Titre : Théorie de la détection sans apprentissage, avec des exemples

Résumé  :  Dans  cet  exposé   basé  sur  des  démonstrations  en  ligne
d'algorithmes  et  sur  l'examen  de plusieurs  exemples  pratiques,  je
développerai le  problème de modéliser  une tâche de détection  dans des
images.  Je me  placerai dans  le  cas (très  fréquent) où  la tâche  de
détection ne  peut pas être formulée  dans un cadre Bayésien  ou, ce qui
revient pratiquement au  même, par apprentissage simultané  du modèle de
l'objet  et de  celui du  fond.  (Dans le  cas  où on  dispose de  plein
d'exemples du  fond et de  l'objet à  détecter, les réseaux  de neurones
apportent une réponse pratique, mais sans pouvoir explicatif). Même pour
la détection "sans" apprentissage, je montrerai qu'on ne peut quand même
pas faire l'économie d'un modèle de  fond, qu'il faut bien apprendre. Si
j'ai  le temps  je  discuterai aussi  de la  question  de fusionner  des
critères de détection complémentaires. Avec  les éléments de théorie que
je donnerai,  on ne peut pas  tout détecter. Par exemple  pas les chats,
les  chiens  ou  les  visages.  Mais on  peut  détecter  des  structures
géométriques   (alignements,  points   de  fuites,   courbes,  géométrie
épipolaire), et on  peut aussi détecter les choses  imprévisibles ou aux
formes  arbitraires, comme  par exemple  des nuages,  ou des  anomalies.
Travaux  menés  en  collaboration  avec  notamment  Axel  Davy,  Tristan
Dagobert, Agnès Desolneux, Rafael Grompone, Thibaud Ehret.