Stage : Enrichissement et modélisation de bases de données en vue de l’apprentissage profond de la segmentation Etienne Decencière Centre de Morphologie Mathématique (CMM) MINES ParisTech 1 Sujet La segmentation est une étape souvent essentielle dans une application de traitement d’images. Des méthodes de segmentation faisant appel à l’apprentissage profond (deep learning) ont permis d’obtenir d’excellents résultats. Cependant, elles requièrent des bases d’images segmentées à la main, ce qui représente un travail considérable. Des méthodes d’enrichissement de la base d’apprentissage ont été proposées et sont utilisées en routine pour lutter contre ce problème. Dans certains cas, il est envisageable d’aller plus loin, et de simuler des images et les segmentations correspondantes pour améliorer l’apprentissage. Le stage proposé porte sur cette approche. Les bases de données qui seront utilisées dans cette étude proviennent du domaine biomédical, en particulier de collaborations industrielles du Centre de Morphologie Mathématique. Le candidat doit avoir au moins des notions de base en apprentissage statistique et en traitement d’images. Les expériences réalisées seront codées en Python, à l’aide de librairies Open Source. Le stage devrait s’achever par la rédaction d’un article scientifique. Le stage sera réalisé au Centre de Morphologie Mathématique de MINES ParisTech, à Fontainebleau. 2 Procédure de candidature Envoi d’un CV à [email protected] 3 Références • Long et al. Fully convolutional networks for semantic segmentation, CVPR 2015. • Ronneberger et al. U-Net: convolutional networks for biomedical image segmentation, MICCAI 2015. 1