Atelier "doctorants" le jeudi 19 novembre à ESIEE Paris

L'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) organise un atelier doctorants le Jeudi 19 novembre de 13h30 à 15h00, amphi 260  (ESIEE PARIS) :

  • Real to rendered-view adaptation for exemplar 2D-3D detection
    Francisco Vitor Suzano Massa, LIGM, IMAGINE, ENPC

We present an end-to-end approach for 2D-3D exemplar detection with a convolutional neural network (CNN). Our pipeline performs detection by comparing candidate bounding boxes to a potentially large set of 3D models rendered views. We demonstrate that the ability to adapt the features of natural images to better align with those of CAD rendered views is critical to the success of this technique, and that this adaptation can be efficiently  learned without any annotated data. We show that our approach naturally fits in a CNN architecture, and brings to 2D-3D exemplar-based detection the benefits from recent advances in deep learning, both in terms of accuracy and speed. We evaluate our method against two key approaches for performing detection by 3D alignment without any image annotation. We show that we clearly out-perform previous state-of-the-art approach for instance detection on several classes from the IKEA benchmark and that we improve by a large margin the results of Aubry et al. for "chair" detection on their subset of Pascal VOC.

  • Suppression du flicker pour l'acquisition vidéo en haute vitesse
    Ali Kanj, LIGM, ESIEE

Lors de l'acquisition des vidéos à haute vitesse (au delà de 100 images par seconde), l'utilisation d'un éclairage artificiel peut induire un niveau de luminosité non uniforme et une variation colorimétrique d'une image à l'autre, ce qui est couramment dénommé "flicker" en anglais. Ce problème est devenu plus courant compte tenu de la disponibilité de dispositifs d'acquisition à haute vitesse grand public, par exemple, dans les générations les plus récentes de smartphones ou les caméras "sport/action".

L'objet de notre travail est de stabiliser les variations lumineuses dans les séquences d'images et supprimer le flicker en présence de plusieurs sources de lumière qui illuminent la scène et avec des mouvements complexes. Nos travaux résolvent ces problèmes compliqués et servent à stabiliser la luminosité et la colorimétrie d'une manière locale en gérant simultanément le suivi du mouvement par bloc et l'estimation des paramètres de transformation colorimétrique.

  • Cut Pursuit: a working set algorithm to learn piecewise constant functions
    Loïc Landrieu, LIGM, IMAGINE, ENPC

Piecewise constant functions, i.e. functions that have a low number of level sets, are ubiquitous in image analysis as well as medical imagery. We propose a working-set algorithm to solve problems penalized by the convex regularization known as total variation for such functions.

Our algorithms exploit the piecewise constant structure by recursively splitting the level-sets using graph cuts. We obtain significant speed up on images that can be approximated with few level-sets compared to state-of-the-art algorithms, as well as efficient regularization path computation.