Apprentissage par dictionnaire pour la séparation de sources sous contraintes spatiales
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Bhanot, Argheesh
Date de soutenance : 05-07-2021

Directeur(s) de thèse : Heitz, Fabrice - Harsan, Laura-Adela

Président : Brie, David
Rapporteur(s) : Ferrari, André - Achard, Sophie
Membre(s) du jury : Meillier, Céline

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Signal, image, automatique, robotique
Classification : Sciences de l'ingénieur

Mots-clés libres : Séparation de sources, Apprentissage par dictionnaire, Optimisation, Tests multiples, IRMf, Scintigraphie, Données hyperspectrale
Mots-clés :
  • Séparation de sources (traitement du signal)
Résumé : Avec l'augmentation de la disponibilité de données complexes spatialement structurées, c'est-à-dire des images 2D ou 3D contenant des informations temporelles (IRMf, scintigraphie) ou des informations spectrales (imagerie hyperspectrale), des nouvelles techniques pour estimer la présence, la localisation et la contribution des sources de ces signaux sont nécessaires. Les acquisitions de ces signaux spatialement structurés entraînent nécessairement un compromis entre la résolution temporelle/spectrale et la résolution spatiale. Cette dernière est généralement sacrifiée au profit de la résolution des signaux qui portent l'information d'intérêt. En présence de plusieurs sources distinctes proches, les pixels/voxels présentent un fort mélange entre la contribution des différentes sources. De plus, si les sources sont spatialement peu étendues, le démélange devient un problème très mal posé et nécessite l'introduction de régularisations pour contraindre la solution du problème de séparation de sources. Nous nous intéressons dans ce travail aux données pour lesquelles une information de localisation spatiale des sources, potentiellement approximative, est disponible (via une autre modalité d'observation ou des connaissances fournies par des experts des données). Ce travail présente ainsi une méthode générique de type apprentissage par dictionnaire, dans laquelle nous incorporons les informations de localisation dans la régularisation en place de la traditionnelle contrainte de parcimonie de type l1, pour permettre le démélange strictement sous les régions d'intérêt. Afin d'illustrer les performances de cette nouvelle approche, celle-ci est testée et comparée aux méthodes spécialisées, développées dans la littérature, en scintigraphie, astronomie, et IRMf. Les résultats obtenus avec la méthode générique proposée sont comparables à ceux de ces méthodes dans l’état de l’art.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD022
Type de ressource : Thèse