Fiche Module
FISE
GSI
Génie des Systèmes Industriels
Unité d'Enseignement :
Semestre : 9
Crédits ECTS : 5
Décision
Elément Constitutif :
Coefficient : 1
Computer Vision
Tronc Commun
Volume horaire : 16:00
| Type | Durée |
|---|---|
| Cours | 4:00 |
| TD | 12:00 |
Evaluations : 1
| Type | Coefficient |
|---|---|
| TP | 0.5 |
| TP | 0.5 |
Enseignants : 1
| Enseignant | Type |
|---|---|
| Mille Julien | Responsable |
Pré-requis :
| UE | Semestre | Module |
|---|---|---|
| Mathématiques et Informatique 1 | 5 | Programmation orientée objet C++ |
| Sciences de l'ingénieur | 8 | Programmation Orientée Objet avancée |
| Analyse | 9 | Traitement d'images |
• Aperçu des tâches principales de la vision par ordinateur : détection, reconnaissance, segmentation, appariement • Détection de points d’intérêts pour l’appariement d’images (détecteur de coins, représentations multi-échelle, points SIFT) • Segmentation d’images par graph cuts : champs de Markov aléatoires, problème du flot maximum, méthode de Ford-Fulkerson, coupe de graphes La programmation se fait en C++ avec la bibliothèque OpenCV
Deux TP évalués : 50%, 50%
Computer vision : models, learning and inference. S.J. Prince, Cambridge University Press, 2012.
Compétences :
| Ref. | Verbe | Description | Niveau |
|---|---|---|---|
| C2_1 | analyser | Maîtriser les principaux opérateurs différentiels sur les images (gradient, hessienne, Laplacien) et comprendre leurs rôles dans la détection des coins | 2 |
| C2_1 | analyser | Savoir construire une représentation multi-échelle d’une image et détecter les extrema locaux qui serviront de points d’intérêts | 2 |
| C2_1 | analyser | Comprendre le rôle des termes classiques (attache aux données, régularisation) dans un problème d’optimisation pour le traitement d’images, et en particulier pour la segmentation | 2 |
| C2_1 | analyser | Maitriser une des transformations possibles d’une image en un graphe, maximiser un flot sur un graphe, et en extraire une segmentation | 2 |