Système d'appariement d'images avec réseau de neurones à décharges

Abstract

Cette thèse propose un système d’appariement de formes dans les images. La plupart des systèmes développés dans l'état de l'art en vision artificielle requièrent beaucoup d'entraînement, et ne tiennent pas en compte la disposition précise des caractéristiques dans les images. Le but principal de cette thèse est de proposer un système polyvalent qui répond à ces deux faiblesses, et qui peut être jumelé à différents systèmes de l'état de l'art afin d'en améliorer les performances. On propose donc une approche qui peut être utilisée sans apprentissage, et qui permet d'établir une correspondance détaillée entre deux images, conservant ainsi la structure locale des caractéristiques. Le système est testé sur des problèmes comme l'appariement pixel à pixel où l'apprentissage sur de grosses bases de données n'est pas une option et sur la réidentification de personnes, où la localisation précise des caractéristiques des images est importante. Le système est implémenté avec un réseau de neurones à décharges, il est donc compatible avec les architectures neuromorphiques à décharges qui sont en train d'émerger.

Abstract : This thesis proposes a system for matching patterns between images. Most image processing systems in the literature require a lot of training data and do not preserve the spatial relationship between image features. The goal of this thesis is to propose a system which addresses those two shortcomings and which is versatile enough to be paired with different state of the art systems in order to improve their performance. We propose an approach that produces a detailed matching of visual features between two images, while preserving the spatial relationships between them and by doing so without requiring a training phase. The system is tested on problems such as dense pixel matching, where learning from a big database is not an option, and person reidentification, where the spatial disposition of features is important. The system is implemented using a spiking neural network, which is compatible with the promising neuromorphic architectures that are currently being developed.