Search

Your search keyword '"Lagrange, Adrien"' showing total 5 results
Start Over Author "Lagrange, Adrien" Topic [sdv]life sciences [q-bio]
5 results on '"Lagrange, Adrien"'

1. 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

2. 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

3. A standardized and characterized clinical grade human platelet lysate for optimized expansion of human bone marrow mesenchymal stem cells

Author

Viau, S, Eap, S, Chabrand, Lucie, Lorant, Judith, Bertholet, P, Bouckenooghe, T, Lagrange, Adrien, Goudaliez, F, Rouger, Karl, Delorme, Bruno, MacoPharma Tourcoing, Chercheur indépendant, European Society for Blood and Marrow Transplantation (EBMT)., and ProdInra, Archive Ouverte

Subjects
[SDV] Life Sciences [q-bio], [SDV]Life Sciences [q-bio]
Abstract

A standardized and characterized clinical grade human platelet lysate for optimized expansion of human bone marrow mesenchymal stem cells. 43rd Annual Meeting of the European Society for Blood and Marrow Transplantation (EBMT)

Published
2017

4. Operational feature selection in gaussian mixture models

Author

Lagrange, Adrien, 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), France. Ecole Nationale Supérieure de Techniques Avancées (ENSTA ParisTech), FRA., and ProdInra, Migration

Subjects
[SDV] Life Sciences [q-bio], remote sensing, fast computing, ComputingMethodologies_PATTERNRECOGNITION, feature selection, hyperspectral imaging, [SDV]Life Sciences [q-bio], [SHS] Humanities and Social Sciences, gaussian mixture model, [SHS]Humanities and Social Sciences
Abstract

This report presents a forward feature selection algorithm based on Gaussian mixture model (GMM) classifiers. The algorithm selects iteratively features that maximize a criterion function which can be either a classification rate or a measure of divergence. We explore several variations of this algorithm by changing the criterion function and also by testing a floating forward variation allowing backward step to discard already selected features. An important effort is made in exploiting GMM properties to implement a fast algorithm. In particular, update rules of the GMM model are used to compute the criterion function with various sets of features. The result is a C++ remote module for the remote sensing processing toolbox Orfeo (OTB) developed by CNES. Finally, the method is tested and also compared to other classifiers using two different datasets, one of hyperspectral images with a lot of spectral variables and one with heterogeneous spatial features. The results validate the fact that the method performs well in terms of processing time and classification accuracy in comparison to the standard classifiers available in OTB.

Published
2016

5. Hierarchical Bayesian image analysis: from low-level modeling to robust supervised learning

Author

Adrien Lagrange, Nicolas Dobigeon, Stéphane May, Mathieu Fauvel, Institut de Recherche en Informatique de Toulouse - École nationale supérieure d'électrotechnique, d'électronique, d'informatique, d'hydraulique et des télécommunications (IRIT - ENSEEIHT), 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-ENSEEIHT, Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-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), Centre National d’Études Spatiales [Paris] (CNES), Université Fédérale Toulouse Midi-Pyrénées, Institut National de la Recherche Agronomique (INRA)-École nationale supérieure agronomique de Toulouse [ENSAT]-Institut National Polytechnique (Toulouse) (Toulouse INP), Centre National d’Etudes Spatiales, Institut Universitaire de France (IUF), Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.), 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), Lagrange, Adrien, 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), Institut universitaire de France - IUF (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
FOS: Computer and information sciences, Computer science, [INFO.INFO-TS] Computer Science [cs]/Signal and Image Processing, Computer Vision and Pattern Recognition (cs.CV), [SDV]Life Sciences [q-bio], Bayesian probability, Feature extraction, Computer Science - Computer Vision and Pattern Recognition, Machine Learning (stat.ML), 02 engineering and technology, Latent variable, Bayesian inference, 01 natural sciences, supervised learning, Analyse numérique, Traitement des images, [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Statistics - Machine Learning, Artificial Intelligence, 0103 physical sciences, 0202 electrical engineering, electronic engineering, information engineering, 010306 general physics, Cluster analysis, Markov random field, business.industry, Dimensionality reduction, Supervised learning, Pattern recognition, image interpretation, Markov Random Field, Informatique, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], Image interpretation, ComputingMethodologies_PATTERNRECOGNITION, Bayesian model, Signal Processing, 020201 artificial intelligence & image processing, Computer Vision and Pattern Recognition, Artificial intelligence, business, Classifier (UML), Software
Abstract

International audience; Within a supervised classification framework, labeled data are used to learn classifier parameters. Prior to that, it is generally required to perform dimensionality reduction via feature extraction. These preprocessing steps have motivated numerous research works aiming at recovering latent variables in an unsupervised context. This paper proposes a unified framework to perform classification and low-level modeling jointly. The main objective is to use the estimated latent variables as features for classification and to incorporate simultaneously supervised information to help latent variable extraction. The proposed hierarchical Bayesian model is divided into three stages: a first low-level modeling stage to estimate latent variables, a second stage clustering these features into statistically homogeneous groups and a last classification stage exploiting the (possibly badly) labeled data. Performance of the model is assessed in the specific context of hyperspectral image interpretation, unifying two standard analysis techniques, namely unmixing and classification.

Published
2017

Catalog

Books, media, physical & digital resources
See catalog results