Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Discovery Grants Program - Individual

Université de Montréal

$24,000.00

New unsupervised Bayesian and energy-based models dedicated to image processing and computer vision applications

FY 2024-25

Summary
Mon programme de recherche étudie l'utilité de nouveaux modèles probabilistes (bayésiens) ou à base d'énergies non supervisées pour comprendre, analyser et manipuler des images fixes, en mouvement et multidimensionnelles ou multimodales (hétérogènes). Ces modèles sont utilisés dans un large éventail d'application, non seulement dans le traitement d'images fixes et la vision par ordinateur, mais aussi dans les systèmes d'images médicales multimodales, l'analyse ou la classification dans des images de télédétection hétérogènes et plus généralement dans tous les systèmes de caméras ou de détection multimodale, de reconnaissance / reconstruction de la prochaine génération. Le cadre adopté, pour ces différents modèles de recherche, repose principalement sur la théorie statistique bayésienne qui permet de prendre en compte certaines connaissances préalables disponibles sur les informations à trouver et de combiner ce modèle a priori avec un modèle (statistique) décrivant les interactions entre et les variables cachées et observées (vraisemblance). Dans ce cadre, nous avons récemment proposé et étudié un nouveau modèle de vraisemblance prometteur pour les données d'image, basé sur l'utilisation d'une modélisation par paires de pixels qui s'est avérée particulièrement efficace pour détecter les changements à partir d'images de télédétection hétérogènes et également étudié l'utilisation de critères multiples ou la théorie de la prise de décision multiobjectifs dans ce contexte bayésien. Cela fournit une base solide et un cadre mathématique rigoureux pour l'exploration de nouveaux modèles bayésiens ou modèles à base d'énergie avec un a priori spécifique au contexte et basé sur une vraisemblance appropriée (basé sur une modélisation par pair de pixels), et éventuellement sous plusieurs critères, à savoir: 1] L'étude de la segmentation Bayésienne du cerveau humain à partir de données IRMf, ce qui est important pour explorer l'organisation fonctionnelle du cerveau et pour comprendre les interactions longues entre les sous-réseaux cérébraux dans le contexte d'une maladie. 2] En collaboration avec la start-up Eiffel Medtech (qui propose des méthodes de vision pour améliorer la chirurgie du genou), nous nous concentrerons sur les méthodes de recalage bayésiennes non supervisées des composants d'implants de genou 3D à partir d'images radiographiques, ce qui est crucial pour aider le chirurgien à analyser ou aligner un implant après une arthroplastie totale du genou. 3] Nous poursuivrons notre collaboration avec le CRIM (Institut de recherche informatique de Montréal) afin d'explorer l'utilisation de nouveaux modèles non supervisés pour le problème de détection de changement multimodal en télédétection. 4] Au DIRO, sous ma seule supervision, des projets de recherche plus théoriques seront explorés tels que le déroulement de phase ou la détection d'anomalies difficilement perceptibles dans les images naturelles.
Program
Discovery Grants Program - Individual
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
RGPIN-2022-03654
Name nom
Mignotte, Max
Department département
Dépt. d'Informatique et R.O.
Organization id
63
Institution établissement
Université de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2024
Competition year année de concours
2022
Award amount
24000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
DISCOVERY RESEARCH
Group fr
RECHERCHE AXÉE SUR LA DÉCOUVERTE
Committee code
1507
Committee name en
Computer Science
Committee name fr
Sciences informatiques
Area of application code
801
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Computer software
Area of application fr
Logiciel
Research subject code
3000
Research subject group en
Statistics and probability
Research subject group fr
Statistique et probabilité
Research subject en
Statistics and probability
Research subject fr
Statistique et probabilité
Field of research list names en
Not available
Field of research list names fr
Non disponible
Socioeconomic objective list names en
Not available
Socioeconomic objective list names fr
Non disponible
Application title
New unsupervised Bayesian and energy-based models dedicated to image processing and computer vision applications
Keywords
digital image processing; bayesian inference; markov random fields; parametric or non parametric statistical models; penalized likelihood (or energy--based) models; fusion models; bicriteria optimization models; detection; segmentation; computer vision
Application summary
Mon programme de recherche étudie l'utilité de nouveaux modèles probabilistes (bayésiens) ou à base d'énergies non supervisées pour comprendre, analyser et manipuler des images fixes, en mouvement et multidimensionnelles ou multimodales (hétérogènes). Ces modèles sont utilisés dans un large éventail d'application, non seulement dans le traitement d'images fixes et la vision par ordinateur, mais aussi dans les systèmes d'images médicales multimodales, l'analyse ou la classification dans des images de télédétection hétérogènes et plus généralement dans tous les systèmes de caméras ou de détection multimodale, de reconnaissance / reconstruction de la prochaine génération. Le cadre adopté, pour ces différents modèles de recherche, repose principalement sur la théorie statistique bayésienne qui permet de prendre en compte certaines connaissances préalables disponibles sur les informations à trouver et de combiner ce modèle a priori avec un modèle (statistique) décrivant les interactions entre et les variables cachées et observées (vraisemblance). Dans ce cadre, nous avons récemment proposé et étudié un nouveau modèle de vraisemblance prometteur pour les données d'image, basé sur l'utilisation d'une modélisation par paires de pixels qui s'est avérée particulièrement efficace pour détecter les changements à partir d'images de télédétection hétérogènes et également étudié l'utilisation de critères multiples ou la théorie de la prise de décision multiobjectifs dans ce contexte bayésien. Cela fournit une base solide et un cadre mathématique rigoureux pour l'exploration de nouveaux modèles bayésiens ou modèles à base d'énergie avec un a priori spécifique au contexte et basé sur une vraisemblance appropriée (basé sur une modélisation par pair de pixels), et éventuellement sous plusieurs critères, à savoir: 1] L'étude de la segmentation Bayésienne du cerveau humain à partir de données IRMf, ce qui est important pour explorer l'organisation fonctionnelle du cerveau et pour comprendre les interactions longues entre les sous-réseaux cérébraux dans le contexte d'une maladie. 2] En collaboration avec la start-up Eiffel Medtech (qui propose des méthodes de vision pour améliorer la chirurgie du genou), nous nous concentrerons sur les méthodes de recalage bayésiennes non supervisées des composants d'implants de genou 3D à partir d'images radiographiques, ce qui est crucial pour aider le chirurgien à analyser ou aligner un implant après une arthroplastie totale du genou. 3] Nous poursuivrons notre collaboration avec le CRIM (Institut de recherche informatique de Montréal) afin d'explorer l'utilisation de nouveaux modèles non supervisés pour le problème de détection de changement multimodal en télédétection. 4] Au DIRO, sous ma seule supervision, des projets de recherche plus théoriques seront explorés tels que le déroulement de phase ou la détection d'anomalies difficilement perceptibles dans les images naturelles.