M2 MM – PERCEPTION, ACQUISITION ET ANALYSE D’IMAGES - année 2021/2022 - J. Glaunès

Examen partiel mercredi 5 janvier 2022 à 15h15 en salle B527. Tout ce qui a été fait en cours et TP est au programme. Pour les slides "Acquisition", "Radiométrie", "Couleur" sur cette page, certaines parties n'ont pas été vues en cours ou trop rapidement, elles sont maintenant marquées "hors programme" en tête de page.

• Contenu du cours :

  • Images numériques - Acquisition

    • Slides du cours

  • Images numériques - Radiométrie

    • Slides du cours
    • TP Radiométrie :
      • notebook initial
      • version du cours
      • correction

  • Images numériques - Couleur

    • Slides du cours
    • TP Transfert de couleurs :
      • notebook initial
      • version du cours, après la séance du 13 octobre
      • correction
    • TP Espaces Couleurs :
      • notebook initial
      • version du cours, après la séance du 21 octobre

  • Transformée de Fourier discrète (TFD) pour le traitement d'images

    • Slides

  • Synthèse de textures

    • Slides du cours
    • TP Synthèse de textures :
      • sujet
      • dossier d'images test (archive : images_textures.zip)
      • Jupyter notebook de démarrage
      • version finale du cours
      • correction complète

  • Réseaux de neurones convolutionnels

    • slides sur les réseaux convolutionnels
    • TP sur les réseaux convolutionnels classifieurs : notebooks CircleSquare_0 , CircleSquare , MNIST
    • TP sur la différentiation automatique : notebooks Tuto_Autodiff_PyTorch , Custom_Autodiff
    • TP sur les réseaux auto-encodeurs : notebook
    • fichier alterations.py
    • TP sur le transfer learning avec ResNet : notebook

• Projets :

  • Sujets :

    • Simulated exposure fusion (code et demo en ligne ICI)
    • Image segmentation by Mean-shift (code et demo en ligne ICI)
    • Study of the Principal Component Analysis Method for the Correction of Images Degraded by Turbulence (code et demo en ligne ICI)
    • A Wasserstein-type distance in the space of Gaussian Mixture Models (code ICI)
    • Patch-based image inpainting, en se basant sur le TP suivant, et en étudiant l'article Video inpainting of complex scenes.
    • An algorithm for Gaussian texture inpainting (code et demo en ligne ICI)
    • Synthesizing and Mixing Stationary Gaussian Texture Models (code ICI)
    • Texture Synthesis Using Convolutional Neural Networks (code ICI)
    • Image Style Transfer Using Convolutional Neural Networks (code ICI)

  • Date des soutenances : autour du 20 janvier. La salle et les horaires de chaque groupe seront donnés plus tard.

  • Consignes pour les projets :

    • D'abord lire et comprendre l'article.
    • Ecrire un rapport (un rapport par groupe), d'environ 10 à 15 pages, sur la méthode proposée dans l'article. Le rapport doit tout d'abord présenter de façon générale l'article. Ensuite vous pouvez ajouter quelques compléments qui vous semblent intéressants : par exemple ça peut être la preuve mathématique d'un certain résultat qui n'est pas fait dans l'article ou fait trop rapidement. Ou bien établir des liens avec certaines méthodes vues en cours. Ou bien encore vous pouvez faire un petit développement sur une notion ou théorie plus générale que l'article utilise.
    • Partie expérimentale :
      • si un code est disponible avec l'article, le télécharger et le faire fonctionner. Refaire les expériences de l'article et faire si possible des expériences également sur d'autres images de votre choix. De plus, il faut pouvoir montrer que vous comprenez le code lui-même : vous pouvez par exemple recoder par vous-même une sous-partie de l'algorithme qui vous semble intéressante en elle-même. Ou bien trouver une variante de l'algorithme que vous pourrez tester en modifiant le code fourni.
      • s'il n'y a pas de code accompagnant l'article, coder la méthode par vous-même (normalement dans ce cas la méthode est assez simple à implémenter) et faire des expériences.
    • Répartissez-vous les tâches. Par exemple l'un d'entre vous peut se concentrer sur une partie spécifique, l'autre préparer un complément sur une notion plus générale, et le troisième faire plutôt la partie expérimentale. Ou bien par exemple deux étudiants se concentrent sur le code, mais l'un est chargé de faire plusieurs expériences, l'autre de coder une variante de l'algorithme. Au final cependant il faut que chacun ait compris ce qu'ont fait les autres.
    • Présentation orale finale : chaque étudiant passera séparément, pendant 15 minutes (10 minutes de présentation et 5 minutes de questions environ). Il doit présenter l'article de façon générale et ensuite présenter la partie sur laquelle il s'est concentré spécifiquement. Il faut présenter l'article et ce que vous avez fait comme si vous faisiez un exposé scientifique. Autrement dit vous faites comme si vous vous adressiez à des personnes ayant de bonnes connaissances dans le domaine math/image mais ne connaissant pas du tout la méthode.
    • Il faut m'envoyer au plus tard deux jours avant la soutenance :
      • le rapport, sous forme pdf
      • les codes, sous forme d'archive Zip. Bien mettre tout ce qui est nécessaire pour faire fonctionner le code (images test, etc.) dans le dossier, et bien indiquer quel(s) fichier(s) sont à exécuter.
    • Le jour de la soutenance ou bien juste après, il faudra m'envoyer aussi vos slides de la présentation.