Vous êtes ici : GIPSA-lab >AGPIGAccueil AGPIG
Équipe

Architecture-Géométrie, Perception, Images, Gestes
Responsable(s) d'équipe : Isabelle SIVIGNON, Michèle ROMBAUT

L'équipe Architecture, Géométrie, Perception, Images, Gestes (AGPiG) développe des algorithmes pour la modélisation géométrique, l’analyse d’images et de vidéos.

Cette équipe est organisée en 3 axes : Adéquation-Algorithme-Architecture, Géométrie et formes, Perception et analyse d'images.

 

Présentations de l'équipe :
Français (pdf, 260 ko)
English (pdf, 260 ko)

Les principaux thèmes de recherche abordés dans les trois axes de l'équipe :

Traitement des images : développement de méthodes génériques (amélioration, segmentation, reconnaissance, classification, suivi, mesures, etc) et mise en oeuvre dans des applications variées (images hyperspectrales, vidéos de personnes et de visages et données multimédia).

 

Algorithmes et architectures : nouveaux algorithmes en géométrie, topologie et optimisations convexes avec garanties ; bornes sur la complexité ; méthodologies pour faciliter l’implémentation parallèle d’algorithmes pour les images ; architecture parallèle en technologie 3D.

(Re)constructions et problèmes inverses : Plongements isométriques du tore plat en 3D ; reconstruction de signaux impulsionnels ; conditions d’échantillonnage pour des reconstructions topologiquement correctes de formes ; parallélisation de la reconstruction tomographique.

Modélisation des objets et des images : schémas de subdivision pour les surfaces ; graphes avec contraintes pour la segmentation ; descripteurs pour les images et les objets dans les images (visages, personnes, etc).

Perception : mesures objectives de la qualité (pour vidéos, images stéréoscopiques, maillages) ; modèles de saillance prenant en compte les aspects temporels, couleurs, sonores avec implémentation parallèle ; mise au point d’un système de substitution visio-auditive.

 

Logiciels:

modèle de saillance visuelle temps-réel

 




Dernières publications de l'équipe

Study of naturalness in tone-mapped images

Quyet Tien Le, Patricia Ladret, Huu-Tuan Nguyen, Alice Caplier. Study of naturalness in tone-mapped images. Computer Vision and Image Understanding, Elsevier, 2020, 196, pp.102971. ⟨10.1016/j.cviu.2020.102971⟩. ⟨hal-02568771⟩

Improving Localization of Deep Inclusions in Time-Resolved Diffuse Optical Tomography

David Orive-Miguel, Lionel Hervé, Laurent Condat, Jerome Mars. Improving Localization of Deep Inclusions in Time-Resolved Diffuse Optical Tomography. Applied Sciences, MDPI, 2019, ⟨10.3390/app9245468⟩. ⟨hal-02476617⟩

Adaptive early classification of temporal sequences using deep reinforcement learning

Coralie Martinez, Emmanuel Ramasso, Guillaume Perrin, Michèle Rombaut. Adaptive early classification of temporal sequences using deep reinforcement learning. Knowledge-Based Systems, Elsevier, 2019, ⟨10.1016/j.knosys.2019.105290⟩. ⟨hal-02401099⟩


Voir toutes les publications de l'équipe dans HAL
GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31