«

»

nov 04

Réunion à l’Université Lille 1 le 4 novembre 2014

La réunion du projet REPAR s’est déroulée salle 005 Rez-de Chausée du bâtiment P2 [1].

Présents:

Ludovic Macaire,(Lille 1)), Olivier Losson (Lille1), Christelle Garnier( Telecom Lille1), Nicolas Vandenbroucke (ULCO), Jacques Boonaert (EM Douai), Denis Hamad (ULCO), Benjamin Mathon (Lille1), Sylvain Rousseau (EC Lille), Pascal Bruniaux (ENSAIT), Audrey Ledoux (Lille1), François Cabestaing (Lille1)

Excusés:
Mouchaweh Moamar (EM Douai), Anthony Fleury (EM Douai), Pierre Chainais (EC Lille) , André Bigand(ULCO), Alice Porebski (ULCO), , Sebastien Thomassey(ENSAIT), Frédéric VANDERHAEGEN (UVHC), Sebastien Ambellouis (EM Douai), Mehmood Owais (Ifstar), Alice Porebski (ULCO)

Ordre du jour:
13h45-14h Café
14h-14h45 Suivi multi-objets dans des séquences d’images (Christelle Garnier)
pdf de la présentation

14h45-15h30 Classification de morphologies 3D (Pascal Bruniaux) pptx de la présentation
pdf de la présentation – partie1
pdf de la présentation – partie2
pdf de la présentation – partie3
pdf de la présentation – partie4

15h30-16h Pause Café
16h-16h45 – Représentation des textures dans les images CFA (Ludovic Macaire)

pdf de la présentation

16h45-17h30 Définition des actions du projet REPAR

Site web :
Il contiendra les compte-rendus des réunions, slides des présentations, références bibliographiques, ainsi que la description du projet et des équipes concernées.

Le site a été mis en place par François Cabestaing.

[1] [pdf] [doi] H. Cheng, Z. Liu, L. Yang, and Xuewen Chen, « Sparse representation and learning in visual recognition: theory and applications, » Signal Processing, vol. 93, iss. 6, pp. 1408-1425, 2013.
[Bibtex]
@Article{cheng-sigpro-2013,
author = "Hong Cheng and Zicheng Liu and Lu Yang and Xuewen
Chen",
title = "Sparse representation and learning in visual
recognition: Theory and applications",
journal = SIGPRO,
volume = "93",
number = "6",
month = jun,
year = "2013",
pages = "1408--1425",
abstract = "Sparse representation and learning has been widely
used in computational intelligence, machine learning,
computer vision and pattern recognition, etc.
Mathematically, solving sparse representation and
learning involves seeking the sparsest linear
combination of basis functions from an overcomplete
dictionary. A rational behind this is the sparse
connectivity between nodes in human brain. This paper
presents a survey of some recent work on sparse
representation, learning and modeling with emphasis on
visual recognition. It covers both the theory and
application aspects. We first review the sparse
representation and learning theory including general
sparse representation, structured sparse
representation, high-dimensional nonlinear learning,
Bayesian compressed sensing, sparse subspace learning,
non-negative sparse representation, robust sparse
representation, and efficient sparse representation. We
then introduce the applications of sparse theory to
various visual recognition tasks, including feature
representation and selection, dictionary learning,
Sparsity Induced Similarity (SIS) measures, sparse
coding based classification frameworks, and
sparsity-related topics",
doi = "10.1016/j.sigpro.2012.09.011",
}