École Nationale Supérieure de
Techniques Avancées

Résumé

Pour assurer la robustesse d’un algorithme de détection, il est nécessaire de maîtriser son point de fonctionnement, et en particulier son taux de fausses alarmes. Cette tâche est particulièrement difficile en vision artificielle à cause de la grande variabilité des images naturelles, qui amène généralement à introduire des paramètres choisis a priori qui limitent la portée et la validité des algorithmes. Récemment, l’approche statistique a contrario a montré sa capacité à détecter des structures visuelles sans autre paramètre libre que le nombre moyen de fausses alarmes tolérées, en recherchant des entités dont certaines propriétés sont statistiquement trop improbables pour être le fruit du hasard. Les applications existantes reposent toutefois sur un cadre purement analytique qui requiert un travail important de modélisation, rend difficile l’utilisation de caractéristiques multiples et limite l’utilisation d’heuristiques de recherche dirigées par les données. Nous proposons dans cette thèse d’assouplir ces restrictions en ayant recours à de l’apprentissage pour les quantités non calculables analytiquement. Nous illustrons l’intérêt de la démarche à travers trois applications : la détection de segments, la segmentation en régions homogènes et la détection d’objets à partir d’une base de photos. Pour les deux premières applications, nous montrons que des seuils de détection robustes peuvent être appris à partir d’images de bruit blanc. Pour la dernière, nous montrons que quelques exemples d’images naturelles ne contenant pas d’objets de la base suffisent pour obtenir un algorithme de détection fiable. Enfin, nous remarquons que la monotonicité du raisonnement a contrario permet d’intégrer incrémentalement des informations partielles. Cette propriété nous conduit à proposer une architecture “anytime” pour la détection d’objets, c’est-à-dire capable de fournir des détections progressivement au cours de son exécution, en commençant par les objets les plus saillants. L’algorithme peut donc être stoppé à tout moment pour satisfaire à des contraintes temporelles.