Author: "Dobigeon, Nicolas" / Database: OpenAIRE - Searchworks@Jio Institute Digital Library Search Results

Your search keyword '"Dobigeon, Nicolas"' showing total 65 results

Start Over Author "Dobigeon, Nicolas" Database OpenAIRE

65 results on '"Dobigeon, Nicolas"'

1. Méthode MCMC plug-and-play avec a priori génératif profond

Author: Coeurdoux, Florentin, Dobigeon, Nicolas, Chainais, Pierre, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), and ANR-20-CHIA-0031,SHERLOCK,Inférence rapide et contrôle de l'incertitude: applications aux observations astrophysiques.(2020)
Subjects: [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV]
Abstract: International audience; Plug-and-Play (PnP) methods are a class of iterative algorithms for inverse problems solving in which regularization is provided by a generic denoiser. Although producing very good results, these PnP optimization methods produce only point estimators and not a complete characterization of the posterior distribution. We propose a new family of stochastic PnP methods by exploiting a Gibbs sampling algorithm coupled with a generative neural network. In addition to a point estimator, the proposed approach provides confidence intervals for a moderate computational cost. The efficiency of the proposed samplers is evaluated through simulations of image reconstruction problems. The performances of the proposed estimators compare favorably with those of the most recent optimization and MCMC algorithms.; Les méthodes Plug-and-Play (PnP) forment une classe d'algorithmes itératifs pour la résolution de problèmes inverses dans lesquels la régularisation est assurée par le recours à un débruiteur générique. Bien que produisant de très bons résultats, ces méthodes d'optimisation PnP ne produisent souvent que des estimateurs ponctuels et non une caractérisation complète de la distribution a posteriori. Nous proposons une nouvelle famille de méthodes PnP stochastiques en exploitant un algorithme d'échantillonnage de Gibbs couplé à un réseau de neurones génératif. En plus d'un estimateur ponctuel, l'approche proposée fournit des intervalles de confiance pour un coût de calcul très modéré. L'efficacité des échantillonneurs proposés est évaluée grâce à des simulations de problèmes de reconstruction d'image. Les performances des estimateurs proposés se comparent favorablement à celles des algorithmes d'optimisation et MCMC les plus récents.
Published: 2023

2. AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder and Regularization by Denoising

Author: Zhao, Min, Chen, Jie, and Dobigeon, Nicolas
Subjects: FOS: Computer and information sciences, Computer Vision and Pattern Recognition (cs.CV), Image and Video Processing (eess.IV), FOS: Electrical engineering, electronic engineering, information engineering, Computer Science - Computer Vision and Pattern Recognition, Electrical Engineering and Systems Science - Image and Video Processing
Abstract: Spectral unmixing has been extensively studied with a variety of methods and used in many applications. Recently, data-driven techniques with deep learning methods have obtained great attention to spectral unmixing for its superior learning ability to automatically learn the structure information. In particular, autoencoder based architectures are elaborately designed to solve blind unmixing and model complex nonlinear mixtures. Nevertheless, these methods perform unmixing task as blackboxes and lack of interpretability. On the other hand, conventional unmixing methods carefully design the regularizer to add explicit information, in which algorithms such as plug-and-play (PnP) strategies utilize off-the-shelf denoisers to plug powerful priors. In this paper, we propose a generic unmixing framework to integrate the autoencoder network with regularization by denoising (RED), named AE-RED. More specially, we decompose the unmixing optimized problem into two subproblems. The first one is solved using deep autoencoders to implicitly regularize the estimates and model the mixture mechanism. The second one leverages the denoiser to bring in the explicit information. In this way, both the characteristics of the deep autoencoder based unmixing methods and priors provided by denoisers are merged into our well-designed framework to enhance the unmixing performance. Experiment results on both synthetic and real data sets show the superiority of our proposed framework compared with state-of-the-art unmixing approaches.
Published: 2023

3. Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference

Author: Coeurdoux, Florentin, Dobigeon, Nicolas, and Chainais, Pierre
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Statistics - Machine Learning, Computer Vision and Pattern Recognition (cs.CV), Computer Science - Computer Vision and Pattern Recognition, Machine Learning (stat.ML), Machine Learning (cs.LG)
Abstract: This paper introduces a stochastic plug-and-play (PnP) sampling algorithm that leverages variable splitting to efficiently sample from a posterior distribution. The algorithm based on split Gibbs sampling (SGS) draws inspiration from the alternating direction method of multipliers (ADMM). It divides the challenging task of posterior sampling into two simpler sampling problems. The first problem depends on the likelihood function, while the second is interpreted as a Bayesian denoising problem that can be readily carried out by a deep generative model. Specifically, for an illustrative purpose, the proposed method is implemented in this paper using state-of-the-art diffusion-based generative models. Akin to its deterministic PnP-based counterparts, the proposed method exhibits the great advantage of not requiring an explicit choice of the prior distribution, which is rather encoded into a pre-trained generative model. However, unlike optimization methods (e.g., PnP-ADMM) which generally provide only point estimates, the proposed approach allows conventional Bayesian estimators to be accompanied by confidence intervals at a reasonable additional computational cost. Experiments on commonly studied image processing problems illustrate the efficiency of the proposed sampling strategy. Its performance is compared to recent state-of-the-art optimization and sampling methods.
Published: 2023

4. Probabilistic Simplex Component Analysis by Importance Sampling

Author: Granot, Nerya, Diskin, Tzvi, Dobigeon, Nicolas, and Wiesel, Ami
Subjects: Signal Processing (eess.SP), FOS: Electrical engineering, electronic engineering, information engineering, Electrical Engineering and Systems Science - Signal Processing
Abstract: In this paper we consider the problem of linear unmixing hidden random variables defined over the simplex with additive Gaussian noise, also known as probabilistic simplex component analysis (PRISM). Previous solutions to tackle this challenging problem were based on geometrical approaches or computationally intensive variational methods. In contrast, we propose a conventional expectation maximization (EM) algorithm which embeds importance sampling. For this purpose, the proposal distribution is chosen as a simple surrogate distribution of the target posterior that is guaranteed to lie in the simplex. This distribution is based on the Gaussian linear minimum mean squared error (LMMSE) approximation which is accurate at high signal-to-noise ratio. Numerical experiments in different settings demonstrate the advantages of this adaptive surrogate over state-of-the-art methods.
Published: 2023

5. Guided Deep Generative Model-based Spatial Regularization for Multiband Imaging Inverse Problems

Author: Zhao, Min, Dobigeon, Nicolas, and Chen, Jie
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Image and Video Processing (eess.IV), FOS: Electrical engineering, electronic engineering, information engineering, Electrical Engineering and Systems Science - Image and Video Processing, Machine Learning (cs.LG)
Abstract: When adopting a model-based formulation, solving inverse problems encountered in multiband imaging requires to define spatial and spectral regularizations. In most of the works of the literature, spectral information is extracted from the observations directly to derive data-driven spectral priors. Conversely, the choice of the spatial regularization often boils down to the use of conventional penalizations (e.g., total variation) promoting expected features of the reconstructed image (e.g., piecewise constant). In this work, we propose a generic framework able to capitalize on an auxiliary acquisition of high spatial resolution to derive tailored data-driven spatial regularizations. This approach leverages on the ability of deep learning to extract high level features. More precisely, the regularization is conceived as a deep generative network able to encode spatial semantic features contained in this auxiliary image of high spatial resolution. To illustrate the versatility of this approach, it is instantiated to conduct two particular tasks, namely multiband image fusion and multiband image inpainting. Experimental results obtained on these two tasks demonstrate the benefit of this class of informed regularizations when compared to more conventional ones.
Published: 2023
Full Text: View/download PDF

6. Sliced-Wasserstein normalizing flows: beyond maximum likelihood training

Author: Coeurdoux, Florentin, Dobigeon, Nicolas, Chainais, Pierre, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), and Université Fédérale Toulouse Midi-Pyrénées
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Artificial Intelligence (cs.AI), [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Statistics - Machine Learning, Computer Science - Artificial Intelligence, Machine Learning (stat.ML), [INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE], Machine Learning (cs.LG), [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning; International audience; Despite their advantages, normalizing flows generally suffer from several shortcomings including their tendency to generate unrealistic data (e.g., images) and their failing to detect out-of-distribution data. One reason for these deficiencies lies in the training strategy which traditionally exploits a maximum likelihood principle only. This paper proposes a new training paradigm based on a hybrid objective function combining the maximum likelihood principle (MLE) and a sliced-Wasserstein distance. Results obtained on synthetic toy examples and real image data sets show better generative abilities in terms of both likelihood and visual aspects of the generated samples. Reciprocally, the proposed approach leads to a lower likelihood of out-of-distribution data, demonstrating a greater data fidelity of the resulting flows.
Published: 2022

7. Learning optimal transport between two empirical distributions with normalizing flows

Author: Coeurdoux, Florentin, Dobigeon, Nicolas, Chainais, Pierre, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), and ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019)
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], Statistics - Machine Learning, Optimal transport, Machine Learning (stat.ML), Normalizing flows, Machine Learning (cs.LG), Generative model, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Optimal transport (OT) provides effective tools for comparing and mapping probability measures. We propose to leverage the flexibility of neural networks to learn an approximate optimal transport map. More precisely, we present a new and original method to address the problem of transporting a finite set of samples associated with a first underlying unknown distribution towards another finite set of samples drawn from another unknown distribution. We show that a particular instance of invertible neural networks, namely the normalizing flows, can be used to approximate the solution of this OT problem between a pair of empirical distributions. To this aim, we propose to relax the Monge formulation of OT by replacing the equality constraint on the pushforward measure by the minimization of the corresponding Wasserstein distance. The push-forward operator to be retrieved is then restricted to be a normalizing flow which is trained by optimizing the resulting cost function. This approach allows the transport map to be discretized as a composition of functions. Each of these functions is associated to one sub-flow of the network, whose output provides intermediate steps of the transport between the original and target measures. This discretization yields also a set of intermediate barycenters between the two measures of interest. Experiments conducted on toy examples as well as a challenging task of unsupervised translation demonstrate the interest of the proposed method. Finally, some experiments show that the proposed approach leads to a good approximation of the true OT.
Published: 2022

8. Approximation du transport optimal entre distributions empiriques par flux de normalisation

Author: Coeurdoux, Florentin, Dobigeon, Nicolas, Chainais, Pierre, Dobigeon, Nicolas, Artificial and Natural Intelligence Toulouse Institute - - ANITI2019 - ANR-19-P3IA-0004 - P3IA - VALID, Inférence rapide et contrôle de l'incertitude: applications aux observations astrophysiques. - - SHERLOCK2020 - ANR-20-CHIA-0031 - PNIA - VALID, ULNE - - ULNE2016 - ANR-16-IDEX-0004 - IDEX - VALID, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), Région Hauts-de-France, ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), ANR-20-CHIA-0031,SHERLOCK,Inférence rapide et contrôle de l'incertitude: applications aux observations astrophysiques.(2020), and ANR-16-IDEX-0004,ULNE,ULNE(2016)
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-TS] Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [PHYS.PHYS.PHYS-DATA-AN] Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [PHYS.PHYS.PHYS-DATA-AN]Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: Normalization flows are generic and powerful tools for probabilistic modeling and density estimation. In this paper, we show that this class of models can also be used to approximate the solution of an optimal transport problem between any empirical distributions. Specifically, the optimal transport plan is approximated by an invertible network whose training is based on the relaxation of the Monge formulation. This approach has the advantage of allowing a discretization of this transport plan into a composition of functions associated with each layer of the network, providing intermediate transports between two measures., Les flux de normalisation sont des outils génériques et puissants pour l'élaboration de modèles probabilistes et l'estimation de densité. Dans cet article, nous montrons que cette classe de modèles permet également d'approcher la solution d'un problème de transport optimal entre distributions empiriques quelconques. Précisément, la fonction de transport optimal est approchée par un réseau inversible dont l'entraînement repose sur une relaxation de la formulation de Monge. Cette approche a notamment l'avantage de permettre une discrétisation de cette fonction de transport en une composition de fonctions associées à chacune des couches du réseau, permettant d'obtenir les transports intermédiaires entre deux mesures.
Published: 2022

9. CD-GAN: a robust fusion-based generative adversarial network for unsupervised remote sensing change detection with heterogeneous sensors

Author: Wang, Jin-Ju, Dobigeon, Nicolas, Chabert, Marie, Wang, Ding-Cheng, Huang, Ting-Zhu, and Huang, Jie
Subjects: FOS: Computer and information sciences, Computer Science - Machine Learning, Computer Vision and Pattern Recognition (cs.CV), Image and Video Processing (eess.IV), FOS: Electrical engineering, electronic engineering, information engineering, Computer Science - Computer Vision and Pattern Recognition, Electrical Engineering and Systems Science - Image and Video Processing, Machine Learning (cs.LG)
Abstract: In the context of Earth observation, the detection of changes is performed from multitemporal images acquired by sensors with possibly different spatial and/or spectral resolutions or even different modalities (e.g. optical, radar). Even limiting to the optical modality, this task has proved to be challenging as soon as the sensors have different spatial and/or spectral resolutions. This paper proposes a novel unsupervised change detection method dedicated to images acquired with such so-called heterogeneous optical sensors. This method capitalizes on recent advances which frame the change detection problem into a robust fusion framework. More precisely, we show that a deep adversarial network designed and trained beforehand to fuse a pair of multiband optical images can be easily complemented by a network with the same architecture to perform change detection. The resulting overall architecture itself follows an adversarial strategy where the fusion network and the additional network are interpreted as essential building blocks of a generator. A comparison with state-of-the-art change detection methods demonstrates the versatility and the effectiveness of the proposed approach.
Published: 2022

10. Perception et apprentissage de représentations

Author: Devy, Michel, Lerasle, Frédéric, Dobigeon, Nicolas, Févotte, Cédric, Équipe Robotique, Action et Perception (LAAS-RAP), Laboratoire d'analyse et d'architecture des systèmes (LAAS), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National de la Recherche Scientifique (CNRS), ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), European Project: 681839,H2020,ERC-2015-CoG,FACTORY(2016), Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Dobigeon, Nicolas, Artificial and Natural Intelligence Toulouse Institute - - ANITI2019 - ANR-19-P3IA-0004 - P3IA - VALID, and New paradigms for latent factor estimation - FACTORY - - H20202016-09-01 - 2021-08-31 - 681839 - VALID
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TS] Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [PHYS.PHYS.PHYS-DATA-AN] Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [PHYS.PHYS.PHYS-DATA-AN]Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; La perception vise à concevoir, programmer et évaluer des algorithmes pour analyser des données acquises par des capteurs (caméras, micros etc...) pour en déduire des informations pertinentes sur un environnement. Elle s'appuie sur l'apprentissage de représentations, sous la forme de descripteurs exploités pour détecter et identifier ces informations.
Published: 2020

11. Successive Nonnegative Projection Algorithm for Linear Quadratic Mixtures (EUSIPCO 2020)

Author: Kervazo, Christophe, Gillis, Nicolas, Dobigeon, Nicolas, University of Mons [Belgium] (UMONS), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National Polytechnique (Toulouse) (Toulouse INP), Fonds de la Recherche Scientifique - FNRS and the Fonds Wetenschappelijk Onderzoek - Vlanderen (FWO) under EOS Project n° O005318F-RG47, EURASIP : European Association for Signal Processing, ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), and European Project: 679515,H2020,ERC-2015-STG,COLORAMAP(2016)
Subjects: Non-linear Hyperspectral Unmixing, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Non-linear Blind Source Separation, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Separability and Pure-Pixel Assumption, Nonnegative Matrix Factorization, Linear-Quadratic Models, [PHYS.PHYS.PHYS-DATA-AN]Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; In this work, we tackle the problem of hyperspectral unmixing by departing from the usual linear model and focusing on a linear-quadratic (LQ) one. The algorithm we propose, coined Successive Nonnegative Projection Algorithm for Linear Quadratic mixtures (SNPALQ), extends the Successive Nonnegative Projection Algorithm (SNPA), specifically designed to address the unmixing problem under a linear non-negative model and the pure-pixel assumption (a.k.a. near-separable assumption). By explicitly modeling the product terms inherent to the LQ model along the iterations of the SNPA scheme, the nonlinear contributions of the mixing are mitigated, thus improving the separation quality. The approach is shown to be relevant in realistic numerical experiments, which further highlight that SNPALQ is robust to noise.
Published: 2021

12. Successive Nonnegative Projection Algorithm for Linear Quadratic Mixtures (iTWIST 2020)

Author: Kervazo, Christophe, Gillis, Nicolas, Dobigeon, Nicolas, University of Mons [Belgium] (UMONS), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National Polytechnique (Toulouse) (Toulouse INP), Fonds de la Recherche Scientifique - FNRS and the Fonds Wetenschappelijk Onderzoek - Vlanderen (FWO) under EOS Project n° O005318F-RG47, and European Project: 679515,H2020,ERC-2015-STG,COLORAMAP(2016)
Subjects: Non-linear Hyperspectral Unmixing, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Non-linear Blind Source Separation, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Separability and Pure-Pixel Assumption, Nonnegative Matrix Factorization, Linear-Quadratic Models, [PHYS.PHYS.PHYS-DATA-AN]Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; In this work, we tackle the problem of hyperspectral (HS) unmixing by departing from the usual linear model and focusing on a Linear-Quadratic (LQ) one. The proposed algorithm, referred to as Successive Nonnegative Projection Algorithm for Linear Quadratic mixtures (SNPALQ), extends the Successive Nonnegative Projection Algorithm (SNPA), designed to address the unmixing problem under a linear model. By explicitly modeling the product terms inherent to the LQ model along the iterations of the SNPA scheme, the nonlinear contributions in the mixing are mitigated, thus improving the separation quality. The approach is shown to be relevant in a realistic numerical experiment.
Published: 2020

13. Reconstruction of partially sampled STEM-EELS images with atomic resolution

Author: Monier, Etienne, Oberlin, Thomas, Brun, Nathalie, Dobigeon, Nicolas, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut Supérieur de l'Aéronautique et de l'Espace (ISAE-SUPAERO), Laboratoire de Physique des Solides (LPS), Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National Polytechnique (Toulouse) (Toulouse INP), Nicolas Dobigeon, Toulouse INP, France, Cédric Févotte, CNRS, France, and Dobigeon, Nicolas
Subjects: [INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI], [INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TS] Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], [INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG], [PHYS.PHYS.PHYS-DATA-AN] Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [PHYS.PHYS.PHYS-DATA-AN]Physics [physics]/Physics [physics]/Data Analysis, Statistics and Probability [physics.data-an], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Electron microscopy has shown to be a powerful tool to ana-lyze chemical composition of samples. However, acquiring a high qualityimage is hard due to radiation damages which limit the signal-to-noiseratio. One solution, considered in this work, consists in spatially partiallyacquiring the multi-band image and reconstructing it afterwards. Wepropose a reconstruction algorithm, referred to as Fourier sparsity in3D (FS3D), based on a regularization specifically tailored for atomicallyresolved images. Experiments show that the proposed FS3D method leadsto state-of-the-art results with a significantly lighter computational cost.
Published: 2019

14. Modèles augmentés asymptotiquement exacts

Author: Vono, Maxime, Dobigeon, Nicolas, Chainais, Pierre, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut National Polytechnique (Toulouse) (Toulouse INP), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), PNRIA, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Ecole Centrale de Lille (FRANCE), Université de Lille (FRANCE), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Asymptotically exact data augmentation (AXDA), [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Traitement du signal et de l'image
Abstract: National audience; L’introduction de variables auxiliaires dans un modèle statistique est communément utilisée afin de simplifier une tâche d’inférence ou augmenter son efficacité. Cependant, l’introduction de ces variables telles que la distribution de probabilité initiale soit préservée relève bien souvent d’un art subtil. Cet article présente un cadre statistique unificateur permettant de lever ces verrous en relâchant l’hypothèse d’augmentation exacte. Ce cadre, appelé asymptotically exact data augmentation(AXDA), regroupe certains modèles de mélange, les modèles bayésiens robustes ou encore ceux construits à partir du splittingde variables. Afin d’illustrer l’intérêt d’une telle approche, un échantillonneur de Gibbs basé sur un modèle AXDA est présenté.
Published: 2019

15. Cofactorisation de matrices pour le démélange et la classification conjoints d'images hyperspectrales (SFPT-GH 2019)

Author: Lagrange, Adrien, Fauvel, Mathieu, May, Stéphane, Bioucas-Dias, José M., Dobigeon, Nicolas, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Centre d'études spatiales de la biosphère (CESBIO), Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche pour le Développement (IRD)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Institut national des sciences de l'Univers (INSU - CNRS)-Observatoire Midi-Pyrénées (OMP), Météo France-Centre National d'Études Spatiales [Toulouse] (CNES)-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche pour le Développement (IRD)-Météo France-Centre National d'Études Spatiales [Toulouse] (CNES)-Centre National de la Recherche Scientifique (CNRS), Centre National d'Études Spatiales [Toulouse] (CNES), Instituto de Telecomunicações [Lisboa, Portugal], Institut National Polytechnique (Toulouse) (Toulouse INP), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut de Recherche pour le Développement (IRD)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut national des sciences de l'Univers (INSU - CNRS)-Observatoire Midi-Pyrénées (OMP), and Université de Toulouse (UT)-Université de Toulouse (UT)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National d'Études Spatiales [Toulouse] (CNES)-Centre National de la Recherche Scientifique (CNRS)-Météo-France -Institut national des sciences de l'Univers (INSU - CNRS)-Centre National d'Études Spatiales [Toulouse] (CNES)-Centre National de la Recherche Scientifique (CNRS)-Météo-France -Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)
Subjects: Images hyperspectrales, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Classification supervisée, Démélange spectral, Cofactorisation
Abstract: International audience; La classification supervisée et le démélange spectral sont parmi les techniques les plus utilisées pour extraire l’information d’images hyperspectrales. Bien que ces deux méthodes sont couramment utilisées, elles n’ont que très rarement été envisagées conjointement. Au lieu d’utiliser ces méthodes de manière séquentielle, comme on le voit les travaux déjà réalisés [1], nous proposons ici d’introduire le concept de démélange et classification conjoints.
Published: 2019

16. Reconstruction de spectres-images STEM-EELS partiellement échantillonnés

Author: Monier, Etienne, Oberlin, Thomas, Brun, Nathalie, Tencé, Marcel, De Frutos, Marta, Dobigeon, Nicolas, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Laboratoire de Physique des Solides (LPS), Centre National de la Recherche Scientifique (CNRS)-Université Paris-Sud - Paris 11 (UP11), Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Paris-Saclay (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Paris-Sud 11 (FRANCE), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Traitement des images, ComputingMethodologies_PATTERNRECOGNITION, Spectres-images STEM-EELS, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], ComputingMethodologies_IMAGEPROCESSINGANDCOMPUTERVISION
Abstract: National audience; Over the last decade, the application of compressed detection algorithms for tomography has been developed [1,2]. Because of data sparsity, the alignment of tilt series is a major problem. Standard alignment algorithms based on fiducials or automatic feature recognition cannot be used on sparse data. Therefore, as long as the problem of sparse data alignment is not solved, the use of compressed sensing for tomography reconstruction will be limited.
Published: 2019

17. Factorisation de matrices pour le démélange et la classification conjoints d'images hyperspectrales

Author: Lagrange, Adrien, Fauvel, Mathieu, May, Stéphane, Bioucas-Dias, José M., Dobigeon, Nicolas, Centre National d'Études Spatiales - CNES (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Institut de Recherche pour le Développement - IRD (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Universidade de Lisboa - ULisboa (PORTUGAL), Instituto de Telecomunicações (Lisbonne, Portugal), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Images hyperspectrales, Classification supervisée, Démélange spectral, Traitement du signal et de l'image, Cofactorisation
Abstract: La classification supervisée et le démélange spectral sont parmi les techniques les plus utilisées pour extraire l’information d’images hyperspectrales. Bien que ces deux méthodes sont couramment utilisées, elles n’ont que très rarement été envisagées conjointement. Au lieu d’utiliser ces méthodes de manière séquentielle, comme on le voit les travaux déjà réalisés [1], nous proposons ici d’introduire le concept de démélange et classification conjoints.
Published: 2019

18. Cofactorisation de matrices pour le démélange et la classification conjoints d'images hyperspectrales

Author: Lagrange, Adrien, Fauvel, Mathieu, May, Stéphane, Bioucas-Dias, José M., Dobigeon, Nicolas, Centre National d'Études Spatiales - CNES (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Institut de Recherche pour le Développement - IRD (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Universidade de Lisboa - ULisboa (PORTUGAL), Instituto de Telecomunicações (Lisbonne, Portugal), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Images hyperspectrales, Traitement du signal et de l'image
Abstract: La classiﬁcation supervisée et le démélange spectral sont parmi les techniques les plus utilisées pour extraire l’information d’images hyperspectrales. Elles abordent cependant ce problème sur des bases différentes et n’ont été que rarement envisagées conjointement. Nous proposons dans ce papier un modèle de cofactorisation de matrices permettant de lier ces approches. Chaque problème est formulé comme un problème de factorisation de matrices puis un terme de couplage est introduit. Ce terme s’interprète comme une étape de partitionnement où les vecteurs d’abondances sont séparés en plusieurs groupes puis les vecteurs d’attribution aux groupes sont utilisés comme vecteurs de descripteurs pour la classiﬁcation. Le problème global de cofactorisation s’écrit ﬁnalement comme un problème d’optimisation non-convexe et non-lisse dont on obtient une solution approchée à l’aide d’un algorithme de minimisation proximale linéarisée alternée (PALM) garantissant la convergence vers un point critique. L’intérêt du modèle est illustré par des expériences menées sur des données semi-synthétiques réalistes.
Published: 2019

19. Un modèles augmenté asymptotiquement exact pour la restauration bayésienne d'images dégradées par un bruit de Poisson

Author: Vono, Maxime, Dobigeon, Nicolas, Chainais, Pierre, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Ecole Centrale de Lille (FRANCE), Université de Lille (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), PNRIA, Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)
Subjects: [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Restauration d’images, Traitement du signal et de l'image
Abstract: National audience; De nombreux travaux ont porté sur la restauration d’images dégradées par un bruit de Poisson. Une grande partie des approches proposées reposent sur des algorithmes d’optimisation ou d’approximation variationnelle. Ces derniers sont rapides et efficaces mais ne permettent pas une estimation précise des intervalles de crédibilité sous la loi a posteriori cible. Cet article présente une méthode de type Monte Carlo par chaînes de Markov (MCMC) permettant de restaurer ces images tout en apportant une mesure contrôlée des incertitudes liées à l’estimation. L’approche proposée repose sur un modèle augmenté asymptotiquement exact et fait intervenir des algorithmes MCMC proximaux pour échantillonner efficacement les lois d’intérêt.
Published: 2019

20. On variable splitting for Markov chain Monte Carlo

Author: Vono, Maxime, Dobigeon, Nicolas, Chainais, Pierre, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Ecole Centrale de Lille (FRANCE), Université de Lille (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)
Subjects: [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Traitement du signal et de l'image, Markov chain Monte Carlo(MCMC) algorithms
Abstract: National audience; Variable splitting is an old but widely used technique whichaims at dividing an initial complicated optimization problem into simplersub-problems. In this work, we take inspiration from this variable splitting idea in order to build efficient Markov chain Monte Carlo(MCMC) algorithms. Starting from an initial complex target distribution,auxiliary variables are introduced such that the marginal distributionof interest matches the initial one asymptotically. In addition to havetheoretical guarantees, the benefits of such an asymptotically exact dataaugmentation (AXDA) are fourfold: (i) easier-to-sample full conditionaldistributions, (ii) possibility to embed while accelerating state-of-the-artMCMC approaches, (iii) possibility to distribute the inference and (iv)to respect data privacy issues. The proposed approach is illustrated onclassical image processing and statistical learning problems.
Published: 2019

21. Reconstruction of partially sampled multi-band images - Application to EELS microscopy

Author: Monier, Etienne, Oberlin, Thomas, Brun, Nathalie, Tencé, Marcel, De Frutos, Maria, Dobigeon, Nicolas, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Paris-Sud 11 (FRANCE), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Spectrum-image, Scanning transmission electron microscope (STEM), Image reconstruction, Inpainting, Traitement du signal et de l'image, Multi-band imaging, Electron energy loss spectroscopy (EELS), Partial sampling
Abstract: Electron microscopy has shown to be a very powerful tool to map the chemical nature of samples at various scales down to atomic resolution. However, many samples can not be analyzed with an acceptable signal-to-noise ratio because of the radiation damage induced by the electron beam. This is particularly crucial for electron energy loss spectroscopy (EELS) which acquires spectral-spatial data and requires high beam intensity. Since scanning transmission electron microscopes (STEM) are able to acquire data cubes by scanning the electron probe over the sample and recording a spectrum for each spatial position, it is possible to design the scan pattern and to sample only specific pixels. As a consequence, partial acquisition schemes are now conceivable, provided a reconstruction of the full data cube is conducted as a post-processing step. This paper proposes two reconstruction algorithms for multi-band images acquired by STEM-EELS which exploits the spectral structure and the spatial smoothness of the image. The performance of the proposed schemes is illustrated thanks to experiments conducted on a realistic phantom dataset as well as real EELS spectrum-images.
Published: 2018

22. Unmixing dynamic PET images for voxel-based kinetic component analysis

Author: Cruz Cavalcanti, Yanna, Oberlin, Thomas, Dobigeon, Nicolas, Stute, Simon, Ribeiro, Maria, Tauber, Clovis, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse Capitole (UT Capitole), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Imagerie Moléculaire in Vivo (IMIV - U1023 - ERL9218), Service Hospitalier Frédéric Joliot (SHFJ), Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Imagerie et cerveau (iBrain - Inserm U1253 - UNIV Tours ), Université de Tours (UT)-Institut National de la Santé et de la Recherche Médicale (INSERM), Dobigeon, Nicolas, Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM), Université de Tours-Institut National de la Santé et de la Recherche Médicale (INSERM), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), and Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)
Subjects: unmixing, [INFO.INFO-IM]Computer Science [cs]/Medical Imaging, [INFO.INFO-IM] Computer Science [cs]/Medical Imaging, brain imaging, deconvolution, Dynamic PET image, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, [SPI.SIGNAL] Engineering Sciences [physics]/Signal and Image processing
Abstract: To analyze dynamic positron emission tomography (PET) images, various generic multivariate data analysis techniques have been considered in the literature, such as clustering, principal component analysis (PCA), independent component analysis (ICA) and non-negative matrix factorization (NMF). Nevertheless, these conventional approaches generally fail to recover a reliable, understandable and interpretable description of the data. In this paper, we propose an alternative analysis paradigm based on the concept of linear unmixing as an efficient and meaningful way to analyze dynamic PET images. The time-activity curves (TACs) measured in the voxels are modeled as linear combinations of elementary component signatures weighted by their respective concentrations in each voxel. Additionally to the non-negativity constraint of NMF, the proposed unmixing approach ensures an exhaustive description of the mixtures by a sum-to-one constraint of the mixing coefficients. Besides, it allows both the noise and partial volume effects to be handled. Moreover, the proposed method accounts for any possible fluctuations in the exchange rate of the tracer between the free compartment and a specifically bound ligand compartment. Indeed, it explicitly models the spatial variability of the corresponding signature through a perturbed specific binding component. The performance of the method is assessed on both synthetic and real data and compared to other conventional analysis methods.
Published: 2017

23. Coupled dictionary learning for unsupervised change detection between multi-sensor remote sensing images

Author: Ferraris, Vinicius, Dobigeon, Nicolas, Cavalcanti, Yanna, Oberlin, Thomas, and Chabert, Marie
Subjects: FOS: Computer and information sciences, Computer Vision and Pattern Recognition (cs.CV), Physics - Data Analysis, Statistics and Probability, Image and Video Processing (eess.IV), FOS: Electrical engineering, electronic engineering, information engineering, Computer Science - Computer Vision and Pattern Recognition, FOS: Physical sciences, Electrical Engineering and Systems Science - Image and Video Processing, Data Analysis, Statistics and Probability (physics.data-an)
Abstract: Archetypal scenarios for change detection generally consider two images acquired through sensors of the same modality. However, in some specific cases such as emergency situations, the only images available may be those acquired through sensors of different modalities. This paper addresses the problem of unsupervisedly detecting changes between two observed images acquired by sensors of different modalities with possibly different resolutions. These sensor dissimilarities introduce additional issues in the context of operational change detection that are not addressed by most of the classical methods. This paper introduces a novel framework to effectively exploit the available information by modelling the two observed images as a sparse linear combination of atoms belonging to a pair of coupled overcomplete dictionaries learnt from each observed image. As they cover the same geographical location, codes are expected to be globally similar, except for possible changes in sparse spatial locations. Thus, the change detection task is envisioned through a dual code estimation which enforces spatial sparsity in the difference between the estimated codes associated with each image. This problem is formulated as an inverse problem which is iteratively solved using an efficient proximal alternating minimization algorithm accounting for nonsmooth and nonconvex functions. The proposed method is applied to real images with simulated yet realistic and real changes. A comparison with state-of-the-art change detection methods evidences the accuracy of the proposed strategy., Submitted manuscript under consideration at Computer Vision and Image Understanding
Published: 2018

24. Prédiction des services écosystémiques dans les paysages agricoles par télédétection hyperspectrale

Author: Fauvel, Mathieu, DUFLOT, Rémi, Uezato, Tatsumi, Dobigeon, Nicolas, Vialatte, Aude, Sheeren, David, San Cristobal, Magali, Goulard, Michel, Dynamiques Forestières dans l'Espace Rural (DYNAFOR), Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), ProdInra, Archive Ouverte, Institut National de la Recherche Agronomique (INRA)-Ecole Nationale Supérieure Agronomique de Toulouse-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), and Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP)
Subjects: [SDV.SA]Life Sciences [q-bio]/Agricultural sciences, [SDV.SA] Life Sciences [q-bio]/Agricultural sciences
Abstract: Prédiction des services écosystémiques dans les paysages agricoles par télédétection hyperspectrale. 6. Colloque de la Société Française de Photogrammétrie et Télédétection - Groupe Hyperspectrale (SFPT-GH)
Published: 2018

25. Modèle bayésien hiérarchique pour le démélange et la classification robuste d'images hyperspectrales

Author: Lagrange, Adrien, Fauvel, Mathieu, May, Stéphane, Dobigeon, Nicolas, Centre National d'Études Spatiales - CNES (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Institut National de la Recherche Agronomique - INRA (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Centre National de la Recherche Scientifique (CNRS), Dynamiques Forestières dans l'Espace Rural (DYNAFOR), Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées, Centre National d’Etudes Spatiales, and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Biodiversity and Ecology, Traitement des images, Images hyperspectrales, Biodiversité et Ecologie, Signal and Image processing, Traitement du signal et de l'image, [SDE.BE]Environmental Sciences/Biodiversity and Ecology, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, ComputingMilieux_MISCELLANEOUS
Abstract: L’interprétation des images hyperspectrales demeure un problème complexe qui a été abordée sous différents paradigmes. En particulier, les techniques de classification supervisée et de démélange spectral sont deux familles de méthodes d’interprétation largement utilisées. Ces deux approches offrent des analyses complémentaires : le démélange spectral propose une modélisation basée sur une interprétation physique des images hyperspectrales, en supposant que chaque pixel est un mélange de spectres purs associés aux divers matériaux présents dans la scène, tandis que la classification supervisée cherche à identifier une classe unique par pixel en se basant sur un ensemble de classes sémantiques définies par l’utilisateur et sur un ensemble de données, labellisées par un expert, lui servant d’exemple. Si ces deux techniques ont été largement discutées dans la littérature, elles ont été rarement utilisées conjointement.
Published: 2018

26. Bayesian nonparametric Principal Component Analysis

Author: Elvira, Clément, Chainais, Pierre, Dobigeon, Nicolas, Centrale Lille, Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), ANR-13-BS03-0006,BNPSI,Méthodes bayésiennes non paramétriques pour le traitement du signal et de l'image(2013), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)
Subjects: FOS: Computer and information sciences, Bayesian nonparametrics, [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, dimension reduction, Statistics - Machine Learning, Machine Learning (stat.ML), Indian buffet process, distribution on the Stiefel manifold, distribution on the Stiefel man- ifold
Abstract: Principal component analysis (PCA) is very popular to perform dimension reduction. The selection of the number of significant components is essential but often based on some practical heuristics depending on the application. Only few works have proposed a probabilistic approach able to infer the number of significant components. To this purpose, this paper introduces a Bayesian nonparametric principal component analysis (BNP-PCA). The proposed model projects observations onto a random orthogonal basis which is assigned a prior distribution defined on the Stiefel manifold. The prior on factor scores involves an Indian buffet process to model the uncertainty related to the number of components. The parameters of interest as well as the nuisance parameters are finally inferred within a fully Bayesian framework via Monte Carlo sampling. A study of the (in-)consistence of the marginal maximum a posteriori estimator of the latent dimension is carried out. A new estimator of the subspace dimension is proposed. Moreover, for sake of statistical significance, a Kolmogorov-Smirnov test based on the posterior distribution of the principal components is used to refine this estimate. The behaviour of the algorithm is first studied on various synthetic examples. Finally, the proposed BNP dimension reduction approach is shown to be easily yet efficiently coupled with clustering or latent factor models within a unique framework.
Published: 2017

27. Une formulation bayésienne du codage antiparcimonieux

Author: Elvira, Clément, Chainais, Pierre, Dobigeon, Nicolas, Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Ecole Centrale de Lille (FRANCE), Université Lille 1, Sciences et Technologies - Lille 1 (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)
Subjects: Codage antiparcimonieux, Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Traitement du signal et de l'image, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing
Abstract: International audience; For sake of robustness, anti-sparse coding aims at spreading the information uniformly over representation coefficients and can be naturally expressed by an ∞-norm regularization. This article discusses a Bayesian formulation of the anti-sparse coding problem, relying on a new probability distribution called democratic distribution. Once elected as a prior distribution in a linear Gaussian inverse problem, inference can be conducted using a Gibbs sampling scheme. This paper discusses an alternative choice of prior for the nuisance parameters and proposes a comparison between two scalable inference schemes based on recent developements in Monte Carlo methods. These findings are illustrated by simulations on synthetic data, and compared with the recent deterministic variational FITRA algorithm.; Dans un but de robustesse, un codage antiparcimonieux répartit uniformément l'information d'un signal sur toutes les compo-santes de sa représentation. La recherche d'un tel codage s'exprime naturellement sous la forme d'un problème variationnel impliquant une régularisation de type ∞. Dans cet article une formulation bayésienne du problème est proposée, impliquant une nouvelle loi de probabilité, la loi démocratique, qui pénalise les fortes amplitudes. Cette distribution est choisie comme loi a priori sur les coefficients de représentation, couplée avec une vraisemblance gaussienne. Les estimateurs bayésiens des coefficients de représentation peuvent être approchés à l'aide d'un échantillonneur de Gibbs. Cette méthode passe cependant difficilement à l'échelle et un algorithme de Monte Carlo proximal a été proposé. On discute une nouvelle façon de choisir et régler la loi a priori sur les paramètres de nuisance. Deux simulations numériques permettent de valider le réglage des hyperparamètres et la recherche du paramètre de régularisation.
Published: 2017

28. Démélange d'images TEP dynamiques

Author: Cruz Cavalcanti, Yanna, Oberlin, Thomas, Dobigeon, Nicolas, Stute, Simon, Tauber, Clovis, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut National Polytechnique (Toulouse) (Toulouse INP), Imagerie Moléculaire in Vivo (IMIV - U1023 - ERL9218), Service Hospitalier Frédéric Joliot (SHFJ), Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Institut National de la Santé et de la Recherche Médicale (INSERM), Université Francois Rabelais [Tours], Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM), Commissariat à l'Energie Atomique et aux énergies alternatives - CEA (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Institut National de la Santé et de la Recherche Médicale - INSERM (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université de Tours (FRANCE), Université Paris-Sud 11 (FRANCE), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Traitement des images, Démélange d'images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Cet article introduit une méthode de démélange pour l’analyse d’images de tomographie par émission de positons (TEP) dynamiques du cerveau. Plus précisément, on souhaite estimer conjointement les courbes temps-activité (CTA) qui caractérisent chaque type de tissu, et la répartition spatiale de ces tissus dans les voxels du cerveau imagé. Le modèle proposé permet notamment de prendre en compte la variabilité spatiale de la CTA qui correspond à une région de fixation spécifique, ainsi que l’effet de volume partiel et le bruit afférents à ce type d’image. Les contributions de l’article sont d’une part, de montrer que le concept de démélange est un outil d’analyse approprié pour les images TEP dynamiques; et d’autre part, de proposer un nouvel algorithme de démélange prenant explicitement en compte la variabilité, ce qui permet d’améliorer significativement les résultats de démélange par rapport `a ceux obtenus par des méthodes de l’état-de-l’art.
Published: 2017

29. Un modèle bayésien pour le démélange, la segmentation et la classification robuste d’images hyperspectrales

Author: Lagrange, Adrien, Fauvel, Mathieu, May, Stéphane, Dobigeon, Nicolas, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Dynamiques Forestières dans l'Espace Rural (DYNAFOR), Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées, Centre National d’Etudes Spatiales, Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National d'Études Spatiales - CNES (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Institut National de la Recherche Agronomique - INRA (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Institut National de la Recherche Agronomique (INRA)-Ecole Nationale Supérieure Agronomique de Toulouse-Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National d'Études Spatiales [Toulouse] (CNES), and Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3)
Subjects: Traitement des images, Démélange d'images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [SDV]Life Sciences [q-bio], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Traitement du signal et de l'image, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], [SHS]Humanities and Social Sciences
Abstract: La classification supervisée et le démélange spectral sont deux techniques permettant d’extraire de l’information d’images hyperspectrales. Cependant, malgré la complémentarité de ces techniques, il est rare de trouver des travaux les exploitant conjointement. Nous proposons donc un nouveau modèle bayésien hiérarchique pour mener de façon conjointes ces deux types d’analyse, de sorte à ce que chacune soit facilitée par l’autre. Pour cela, un modèle de mélange linéaire de spectres purs est utilisé pour décrire le mélange spectral puis l’image est segmentée en plusieurs groupes caractérisés par des pixels dont les abondances sont statistiquement proches. Une loi a priori est définie sur ces étiquettes de groupe sous la forme d’un champ aléatoire de Markov. Ce champ inclut classiquement un potentiel de Potts-Markov promouvant la cohérence spatiale de ces étiquettes. Il est complété par un potentiel local de site induit par la classification. Cette classification exploite la présence de données déjà labellisées par l’utilisateur. Les estimateurs bayésiens des paramètres du modèle (abondances, étiquettes de groupes, étiquettes de classes) sont approchés à l’aide d’un algorithme de Monte Carlo par chaîne de Markov. L’intérêt du modèle est illustré à l’aide d’expériences menées sur des données synthétiques et réelles., Classification and spectral unmixing are two methods to extract information from hyperspectral images. Nonetheless, it is very unusual to find a joint approach of this two complementary interpretations. In this work, a new Bayesian model is proposed to perform unmixing and classification jointly. The traditional linear mixing model is used to describe the spectral mixtures. A clustering is then performed to divide the image into spectrally coherent clusters, in which abundance vectors are statistically homogeneous. Cluster labels are assigned a Markov random field prior which assures first a spatial regularity with a Potts potential and secondly a coherence with estimated classification labels. Classification labels are finally dependent of labeled pixels provided by the user as encountered in traditional classification tasks. Performances of the model are finally assessed with synthetic and real data.
Published: 2017

30. Ecosystem services assessment using hyperspectral images

Author: Fauvel, Mathieu, Uezato, Tatsumi, Duflot, Rémi, Dobigeon, Nicolas, Vialatte, Aude, Sheeren, David, Dynamiques Forestières dans l'Espace Rural (DYNAFOR), Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées, Dynamiques et écologie des paysages agriforestiers (DYNAFOR), École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Biodiversité agroécologie et aménagement du paysage (UMR BAGAP), Institut National de la Recherche Agronomique (INRA)-AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Ecole supérieure d'Agricultures d'Angers (ESA), Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), Institut National de la Recherche Agronomique (INRA)-AGROCAMPUS OUEST-Ecole supérieure d'Agricultures d'Angers (ESA), and ProdInra, Migration
Subjects: [SDV] Life Sciences [q-bio], [SDV]Life Sciences [q-bio], [SHS] Humanities and Social Sciences, ComputingMilieux_MISCELLANEOUS, [SHS]Humanities and Social Sciences
Abstract: International audience
Published: 2017

31. A Bayesian model for joint unmixing, clustering and classification of hyperspectral data

Author: Lagrange, Adrien, Dobigeon, Nicolas, Fauvel, Mathieu, May, Stéphane, Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées, Dynamiques Forestières dans l'Espace Rural (DYNAFOR), Institut National de la Recherche Agronomique (INRA)-Ecole Nationale Supérieure Agronomique de Toulouse-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées, Centre National d'Études Spatiales [Toulouse] (CNES), Ecole Nationale Supérieure d'Electrotechnique, d'Electronique, d'Informatique, d'Hydraulique et de Télécommunications, Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National d'Études Spatiales - CNES (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Institut National de la Recherche Agronomique - INRA (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Signal et Communications (IRIT-SC), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Institut National Polytechnique (Toulouse) (Toulouse INP), (OATAO), Open Archive Toulouse Archive Ouverte, and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Traitement des images, ComputingMethodologies_PATTERNRECOGNITION, Markov random field, Image interpretation, [INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV], [SDV]Life Sciences [q-bio], Bayesian model, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Super- Vised learning, [SHS]Humanities and Social Sciences
Abstract: International audience; Supervised classification and spectral unmixing are two methods to extract information from hyperspectral images. However, despite their complementarity, they have been scarcely considered jointly. This paper presents a new hierarchical Bayesian model to perform simultaneously both analysis in order to ensure that they benefit from each other. A linear mixture model is proposed to described the pixel measurements. Then a clustering is performed to identify groups of statistically similar abundance vectors. A Markov random field (MRF) is used as prior for the corresponding cluster labels. It pro-motes a spatial regularization through a Potts-Markov potential and also includes a local potential induced by the classification. Finally, the classification exploits a set of possibly corrupted labeled data provided by the end-user. Model parameters are estimated thanks to a Markov chain Monte Carlo (MCMC) algorithm. The interest of the proposed model is illustrated on synthetic and real data.
Published: 2017

32. A Bayesian model for joint unmixing, clustering and classification of hyperspectral data

Author: Dobigeon , Nicolas, Fauvel, Mathieu, May, Stéphane, and Lagrange, Adrien
Subjects: bayesian model, markov random field, super- vised learning, image interpretation, ComputingMethodologies_PATTERNRECOGNITION
Abstract: Supervised classification and spectral unmixing are two methods to extract information from hyperspectral images. However, despite their complementarity, they have been scarcely considered jointly. This paper presents a new hierarchical Bayesian model to perform simultaneously both analysis in order to ensure that they benefit from each other. A linear mixture model is proposed to described the pixel measurements. Then a clustering is performed to identify groups of statistically similar abundance vectors. A Markov random field (MRF) is used as prior for the corresponding cluster labels. It pro-motes a spatial regularization through a Potts-Markov potential and also includes a local potential induced by the classification. Finally, the classification exploits a set of possibly corrupted labeled data provided by the end-user. Model parameters are estimated thanks to a Markov chain Monte Carlo (MCMC) algorithm. The interest of the proposed model is illustrated on synthetic and real data.
Published: 2017

33. Bayesian-driven criterion to automatically select the regularization parameter in the l1-Potts model

Author: Frecon, Jordan, Pustelnik, Nelly, Dobigeon, Nicolas, Wendt, Herwig, Abry, Patrice, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Claude Bernard-Lyon I - UCBL (FRANCE), Université de Lyon - UDL (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure - Lyon (ENS Lyon)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National de la Recherche Scientifique (CNRS), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)
Subjects: [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Laplacian noise, Intelligence artificielle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, Regularization parameter automated selection, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Hierarchical Bayesian model, Traitement du signal et de l'image, Potts model, Piecewise constant denoising, Synthèse d'image et réalité virtuelle
Abstract: International audience; This contribution focuses, within the ℓ1-Potts model, on the automated estimation of the regularization parameter balancing the ℓ1 data fidelity term and the TVℓ0 penalization. Variational approaches based on total variation gained considerable interest to solve piecewise constant denoising problems thanks to their deterministic setting and low computational cost. However, the quality of the achieved solution strongly depends on the tuning of the regularization parameter. While recent works have tailored various hierarchical Bayesian procedures to additionally estimate the regularization parameter for Gaussian noise, less attention has been granted to Laplacian noise, of interested in numerous applications. This contribution promotes a fast and parameter-free denoising procedure for piecewise constant signals corrupted by Laplacian noise, that includes automated selection of the regularization parameter. It relies on the minimization of a Bayesian-driven criterion whose similarities with the ℓ1-Potts model permit to derive a computationally efficient algorithm.
Published: 2017

34. Reconstruction de spectres-images partiellement échantillonnés en microscopie EELS

Author: Monier, Etienne, Oberlin, Thomas, Brun, Nathalie, Dobigeon, Nicolas, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Paris-Saclay (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Paris-Sud 11 (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Laboratoire de Physique des Solides (LPS), Centre National de la Recherche Scientifique (CNRS)-Université Paris-Sud - Paris 11 (UP11), and Institut National Polytechnique (Toulouse) (Toulouse INP)
Subjects: Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Traitement du signal et de l'image, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; En microscopie électronique, un problème récurent est de trouver le bon compromis entre un bon rapport signal-sur-bruit et une dose d’électrons suffisamment faible pour ne pas endommager l’échantillon. La microscopie en transmission à balayage permettant l’acquisition d’un cube de données spatiales et spectrales possède un atout non négligeable : la capacité d’acquérir des pixels isolés, ouvrant ainsi la porte à des schémas d’acquisition partiels couplés à une étape de reconstruction des données. Ainsi, une méthode de reconstruction basée sur l’hypothèse de faible rang dans le domaine spectral et de régularité spatiale est présentée, puis mise en œuvre sur des données réalistes.
Published: 2017

35. Une approche distribuée asynchrone pour la factorisation en matrices non-négatives - Application au démélange hyperspectral

Author: Thouvenin, Pierre-Antoine, Dobigeon, Nicolas, Tourneret, Jean-Yves, Institut National Polytechnique de Toulouse - INPT (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), CoMputational imagINg anD viSion (IRIT-MINDS), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Traitement du signal et de l'image, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, factorisation en matrices non-négatives (NMF), Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Le démélange d’images hyperspectrales est un exemple particulier du problème de factorisation en matrices non-négatives (NMF) qui consiste à identifier les signatures spectrales d’un milieu imagé ainsi que leurs proportions dans chacun des pixels. Toutefois, le nombre important de pixels composant ces images peut s’avérer contraignant en termes de mémoire ou de temps de calcul, ce qui peut motiver le développement de techniques d’estimation distribuées (entre plusieurs processeurs et/ou plusieurs machines). Dans cette perspective, nous proposons une approche distribuée du problème de démélange, basée sur de récentes avancées en optimisation distribuée asynchrone inspirées de l’algorithme proximal alternating linearized minimization (PALM). L’intérêt d’une estimation asynchrone par rapport à une procédure synchrone est illustré dans ce contexte sur des données synthétiques
Published: 2017

36. Sélection du paramètre de régularisation dans le problème l2-Potts

Author: Frécon, Jordan, Pustelnik, Nelly, Dobigeon, Nicolas, Wendt, Herwig, Abry, Patrice, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Istituto Italiano di Tecnologia - IIT (ITALY), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Claude Bernard-Lyon I - UCBL (FRANCE), Université de Lyon - UDL (FRANCE), Laboratoire de Physique (Lyon, France), ELCA Lausanne, Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), and Université de Toulouse (UT)
Subjects: Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Traitement du signal et de l'image, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Le problème du choix du paramètre de régularisation dans les approches variationnelles pour la résolution de problèmes inverses reste une question ouverte. Dans cette étude nous nous intéressons au problème du choix de ce paramètre, que nous noterons λ , dans la formulation du problème `2-Potts considéré pour le débruitage de signaux constants par morceaux. Le lien avec un modèle hiérarchique bayésien est mis en avant et permet de proposer une pénalisation pour le paramètre de régularisation. Une solution algorithmique permet ensuite d’estimer efficacement λ.
Published: 2017

37. Fast Single Image Super-Resolution Using a New Analytical Solution for l2–l2 Problems

Author: Zhao, Ningning, Wei, Qi, Basarab, Adrian, Dobigeon, Nicolas, Kouamé, Denis, Tourneret, Jean-Yves, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), University of Cambridge (UNITED KINGDOM), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Traitement et Compréhension d’Images (IRIT-TCI), University of Cambridge [UK] (CAM), Université Toulouse III - Paul Sabatier (UT3), Institut National Polytechnique (Toulouse) (Toulouse INP), and CoMputational imagINg anD viSion (IRIT-MINDS)
Subjects: Traitement des images, Variable splitting based algorithms, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Decimation, [INFO.INFO-DS]Computer Science [cs]/Data Structures and Algorithms [cs.DS], Algorithme et structure de données, Single image super-resolution, Deconvolution, Block circulant matrix
Abstract: International audience; This paper addresses the problem of single image super-resolution (SR), which consists of recovering a high- resolution image from its blurred, decimated, and noisy version. The existing algorithms for single image SR use different strate- gies to handle the decimation and blurring operators. In addition to the traditional first-order gradient methods, recent techniques investigate splitting-based methods dividing the SR problem into up-sampling and deconvolution steps that can be easily solved. Instead of following this splitting strategy, we propose to deal with the decimation and blurring operators simultaneously by taking advantage of their particular properties in the frequency domain, leading to a new fast SR approach. Specifically, an analytical solution is derived and implemented efficiently for the Gaussian prior or any other regularization that can be formulated into an l2 -regularized quadratic model, i.e., an l2 –l2 optimization problem. The flexibility of the proposed SR scheme is shown through the use of various priors/regularizations, ranging from generic image priors to learning-based approaches. In the case of non-Gaussian priors, we show how the analytical solution derived from the Gaussian case can be embedded into traditional splitting frameworks, allowing the computation cost of existing algorithms to be decreased significantly. Simulation results conducted on several images with different priors illustrate the effectiveness of our fast SR approach compared with existing techniques.
Published: 2016

38. Fast Single Image Super-Resolution

Author: Zhao, Ningning, Wei, Qi, Basarab, Adrian, Dobigeon, Nicolas, Kouame, Denis, and Tourneret, Jean-Yves
Subjects: FOS: Computer and information sciences, Computer Vision and Pattern Recognition (cs.CV), Computer Science - Computer Vision and Pattern Recognition
Abstract: This paper addresses the problem of single image super-resolution (SR), which consists of recovering a high resolution image from its blurred, decimated and noisy version. The existing algorithms for single image SR use different strategies to handle the decimation and blurring operators. In addition to the traditional first-order gradient methods, recent techniques investigate splitting-based methods dividing the SR problem into up-sampling and deconvolution steps that can be easily solved. Instead of following this splitting strategy, we propose to deal with the decimation and blurring operators simultaneously by taking advantage of their particular properties in the frequency domain, leading to a new fast SR approach. Specifically, an analytical solution can be obtained and implemented efficiently for the Gaussian prior or any other regularization that can be formulated into an $\ell_2$-regularized quadratic model, i.e., an $\ell_2$-$\ell_2$ optimization problem. Furthermore, the flexibility of the proposed SR scheme is shown through the use of various priors/regularizations, ranging from generic image priors to learning-based approaches. In the case of non-Gaussian priors, we show how the analytical solution derived from the Gaussian case can be embedded intotraditional splitting frameworks, allowing the computation cost of existing algorithms to be decreased significantly. Simulation results conducted on several images with different priors illustrate the effectiveness of our fast SR approach compared with the existing techniques.
Published: 2015

39. Hyperspectral Pansharpening: A Review

Author: Loncan, Laetitia, Almeida, Luís, Bioucas-Dias, José, Briottet, Xavier, Chanussot, Jocelyn, Dobigeon, Nicolas, Fabre, Sophie, Liao, Wenzhi, Licciardi, Giorgio A., Simões, Miguel, Tourneret, Jean-Yves, Veganzones, Miguel Angel, Vivone, Gemine, Wei, Qi, Yokoya, Naoto, ONERA / DOTA, Université de Toulouse [Toulouse], ONERA-PRES Université de Toulouse, GIPSA - Signal Images Physique (GIPSA-SIGMAPHY), Département Images et Signal (GIPSA-DIS), Grenoble Images Parole Signal Automatique (GIPSA-lab), Université Stendhal - Grenoble 3-Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Centre National de la Recherche Scientifique (CNRS)-Université Stendhal - Grenoble 3-Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Centre National de la Recherche Scientifique (CNRS)-Grenoble Images Parole Signal Automatique (GIPSA-lab), Université Stendhal - Grenoble 3-Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Centre National de la Recherche Scientifique (CNRS)-Université Stendhal - Grenoble 3-Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Centre National de la Recherche Scientifique (CNRS), Instituto de Telecomunicações [Lisboa, Portugal], Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Universiteit Gent = Ghent University [Belgium] (UGENT), CoMputational imagINg anD viSion (IRIT-MINDS), North Atlantic Treaty Organization (NATO) Science and Technology Organization (STO) Centre for Maritime Research and Experimentation (CMRE), and The University of Tokyo (UTokyo)
Subjects: [SPI]Engineering Sciences [physics], [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Hyperspectral Image, Image fusion, Pansharpening
Abstract: oatao 14340; International audience; Pansharpening aims at fusing a panchromatic image with a multispectral one, to generate an image with the high spatial resolution of the former and the high spectral resolution of the latter. In the last decade, many algorithms have been presented in the literature for pansharpening using multispectral data. With the increasing availability of hyperspectral systems, these methods are now being adapted to hyperspectral images. In this work, we compare new pansharpening techniques designed for hyperspectral data with some of the state of the art methods for multispectral pansharpening, which have been adapted for hyperspectral data. Eleven methods from different classes (component substitution, multiresolution analysis, hybrid, Bayesian and matrix factorization) are analyzed. These methods are applied to three datasets and their effectiveness and robustness are evaluated with widely used performance indicators. In addition, all the pansharpening techniques considered in this paper have been implemented in a MATLAB toolbox that is made available to the community.; Pansharpening aims at fusing a panchromatic image with a multispectral one, to generate an image with the high spatial resolution of the former and the high spectral resolution of the latter. In the last decade, many algorithms have been presented in the literature for pansharpening using multispectral data. With the increasing availability of hyperspectral systems, these methods are now being adapted to hyperspectral images. In this work, we compare new pansharpening techniques designed for hyperspectral data with some of the state of the art methods for multispectral pansharpening, which have been adapted for hyperspectral data. Eleven methods from different classes (component substitution, multiresolution analysis, hybrid, Bayesian and matrix factorization) are analyzed. These methods are applied to three datasets and their effectiveness and robustness are evaluated with widely used performance indicators. In addition, all the pansharpening techniques considered in this paper have been implemented in a MATLAB toolbox that is made availableto the community.
Published: 2015

40. Estimation de variabilité pour le démélange non-supervisé d'images hyperspectrales

Author: Thouvenin, Pierre-Antoine, Dobigeon, Nicolas, Tourneret, Jean-Yves, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), CoMputational imagINg anD viSion (IRIT-MINDS), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; Le démélange d’images hyperspectrales vise à identifier les signatures spectrales d’un milieu imagé ainsi que leurs proportions dans chacun des pixels. Toutefois, les signatures extraites présentent en pratique une variabilité qui peut compromettre la fiabilité de cette identification. En supposant ces signatures potentiellement affectées par le phénomène de variabilité, nous proposons d’estimer les paramètres d’un modèle de mélange linéaire à l’aide d’un algorithme de minimisation alternée (Proximal alternating linearized minimization, PALM) dont la convergence a été démontrée pour une classe de problèmes non-convexes qui contient précisément le problème du démélange d’images hyperspectrales. La méthode proposée est évaluée sur des données synthétiques et réelles.
Published: 2015

41. Estimation bayésienne locale du paramètre de multifractalité à l'aide d'un algorithme de Monte Carlo Hamiltonien

Author: Combrexelle, Sébastien, Wendt, Herwig, Tourneret, Jean-Yves, Dobigeon, Nicolas, Mc Laughlin, Stephen, Abry, Patrice, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Centre National de la Recherche Scientifique (CNRS), CoMputational imagINg anD viSion (IRIT-MINDS), Institut National Polytechnique (Toulouse) (Toulouse INP), Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure - Lyon (ENS Lyon)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Représentations et modèles, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract: International audience; La caractérisation de la texture d’une image peut être conduite via l’étude des fluctuations de la régularité locale de son amplitude dans le cadre théorique de l’analyse multifractale. Les images étant souvent composées de différentes textures, cette analyse doit être locale. Cet article s’attaque à ce problème en formulant un modèle bayésien par patch reposant sur un modèle semi-paramétrique récemment proposé pour la statistique du logarithme des coefficients dominants. Les estimateurs bayésiens sont obtenus via une procédure d’échantillonnage utilisant un algorithme de Monte-Carlo Hamiltonien. Les performances de ces estimateurs sont illustrées à l’aide de processus synthétiques.
Published: 2015

42. Learning a fast transform with a dictionary

Author: Chabiron, Olivier, Malgouyres, François, Tourneret, Jean-Yves, Dobigeon, Nicolas, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées, Institut de Mathématiques de Toulouse UMR5219 (IMT), Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Toulouse 1 Capitole (UT1)-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS), Télécommunications Spatiales et Aéronautiques - Telecommunications for Space ant Aeronautics (TéSA), Laboratoire de recherche coopératif dans les télécommunications spatiales et aéronautiques (TESA), Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Institut National des Sciences Appliquées de Toulouse - INSA (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS), CoMputational imagINg anD viSion (IRIT-MINDS), Institut National Polytechnique (Toulouse) (Toulouse INP), ANR-11-LABX-0040,CIMI,Centre International de Mathématiques et d'Informatique (de Toulouse)(2011), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Université de Toulouse (UT)-Université de Toulouse (UT)-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Gauss-Seidel algorithm, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Computer Science::Computer Vision and Pattern Recognition, Dictionnary learning, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, [MATH.MATH-OC]Mathematics [math]/Optimization and Control [math.OC], Synthèse d'image et réalité virtuelle
Abstract: International audience; — A powerful approach to sparse representation, dictionary learning consists in finding a redundant frame in which the representation of a particular class of images is sparse. In practice, all algorithms performing dictionary learning iteratively estimate the dictionary and a sparse representation of the images using this dictionary. However, the numerical complexity of dictionary learning restricts its use to atoms with a small support. A way to alleviate these issues is introduced in this paper, consisting in dictionary atoms obtained by translating the composition of K convolutions with S-sparse kernels of known support. The dictionary update step associated with this strategy is a non-convex optimization problem, which we study here. A block-coordinate descent or Gauss-Seidel algorithm is proposed to solve this problem, whose search space is of dimension KS, which is much smaller than the size of the image. Moreover, the complexity of the algorithm is linear with respect to the size of the image, allowing larger atoms to be learned (as opposed to small patches). An experiment is presented that shows the approximation of a large cosine atom with K = 7 sparse kernels, demonstrating a very good accuracy.
Published: 2014

43. Démélange non-linéaire d'images hyperspectrales : mythe ou réalité ?

Author: Chen, Jie, Dobigeon, Nicolas, Halimi, Abderrahim, Honeiné, Paul, Richard, Cédric, Tourneret, Jean-Yves, East China Normal University [Shangaï] (ECNU), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Institut National Polytechnique (Toulouse) (Toulouse INP), Laboratoire Modélisation et Sûreté des Systèmes (LM2S), Institut Charles Delaunay (ICD), Université de Technologie de Troyes (UTT)-Centre National de la Recherche Scientifique (CNRS)-Université de Technologie de Troyes (UTT)-Centre National de la Recherche Scientifique (CNRS), CoMputational imagINg anD viSion (IRIT-MINDS), VU VAN, Jean-Baptiste, Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), and Université Fédérale Toulouse Midi-Pyrénées
Subjects: [SPI]Engineering Sciences [physics], [SPI] Engineering Sciences [physics], [INFO]Computer Science [cs], [INFO] Computer Science [cs], ComputingMilieux_MISCELLANEOUS
Abstract: International audience
Published: 2014

44. A hierarchical sparsity-smoothness Bayesian model for ℓ0 + ℓ1 + ℓ2 regularization

Author: Chaari, Lotfi, Batatia, Hadj, Dobigeon, Nicolas, Tourneret, Jean-Yves, Traitement et Compréhension d’Images (IRIT-TCI), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Institut National Polytechnique (Toulouse) (Toulouse INP), Signal et Communications (IRIT-SC), CoMputational imagINg anD viSion (IRIT-MINDS), Institut National Polytechnique de Toulouse - INPT (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), and Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE)
Subjects: Hierarchical Bayesian models, MCMC, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Smoothness, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Restoration, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, Synthèse d'image et réalité virtuelle, Sparsity
Abstract: International audience; Sparse signal/image recovery is a challenging topic that has captured a great interest during the last decades. To address the ill-posedness of the related inverse problem, regularization is often essential by using appropriate priors that promote the sparsity of the target signal/image. In this context, ℓ0 + ℓ1 regularization has been widely investigated. In this paper, we introduce a new prior accounting simultaneously for both sparsity and smoothness of restored signals. We use a Bernoulli-generalized Gauss-Laplace distribution to perform ℓ0 + ℓ1 + ℓ2 regularization in a Bayesian framework. Our results show the potential of the proposed approach especially in restoring the non-zero coefficients of the signal/image of interest.
Published: 2014

45. Fusion of multispectral and hyperspectral images based on sparse representation

Author: Wei, Qi, Bioucas-Dias, José M., Dobigeon, Nicolas, Tourneret, Jean-Yves, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Instituto de Telecomunicações - IT (PORTUGAL), Institut National Polytechnique de Toulouse - INPT (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Instituto de Telecomunicações [Lisboa, Portugal], Institut National Polytechnique (Toulouse) (Toulouse INP), and CoMputational imagINg anD viSion (IRIT-MINDS)
Subjects: [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Alternating direction method of multipliers(ADMM), [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Computer Science::Computer Vision and Pattern Recognition, Hyperspectral image, Traitement du signal et de l'image, Image fusion, Synthèse d'image et réalité virtuelle, Sparse representation, Multispectral image
Abstract: National audience; This paper presents an algorithm based on sparse representation for fusing hyperspectral and multispectral images. The observed images are assumed to be obtained by spectral or spatial degradations of the high resolution hyperspectral image to be recovered. Based on this forward model, the fusion process is formulated as an inverse problem whose solution is determined by optimizing an appropriate criterion. To incorporate additional spatial information within the objective criterion, a regularization term is carefully designed,relying on a sparse decomposition of the scene on a set of dictionaryies. The dictionaries and the corresponding supports of active coding coef�cients are learned from the observed images. Then, conditionally on these dictionaries and supports, the fusion problem is solved by iteratively optimizing with respect to the target image (using the alternating direction method of multipliers) and the coding coefcients. Simulation results demonstrate the ef�ciency of the proposed fusion method when compared with the state-of-the-art.
Published: 2014

46. Estimation bayésienne du paramètre de multifractalité

Author: Wendt, Herwig, Dobigeon, Nicolas, Tourneret, Jean-Yves, Abry, Patrice, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Centre National de la Recherche Scientifique (CNRS), Institut National Polytechnique (Toulouse) (Toulouse INP), Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure - Lyon (ENS Lyon)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Analyse multifractale, Paramètre d'intermittence, Coefficients dominants, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Traitement du signal et de l'image, Synthèse d'image et réalité virtuelle, Estimation bayésienne
Abstract: National audience; L’analyse multifractale est largement utilisée pour caractériser et interpréter les propriétés d’invariance d’échelle de données expérimentales issues de multiples et diverses applications. Cependant, l'estimation du paramètre dit de multifractalité, qui permet de discriminer entre grandes classes de processus modèles pour l’invariance d’échelle, est délicate. Quand la taille des données est limitée notamment, la performance des estimateurs classiques, reposant principalement sur des régressions linéaires, est souvent trop faible, limitant ainsi la possibilité d’une véritable utilisation pratique de ce paramètre. Dans cette contribution, nous envisageons une procédure dont l’originalité est double. D’une part, nous construisons un modèle semi-paramétrique générique pour décrire la statistique du logarithme des coefficients dominants de processus multifractals, construits à partir de cascades multiplicatives (une déclinaison adaptée à l’analyse multifractale des coefficients d’ondelettes classiquement utilisés). D’autre part, nous élaborons une formulation bayésienne adaptée à ce problème ainsi qu’un algorithme MCMC pour approcher la loi a posteriori et les estimateurs bayésiens. La pertinence du modèle semi-paramétrique proposé et l’intérêt et la qualité des estimateurs bayésiens construits sont évalués au moyen de simulations numériques. Nous montrons la réelle amélioration des performances d'estimation obtenues à partir du schéma bayésien.
Published: 2013

47. Adaptive Markov random fields for joint unmixing and segmentation of hyperspectral image

Author: Eches, Olivier, Benediktsson, Jon Atli, Dobigeon, Nicolas, Tourneret, Jean-Yves, Centre National de la Recherche Scientifique - CNRS (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), University of Iceland (ICELAND), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, University of Iceland [Reykjavik], Institut National Polytechnique (Toulouse) (Toulouse INP), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Statistics::Machine Learning, Energie électrique, Markov random field (MRF), Segmentation, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Computer Science::Computer Vision and Pattern Recognition, [SPI.NRJ]Engineering Sciences [physics]/Electric power, Hyperspectral images, Traitement du signal et de l'image, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, Morphological filter, Spectral unmixing
Abstract: International audience; Linear spectral unmixing is a challenging problem in hyperspectral imaging that consists of decomposing an observed pixel into a linear combination of pure spectra (or endmembers) with their corresponding proportions (or abundances). Endmember extraction algorithms can be employed for recovering the spectral signatures while abundances are estimated using an inversion step. Recent works have shown that exploiting spatial dependencies between image pixels can improve spectral unmixing. Markov random fields (MRF) are classically used to model these spatial correlations and partition the image into multiple classes with homogeneous abundances. This paper proposes to define the MRF sites using similarity regions. These regions are built using a self-complementary area filter that stems from the morphological theory. This kind of filter divides the original image into flat zones where the underlying pixels have the same spectral values. Once the MRF has been clearly established, a hierarchical Bayesian algorithm is proposed to estimate the abundances, the class labels, the noise variance, and the corresponding hyperparameters. A hybrid Gibbs sampler is constructed to generate samples according to the corresponding posterior distribution of the unknown parameters and hyperparameters. Simulations conducted on synthetic and real AVIRIS data demonstrate the good performance of the algorithm.
Published: 2013

48. A normalized scaled gradient method to solve non-negativity and equality constrained linear inverse problem - Application to spectral mixture analysis

Author: Theys, Céline, Lantéri, Henri, Dobigeon, Nicolas, Richard, Cédric, Tourneret, Jean-Yves, and Ferrari, André
Subjects: Optimization and Control (math.OC), Physics - Data Analysis, Statistics and Probability, FOS: Mathematics, FOS: Physical sciences, Mathematics - Optimization and Control, Data Analysis, Statistics and Probability (physics.data-an)
Abstract: This paper addresses the problem of minimizing a convex cost function under non-negativity and equality constraints, with the aim of solving the linear unmixing problem encountered in hyperspectral imagery. This problem can be formulated as a linear regression problem whose regression coefficients (abundances) satisfy sum-to-one and positivity constraints. A normalized scaled gradient iterative method (NSGM) is proposed for estimating the abundances of the linear mixing model. The positivity constraint is ensured by the Karush Kuhn Tucker conditions whereas the sum-to-one constraint is fulfilled by introducing normalized variables in the algorithm. The convergence is ensured by a one-dimensional search of the step size. Note that NSGM can be applied to any convex cost function with non negativity and flux constraints. In order to compare the NSGM with the well-known fully constraint least squares (FCLS) algorithm, this latter is reformulated in term of a penalized function, which reveals its suboptimality. Simulations on synthetic data illustrate the performances of the proposed algorithm in comparison with other unmixing algorithms and, more particulary, demonstrate its efficiency when compared to the popular FCLS. Finally, results on real data are given.
Published: 2013
Full Text: View/download PDF

49. Bayesian algorithm for unsupervised unmixing of hyperspectral images using a post-nonlinear model

Author: Altmann, Yoann, Dobigeon, Nicolas, Tourneret, Jean-Yves, Institut National Polytechnique de Toulouse - INPT (FRANCE), Centre National de la Recherche Scientifique - CNRS (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, and Institut National Polytechnique (Toulouse) (Toulouse INP)
Subjects: [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Computer Science::Computer Vision and Pattern Recognition, Hyperspectral imagery, ComputingMethodologies_SYMBOLICANDALGEBRAICMANIPULATION, Traitement du signal et de l'image, Hamiltonian Monte Carlo, Synthèse d'image et réalité virtuelle, Unsupervised spectral unmixing, Post-nonlinear model
Abstract: International audience; This paper presents a nonlinear mixing model for hyperspectral image unmixing. The proposed model assumes that the pixel reflectances are post-nonlinear functions of unknown pure spectral components contaminated by an additive white Gaussian noise. The nonlinear effects are approximated by a polynomial leading to a polynomial post-nonlinear mixing model. A Bayesian algorithm is proposed to estimate the parameters involved in the model yielding an unsupervised nonlinear unmixing algorithm. Due to the large number of parameters to be estimated, an efficient constrained Hamiltonian Monte Carlo algorithm is investigated. The performance of the unmixing strategy is finally evaluated on synthetic data.
Published: 2013

50. Inférence bayésienne dans des problèmes inverses, myopes et aveugles en traitement du signal et des images

Author: Dobigeon, Nicolas, Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), and Institut National Polytechnique de Toulouse - INPT (FRANCE)
Subjects: Problèmes inverses, Méthodes de Monte Carlo par chaîne de Markov, Imagerie hyperspectrale, Imagerie MRFM, Traitement du signal et de l'image, Inférence bayésienne
Abstract: Les activités de recherche présentées concernent la résolution de problèmes inverses, myopes et aveugles rencontrés en traitement du signal et des images. Les méthodes de résolution privilégiées reposent sur une démarche d'inférence bayésienne. Celle-ci offre un cadre d'étude générique pour régulariser les problèmes généralement mal posés en exploitant les contraintes inhérentes aux modèles d'observation. L'estimation des paramètres d'intérêt est menée à l'aide d'algorithmes de Monte Carlo qui permettent d'explorer l'espace des solutions admissibles. Un des domaines d'application visé par ces travaux est l'imagerie hyperspectrale et, plus spécifiquement, le démélange spectral. Le second travail présenté concerne la reconstruction d'images parcimonieuses acquises par un microscope MRFM.
Published: 2012

Catalog

Books, media, physical & digital resources

See catalog results

Searchworks

Select search scope, currently: Articles Catalog books, media & more in Jio Institute collections Articles journal articles & other e-resources

Search

Search Constraints

Refine your results

Search Limiters

Topic

Publication Year Range

Language

Database

Publisher

65 results on '"Dobigeon, Nicolas"'

Search Results

Catalog

Select search scope, currently: Articles

Catalog

books, media & more in Jio Institute collections

Articles

journal articles & other e-resources