Atelier "doctorants" le jeudi 7 avril à ESIEE Paris

L'équipe A3SI du LIGM (unité mixte de recherche de l'Université Paris Est) organise un atelier "doctorants" le jeudi 7 avril de 13h00 à 15h00, à ESIEE Paris (amphi 260).

Quatre doctorants exposeront leurs travaux :

Parallelization strategy for elementary morphological operators on graphs
Imane Youkana, LIGM, ESIEE

This talk focuses on the graph-based mathematical morphology operators presented in [J. Cousty et al, "Morphological filtering on graphs", CVIU 2013]. These operators depend on a size parameter that specifies the number of iterations of elementary dilations/erosions. Thus, the associated running times increase with the size parameter. In this article, we present distance maps that allow us to determine (by thresholding) all considered dilations and erosions. The algorithms based on distance maps allow the operators to be computed with a single linear-time iteration, without any dependence to the size parameter. Then, we investigate a parallelization strategy to compute these distance maps. The idea is to build iteratively the successive level-sets of the distance maps, each level set being traversed in parallel. Under some reasonable assumptions about the graph and sets to be dilated, our parallel algorithm runs in O(n/p + K log2 p) where n,p, and K are the size of the graph, the number of available processors, and the number of distinct level-sets of the distance map, respectively.

Architecture Dynamiquement Auto-Adaptable pour Systèmes de Vision Embarquée Multi-Capteurs
Ali Isavudeen, LIGM, ESIEE, SAGEM

Les systèmes de vision embarquée ont enregistré durant ces dernières années une évolution presque révolutionnaire. La technologie des systèmes sur puces a démontré une grande capacité d'intégration, facilitant ainsi le développement de systèmes embarqués à fonctionnalités multiples et variées. Malgré les avancées technologiques, les contraintes des systèmes embarqués (faible encombrement, basse consommation), la complexité des nouvelles applications, l'augmentation de la résolution des capteurs, ainsi que la variété spectrale (couleur, infrarouge, bas niveau de lumière) restent toujours un défi de la communauté scientifique et industrielle. Une des réponses à cette problématique est de mettre en place une exploitation intelligente des ressources matérielles. Cette intelligence peut consister en la capacité de l'architecture matérielle du système à s'auto-adapter dynamiquement au besoin du contexte d'utilisation du système.

Nous nous inspirons du principe des systèmes auto-adaptables conscients pour fonder notre architecture auto-adaptable. Une boucle de supervision reposant sur l'observation,  la décision et l'adaptation permet d'intégrer à l'architecture la capacité de s'auto-adapter au cours de l'utilisation du système. Ces différentes unités constituent le Moniteur du système. Les travaux de thèse se penchent d'une part à l'intégration du Moniteur dans l'architecture, d'autre part à l'amélioration de la flexibilité de l'architecture. La mise en place du Moniteur nécessite des réflexions sur l'acheminement des données d'observation mais également sur l'algorithme de décision qui dicte les adaptations à réaliser au niveau de l'architecture de traitement.

Dans un premier temps, nous avons exploré une solution permettant d'adapter l'architecture de traitement à la volée selon le type de capteur. Cette solution ajoute à la technique dite de Reconfiguration Dynamique Partielle, la gestion de l'adaptation par le Moniteur. Dans une seconde piste, nous proposons une adaptation par rapport à la fréquence trames et la résolution du capteur en ajustant la fréquence pixel du traitement. Actuellement nous finalisons des travaux portant sur la mutualisation de ressources de calcul dans le contexte d'une architecture de traitement multi-capteurs hétérogènes. Enfin, un prochain volet abordera l'intégration des fonctionnalités de supervision dans un système d'interconnexion flexible.

Superpixel Convolutional Networks using Bilateral Inceptions
Raghudeep Gadde, LIGM, IMAGINE, ENPC

In this work we propose a CNN architecture for image segmentation. We introduce a new "bilateral inception" module that can be inserted in existing CNN architectures and performs bilateral filtering, at multiple feature-scales, between superpixels in an image. The feature spaces for bilateral filtering and other parameters of the module are learned end-to-end using standard backpropagation techniques. The bilateral inception module addresses two issues that arise with general CNN segmentation architectures. First, this module propagates information between (super) pixels while respecting image edges, thus using the structured information of the problem for improved results. Second, the layer recovers a full resolution segmentation result from the lower resolution solution of a CNN. In the experiments, we modify several existing CNN architectures by inserting our inception modules between "fully-connected" (1 × 1 convolution) layers. Empirical results on three different datasets show reliable improvements not only in comparison to the baseline networks, but also in comparison to several dense-pixel prediction techniques such as CRFs, while being competitive in time.

Automated quantification of the epidermal aging process using in-vivo confocal microscopy
Julie Robic, LIGM, ESIEE, Clarins

Reflectance confocal microscopy (RCM) is a powerful tool to visualize the skin layers at cellular resolution. The epidermal layer appears as a honeycomb pattern, whose regularity decreases with age. Our aim is to provide a method to automatically quantify the regularity of the honeycomb pattern. The proposed strategy relies on a cell-level supervised classification as "regular" or "irregular" using spatial information given by a prior segmentation. The aggregated scores defined by the classification results show significant correlation with chronological aging and photo-aging. Thus, our method enables practitioners to more objectively assess the quality of the epidermal layers on large cohort of subjects.