Comprendre le monde derrière l'image
Dans le cadre de ce webinaire organisé par le regroupement stratégique REPARTI, le professeur Jean-François Lalonde, de la Faculté des sciences et de génie de l’Université Laval, expliquera comment et pourquoi il combine des modèles basés sur la physique et des techniques d’apprentissage automatique afin de mieux modéliser, comprendre et recréer la richesse de notre monde visuel.
Résumé de la conférence
Les images se forment à travers une série d’interactions entre la lumière, les surfaces de la scène (selon leur géométrie et leur réflectance) et, finalement, la caméra. Des modèles physiques précis de ces interactions existent, mais ont vu une applicabilité limitée dans des conditions réelles, en dehors du laboratoire. Pour cette raison, une grande partie de la recherche sur la vision par ordinateur traite les images comme des tableaux de pixels 2D sans tenir compte de la façon dont elles ont été formées.
Dans cet exposé, je préconise plutôt l’idée de raisonner sur le monde réel derrière l’image et je considère explicitement ces interactions lumière-géométrie-caméra. Pour ce faire, nous proposons des algorithmes qui comprennent la géométrie 3D, l’éclairage, la réflectance de surface et même la caméra elle-même à partir d’images. L’idée clé est de combiner des modèles basés sur la physique et des techniques d’apprentissage automatique afin de mieux modéliser, comprendre et recréer la richesse de notre monde visuel.
La présentation sera donnée en français et les diapos seront en anglais.
À propos du conférencier
Professeur agrégé, Faculté des sciences et de génie, Université Laval
Jean-François Lalonde, Ph.D., est professeur agrégé dans la Faculté des sciences et de génie à l’Université Laval, dans le Département de génie électrique et de génie informatique. Il est membre de l’Institut intelligence et données (IID), du Centre de recherche en données massives (CRDM), et du Centre de recherche en Robotique, Vision et Intelligence Machine (CeRVIM) à l’Université Laval. Auparavant, il était stagiaire post-doctoral à Disney Research, Pittsburgh.
Il a obtenu son doctorat en robotique de Carnegie Mellon University en 2011. Sa thèse, intitulée « Understanding and Recreating Appearance under Natural Illumination, » lui a valu le CMU School of Computer Science Distinguished Dissertation Award.
Ses intérêts de recherche se trouvent à l’intersection de la vision numérique, l’infographie, et l’apprentissage automatique. En particulier, il s’intéresse à la façon dont les modèles basés sur la physique et les techniques d’apprentissage automatique axées sur les données peuvent être unifiés pour mieux comprendre, modéliser, interpréter et recréer la richesse de notre monde visuel.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.