" Soutenance de thèse de Teddy DEBROUTELLE. | Université d'Orléans

Université d'Orléans

Soutenance de thèse de Teddy DEBROUTELLE.

19/02/2018 - 14:00 - 19/02/2018 - 18:00

URL: http://www.univ-orleans.fr/actus/soutenances

Nom du contact: Etudes Doctorales

Courriel du contact: etudes.doctorales@univ-orleans.fr

Lieu: Amphithéâtre Turing - Polytech’Orléans – site Galilée - 14 rue d’Issoudun - campus UNIVERSITÉ

Titre : Détection et classification de décors gravés sur des céramiques anciennes par analyse d’images.

Discipline : Traitement d'images

ECOLE DOCTORALE MIPTIS

Résumé :

Le projet ARCADIA vise à développer une méthode automatique d’analyse des décors sur des tessons de céramique réalisés à la molette pour faciliter l’interprétation de ce patrimoine archéologique. Cette automatisation doit remplacer la procédure manuelle précédemment effectuée par l’archéologue et devenue trop fastidieuse avec l’augmentation du corpus (38000 tessons). L’objectif in fine est de réussir à associer automatiquement les décors à leur molette. Ce projet associe le laboratoire PRISME, le LIFO et la Fédération Archéologique du Loiret (FAL). Dans ce contexte, la première étape, réalisée au cours de ces travaux de thèse, consiste à développer une approche complète depuis la numérisation jusqu’à une classification automatique des décors selon leur style de motifs (carré, losange, chevrons, oves, etc). Les travaux de recherche présentés proposent plusieurs contributions mettant en œuvre des méthodes d’analyse d’images et d’apprentissage automatique. A partir du nuage de points 3D, une carte des profondeurs est obtenue. Une méthode originale de détection automatique de la région saillante focalisée sur le décor est proposée. Ensuite les décors sont caractérisés pour effectuer leur classification. Un nouveau descripteur, appelé Blob-SIFT, est proposé pour collecter les signatures seulement dans les zones pertinentes du décor. Cette approche adaptée à chaque décor, permet à la fois de réduire considérablement la masse de données et d’améliorer les performances de classification. Nous proposons également une approche apprentissage profond. Puis, nous proposons une approche hybride combinant les vecteurs de caractéristiques locales extraites par le descripteur Blob-SIFT et la caractérisation globale du décor fournie par l’apprentissage profond qui améliore encore les performances de classification.