logo EDITE Emanuel ALDEA
Identité
Emanuel ALDEA
État académique
Thèse soutenue le 2009-12-10
Sujet: Apprentissage de données structurées pour l'interprétation d'images
Laboratoire:
Voisinage
Ellipse bleue: doctorant, ellipse jaune: docteur, rectangle vert: permanent, rectangle jaune: HDR. Trait vert: encadrant de thèse, trait bleu: directeur de thèse, pointillé: jury d'évaluation à mi-parcours ou jury de thèse.
Productions scientifiques
EA:EGC-09
Vers une utilisation améliorée de relations spatiales pour l'apprentissage de données dans les modèles graphiques
Extraction et Gestion des Connaissances EGC'2009, Strasbourg, France, pp. 271--282 2009-01
edite:1332792393313
Object Tracking based on Particle Filtering with Multiple Appearance Models
Sixth International Conference on Computer Vision Theory and Applications (VISAPP'11), Algarve, Portugal 2011
oai:hal.archives-ouvertes.fr:hal-00656513
Estimation dense de profondeur combinant approches variationnelles et observateurs asymptotiques
Cet article propose une nouvelle approche pour estimer en temps réel la carte de profondeur instantanée à partir de données inertielles et images fournies par une caméra en mouvement libre dans une scène statique. Une fonction coût invariante par rotation est introduite. Sa minimisation conduit à une estimation de la carte de profondeur, solution d'une équation de diffusion sur la sphère Riemannienne de l'espace à trois dimensions. Transcrite en coordonnées pinhole, cette équation est résolue numériquement et donne une première estimation de la carte de profondeur sur la totalité du champ couvert par la caméra. Un observateur asymptotique reposant sur un modèle géométrique de l'évolution du champ de profondeur à partir des données inertielles, permet ensuite d'affiner continûment cette estimation. Cette approche diffère notablement de la plupart des méthodes actuelles qui estiment la carte de profondeur à partir de plusieurs vues stéréo combinées avec des expansions de régions, ou encore des stratégies probabilistes d'affinement incrémental. Des analyses quantitatives des estimations obtenues sur des données de synthèse illustrent l'intérêt de la méthode proposée. De premiers résultats sur données réelles confirment les simulations sur données synthétiques
Actes de la conférence RFIA 2012 RFIA 2012 (Reconnaissance des Formes et Intelligence Artificielle)proceeding with peer review 2012-01-24
Soutenance
Thèse: Apprentissage de données structurées pour l'interprétation d'images
Soutenance: 2009-12-10