Publication :
Vision numérique avec peu d'étiquettes : segmentation d'objets et analyse de l'impact de la pluie

Notice brève
bul.contributor.advisor-marc100Lalonde, Jean-François|=$aLalonde, Jean-François$c(Professeur)
bul.contributor.advisor-marc100Zaccarin, André|=$aZaccarin, André,$d1963-
bul.contributor.author-marc100Tremblay, Maxime|=$aTremblay, Maxime,$d1985-
bul.date.reception2021-04-21
bul.description.alireembre3 spbar
bul.faculteFaculté des sciences et de génie.
bul.identifier.controlNumber1250250557
bul.identifier.uuida8f33530-2422-4620-8dc7-244ab3530c9f
dc.contributor.advisorZaccarin, André
dc.contributor.advisorLalonde, Jean-François
dc.contributor.authorTremblay, Maxime
dc.date.accessioned2021-05-10T07:22:38Z
dc.date.available2021-05-10T07:22:38Z
dc.date.issued2021
dc.date.updated20210518
dc.description.abstractUn besoin ayant toujours existé dans le domaine de la vision numérique est celui d'avoir accès à des ensembles d'images annotées. Les avancements scientifiques et technologiques ont exacerbé les besoins en données étiquetées; un modèle d'apprentissage profond peut nécessiter des milliers, voire des centaines de milliers (dépendamment de la complexité du problème), d'images étiquetées. Cela peut causer un problème puisque générer de grands ensembles de données étiquetées est une tâche longue et ardue. Est-il possible de travailler en vision numérique sans avoir à collecter et étiqueter des ensembles de données de plus en plus grands ? Dans le cadre de cette thèse, nous tentons de répondre à cette question sur deux fronts différents. Premièrement, nous avons développé une approche de détection et segmentation d'objets nécessitant peu de données d'entraînement. Cette approche, inspirée des modèles par les bag-of-words, modélise l'apparence et la forme des objets de façon éparse; la modélisation de la forme se fait par l'entremise d'un nouveau descripteur de forme. Deuxièmement, nous nous sommes penchés sur le fait que certains ensembles de données sont difficilement capturables et étiquetables. Nous nous sommes concentrés sur un exemple particulier, c'est-à-dire générer un ensemble d'images de scènes extérieures avec de la pluie dont les annotations consistent au taux de précipitation (mm/h). Notre solution consiste à augmenter des images réelles avec de la pluie synthétique. Si ces images augmentées sont suffisamment réalistes, il est possible d'expérimenter sur celles-ci comme si elles étaient des images de pluie réelle. Dans nos expérimentations, nous avons évalué l'effet de la pluie sur différents algorithmes de vision numérique et nous avons augmenté la robustesse de ceux-ci sur des images contenant de la vraie pluie.fr
dc.format.extent1 ressource en ligne (xii, 157 pages)
dc.identifier.bacTC-QQLA-36994
dc.identifier.nothese36994
dc.identifier.other36994
dc.identifier.urihttp://hdl.handle.net/20.500.11794/69039
dc.languagefre
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.subject.rvmVision par ordinateur.fr_CA
dc.subject.rvmImages numériques -- Étiquetage.fr_CA
dc.subject.rvmSegmentation d'image.fr_CA
dc.subject.rvmPluie.fr_CA
dc.subject.rvmAlgorithmes.fr_CA
dc.subject.rvmJeux de données.fr_CA
dc.titleVision numérique avec peu d'étiquettes : segmentation d'objets et analyse de l'impact de la pluie
dc.typethèse de doctorat
dc.type.legacyCOAR1_1::Texte::Thèse::Thèse de doctoratfr
dcterms.publisher.locationQuébec
dspace.accessstatus.time2022-11-15 23:11:39
dspace.entity.typePublication
etdms.degree.disciplineDoctorat en génie électrique
etdms.degree.grantorUniversité Lavalfr_CA
etdms.degree.namePhilosophiæ doctor (Ph. D.)fr_CA
relation.isAdvisorOfPublicationbf4d407c-446e-4997-ad93-ce06a2d6a0ba
relation.isAdvisorOfPublicationd4a21b62-cb04-44db-9fee-8b00022d11ca
relation.isAdvisorOfPublication.latestForDiscoverybf4d407c-446e-4997-ad93-ce06a2d6a0ba
relation.isAuthorOfPublication000cb70e-acb7-45da-a9be-f6b5e653d302
relation.isAuthorOfPublication.latestForDiscovery000cb70e-acb7-45da-a9be-f6b5e653d302
relation.isResourceTypeOfPublicationea18b676-87ff-47c6-8d0d-fc3b87c36448
relation.isResourceTypeOfPublication.latestForDiscoveryea18b676-87ff-47c6-8d0d-fc3b87c36448
Fichiers
Bundle original
Voici les éléments 1 - 1 sur 1
Vignette d'image
Nom :
36994.pdf
Taille :
111.11 MB
Format :
Adobe Portable Document Format
Description :
Télécharger
Collections
Thèses et mémoires