fédéré, implémentation efficace des algorithmes d’apprentissage sur cibles matérielles et calculs distribué. Le projet s’appuie donc sur une nouvelle collaboration entre le Lab-STICC et le laboratoire Hubert Curien afin de maı̂triser l’ensemble des thèmes abordés. L’objet du présent projet est d’apporter une double contribution dans ce domaine : 1. inventer des méthodes d’entraı̂nement de modèles sur FPGA, cible matérielle offrant un compromis de premier ordre entre puissance de calcul, flexibilité, efficacité énergétique et coût et 2. inventer des formes d’apprentissage fédéré les mettant à profit. L’impact économique et social sera extrêmement important, puisque les fournisseurs de service pourront continuer à offrir des services ultra-personnalisés, sans violer la vie privée dans un service aux particuliers et sans compromettre des données confidentielles dans un service aux entreprises.

---

Vérification de l’intégrité des documents basée sur des extracteurs flous (FuzzyDoc)

Contact : iuliia.tkachenko@liris.cnrs.fr

Résumé :

De nos jours, la sécurité des documents, qu’ils soient au format électronique ou numérisés, est devenue un véritable problème. Pour y remédier, de nombreuses approches de vérification d’intégrité ont été développées dans la littérature scientifique. Le défi consiste à trouver des caractéristiques robustes aux processus d’impression et de numérisation. Dans le projet FuzzyDoc, nous souhaitons établir une méthodologie pour la détection de fraudes et la vérification d’intégrité dans les documents numérisés.
Les contrefaçons considérées peuvent être un changement ou une suppression de caractère, ou encore une modification de la police ou de son style. Ainsi, la signature utilisée pour représenter le document devra permettre de détecter des modifications, mêmes minimes, opérées sur le document numérisé. Pour cela, nous proposons de nous inspirer des méthodes utilisées en biométrie pour l’extraction de caractéristiques robustes. En effet, comme en biométrie, lorsqu’un document électronique est imprimé et numérisé plusieurs fois, l’image obtenue du document est légèrement différente en raison des caractéristiques optiques des dispositifs de capture. Ainsi, les caractéristiques extraites ont un caractère flou : bien que proches, elles sont rarement identiques. Il s’agira donc d’investiguer l’utilisation des extracteurs flous pour discriminer les modifications sur le document numérisé dues aux processus d’impression et de numérisation de celles de nature malicieuse.

---

Vision Omni-HDR pour la localisation et cartographie visuelles en environnement à large gamme de radiance (HaDROs)

Contact : guillaume.caron@aist.go.jp

Résumé :

L’objectif de ce projet est de revisiter le problème de localisation et cartographie simultanées basées vision (SLAM visuel) en environnement à large gamme de radiance, problématique défiant toujours la vision par ordinateur et la robotique. Il s’appuie sur un type émergeant de capteur multi-vue et multi-exposition temps-réel pour la vision panoramique à large gamme dynamique. En effet, ce nouveau type de capteur ouvre la voie à des solutions disruptives pour le SLAM visuel. Si, par la maximisation du champ de vue utile qu’il offre, il semble régler le problème de gamme dynamique limitée des caméras existantes, il pose toutefois de nouvelles questions de représentation des environnements. Ce projet vise donc à explorer ces questions en abordant les cartes multiples localement denses, selon la radiance de la scène, pour assurer une localisation fiable même quand l’illumination dynamique est difficile, notamment lorsqu’il existe des parties changeantes de la scène éclairées directement par le soleil, alors que d’autres restent dans l’ombre.

---

Multilevel optimization methods for image restoration and graph signal processing (MOMIGS)

Contact : elisa.riccietti@ens-lyon.fr

Résumé :

Nowadays optimization problems in signal processing and imaging are characterized by their increasing dimension. A natural way to tackle such increasingly large problems is to exploit their underlying structure, and to represent them at different resolution levels. The use of multiresolution schemes, such as wavelets transforms, is not new in imagining and is widely used to define regularization strategies. However, such techniques could be used to a wider extent, in order to accelerate the optimization algorithms used for their solution and to tackle large datasets. Techniques based on such ideas are usually called multilevel optimization methods and are well-known and widely used in the field of smooth optimization and especially in the solution of partial differential equations. Optimization problems arising in image reconstruction are however usually nonsmooth and thus solved by proximal methods. Such approaches are efficient for medium scale problems but still computationally demanding for problems with very high-dimensional data.
In this project, we propose to combine proximal methods and multiresolution analysis not only as a regularization, as already proposed in the literature, but as a solution to accelerate proximal algorithms. Moreover, we will tackle also the extension of the multilevel algorithmic solutions to the context of graph reconstruction. Multiscale representation of graph signals is still a debated issue, as several multiresolution analysis schemes were proposed but none of them is really associated to embedded approximation spaces.

---

Réseaux génératifs et transport optimal pour la restauration d’images (REGETO)

Contact : moncef.hidane@univ-tours.fr

Résumé :

En une décennie, les réseaux convolutifs profonds se sont imposés comme le paradigme principal dans le domaine de la vision par ordinateur. Les méthodes basées sur ces réseaux profonds figurent à présent, invariablement, en tête de toutes les compétitions de détection, de reconnaissance et de suivi d’objets. Depuis quelques années, ces méthodes d’apprentissage sont également employées pour résoudre des problèmes de vision de bas niveau, en particulier pour la restauration et la reconstruction des images. Dans ces deux domaines, ces nouvelles méthodes, basées sur l’utilisation d’ensembles d’apprentissage massifs, sont en concurrence avec l’approche analytique variationnelle, dans laquelle une estimation de l’image latente est obtenue en minimisant une fonction de coût composée d’une pénalité permettant d’induire des propriétés structurelles (parcimonie de la représentation ou de la réponse à des filtres passe-haut, redondance de patchs) et d’un terme d’attache aux données.
Récemment, on assiste à l’émergence d’un nouveau cadre méthodologique pour résoudre des problèmes de restauration et de reconstruction d’images, consistant à coupler l’approche variationnelle et l’utilisation de réseaux profonds. Deux grandes familles d’approches se distinguent au sein de ce nouveau cadre, selon que l’ensemble d’apprentissage est utilisé pour ajuster les paramètres d’un réseau de neurones bout-en-bout (end-to-end) ou pour définir la fonction de régularisation.
Nous nous intéressons dans ce projet à des problèmes de restauration d’images, incluant le débruitage, la complétion, la réduction de flou et la super-résolution. L’approche adoptée s’inscrira dans la famille des méthodes variationnelles basées sur l’apprentissage profond. L’objectif est de favoriser des solutions dont les propriétés statistiques sont proches d’un modèle génératif appris en amont sur un ensemble d’images cibles. Pour cela, les avancées récentes dans le domaine du transport optimal numérique seront employées et adaptées afin de définir une divergence entre la distribution empirique associée aux patchs de l’image recherchée et celle d’un modèle génératif profond. La réussite de la mise en œuvre de cette approche nécessite de lever certains verrous scientifiques liés, d’une part, à la modélisation du problème, en particulier la régularisation et la relaxation du transport afin d’éviter la création d’artefacts, d’autre part, à sa mise en œuvre numérique.

---

SEntinel time series SUper REsolution (SENSURE)

Contact : nicolas.audebert@cnam.fr

Résumé :

L’observation de la Terre est un outil majeur pour la modélisation des phénomènes dynamiques géologiques, océaniques, géographiques, et météorologiques. Pourtant, la discipline fait face à un dilemme majeur : est-il préférable d’obtenir souvent des images à faible résolution spatiale ou bien des images détaillées mais plus espacées dans le temps ? À l’heure actuelle, le parti des agences spatiales, et tout particulièrement de l’Agence spatiale européenne (ESA) à travers le programme Copernicus et des constellations Sentinel-1 et -2, est de préférer une fréquence de revisite élevée en sacrifiant les détails dans les images. Ce choix facilite le suivi des phénomènes dynamiques mais la résolution spatiale des capteurs (supérieur à une dizaine de mètres) est alors insuffisante pour analyser le niveau de détails correspondants à des structures fines présentes notamment dans les zones urbaines (bâtiments, routes, arbres isolés).
Le projet SEntinel time series SUper REsolution (SESURE) s’intéresse à développer des approches de super-résolution de séquences d’images satellitaires qui tire bénéfice de la structure temporelle des données. En exploitant l’apprentissage profond sur la masse de données Sentinel-2 acquises sur le territoire métropolitain depuis 2015, SESURE permettra d’inférer une structure subpixellique des pixels dans différentes couleurs dont l’information à moyenne résolution est disponible à plusieurs dates. En outre, le projet s’appuiera sur les données ouvertes SPOT-6 et -7 comme référence réelle à haute résolution et Sentinel-2 pour les séries d’images à basse résolution, contrairement aux méthodes de l’état de l’art actuel qui se borne bien souvent à des évaluations sur des données synthétiques.
SESURE vise ainsi à quantifier l’écart informationnel entre les séries temporelles Sentinel-2 et les acquisitions RGB SPOT très haute résolution. Notamment, nous étudierons l’existence de transformations, réversibles ou non, permettant de passer d’une modalité à l’autre, et ainsi à résoudre le dilemme fréquence d’acquisition/résolution auquel fait actuellement face la communauté de la vision par ordinateur pour la télédétection.

---

SParse & non-convex optimisation for Learning of Inverse image microscopy problems (SPLIN)
Contact : calatroni@i3s.unice.fr

Résumé :

The objective of this project is to push forward the limitations of existing sparse-based approaches for inverse problems in microscopy.