Pôle Signal et Image

Le pôle Signal-Image a pour objectif de développer des recherches en traitement, analyse et modélisation des images et des signaux. Ces recherches de nature théorique et/ou appliquée sont très liées à des applications à enjeux sociétaux importants.Le pôle Signal-Image est constitué des deux équipes I&M et SIIM dont les thématiques de recherches sont à la fois proches et complémentaires. En effet les deux équipes ont une activité importante autour des questions liées à l’image et à la modélisation.

De manière plus spécifique, l’équipe I&M s’intéresse aux aspects haut-niveaux du traitement d’images (analyse, compréhension), tandis que l’équipe SIIM se focalise plus sur les aspects classiques, reposant en particulier sur une activité théorique forte en traitement du signal.

Les deux équipes sont également ouvertes à différentes thématiques applicatives issues du monde industriel, telles que l’imagerie médicale, l’analyse de vidéos, …
Le pôle s’inscrit dans plusieurs axes stratégiques pour développer ses applications : Santé, Environnement, archéologie et biologie marine, Surveillance et sécurité maritime, Marketing.
Les lignes de forces scientifiques du pôle Signal-Image sont les suivantes :

• Traitement du signal et des images
• Analyse et classification d’images et de vidéo
• Séparation de sources, analyse en variables latentes
• Imagerie médicale et anatomie computationnelle
• Photogrammétrie
• Modélisation et annotations

Du point de vue des objectifs scientifiques, l’équipe I&M développe depuis plusieurs années, des techniques qui s’inscrivent dans le domaine de l’analyse d’images, pour la résolution de problématiques complexes, car issues d’applications réelles. Ces applications, telles que la photogrammétrie sous-marine, la chirurgie assistée par ordinateur et l’analyse du comportement des consommateurs par la vidéo, ouvrent de nouvelles perspectives pour leur validation et pour leur déploiement à d’autres domaines.

L’équipe SIIM travaille sur les aspects fondamentaux du traitement du signal en lien avec les décompositions tensorielles ou matricielles (éventuellement conjointes ou couplées) tout en tenant compte des problèmes spécifiques posés par la grande dimension d’au moins une des dimensions du tenseur (Big data). Le principal challenge est de fournir un cadre unifié, relativement général et flexible permettant d’englober à la fois les approches déterministes traditionnelles et les approches stochastiques émergentes plus récentes.