| Titre : | Deep learning pour la reconstruction des images HDRs |
| Auteurs : | AICHA BAHRI, Auteur ; Djihane Babahenini, Directeur de thèse |
| Type de document : | Mémoire magistere |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (72 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | HDR,LDR,DeepLearning,ler´eseau VGG-19,CNN |
| Résumé : |
La reconstructionHDR(hautegammedynamique)estunsujetd’int´erˆet danslepass´e etdans les ann´ees actuellespourlacommunaut´e deschercheurs.Ceprobl`eme abeaucoupdesolu-r´ecentes estl’apprentissageprofondquenoustrouvonsbeaucoupdecontributionsl’ontutilis´e
reconstruction HDRutilisel’architectureVGG(groupedeg´eom´etrie visuelle)bas´e surlemod`ele CNN pourg´en´erer imagelesimagesHDRs `a partird’uneimageLDR(plagedynamiquefaible) en uneseuleexposition. |
| Sommaire : |
Introductiong´en´erale 1
1 LesimagesHDRs 3 1.1 Introduction . .................................... 3 1.2 Lacolorim´etrie . .................................. 3 1.3 Lesyst`eme visuelhumain . ............................. 4 1.3.1 Lavision . ................................. 5 1.3.2 Lar´etine . ................................. 5 1.3.3 Lesbˆatonnets . ............................... 6 1.3.4 Perceptiondelaluminosit´e . ........................ 6 1.4 LesimagesHDRs . ................................. 8 1.4.1 Principe . .................................. 8 1.4.2 ComparaisonaveclesimagesLDRs . ................... 9 1.4.3 ConstructiondesimagesHDRs . ..................... 10 1.5 Tonemapping . ................................... 12 1.5.1 Principe . .................................. 12 1.5.2 Types . ................................... 13 1.6 ´ Etat del’artsurlerenduHDR . .......................... 14 1.6.1 Cr´eation decontenuHDR `a partirdemultiplesexpositionsLDR . .... 14 1.6.1.1 Lag´en´eration HDRdansledomainedelaradiance . ..... 15 1.6.1.2 Acquisitiondemultiplesexpositions . ............. 15 1.7 Conclusion . .................................... 17 2 Apprentissageprofond(DeepLearning) 18 2.1 Introduction . .................................... 18 2.2 D´efinition del’apprentissageprofond(deeplearning) . .............. 19 2.3 Pourquoiledeeplearning? . ............................ 19 2.4 Domainesd’applicationdel’apprentissageprofond . ............... 20 2.4.1 Voituresautonomes(Self-DrivingCars) . ................. 20 2.4.2 Virtuelsassistants . ............................. 21 2.4.3 Reconnaissancevisuelle . ......................... 21 2.4.4 Soinsdesant´e . ............................... 21 2.4.5 Colorisationdesimagesennoiretblanc . ................. 22 2.4.6 Agriculture . ................................ 22 2.5 Architecturesder´eseaux deneuronesprofonds . ................. 23 2.5.1 Lesr´eseaux deneuronesconvolutifs . ................... 23 2.5.2 R´eseau deneuronesr´ecurrents . ...................... 24 2.5.3 Cartesauto-adaptatives(SOMs) . ..................... 25 2.5.4 MachinesdeBoltzmann . ......................... 25 2.5.5 Auto-encodeurs . .............................. 26 2.6 DeeplearningpourlareconstructiondesimagesHDRs . ............. 27 2.6.1 Travauxconnexes . ............................. 27 2.6.2 Comparaisonentrelestravaux . ...................... 32 2.7 Conclusion . .................................... 34 3 Conception 35 3.1 Introduction . .................................... 35 3.1.1 Objectif . .................................. 35 3.2 D´etails delaconception . .............................. 35 3.2.1 Architectureg´en´erale . ........................... 35 3.2.2 Architectured´etaill´ee . ........................... 36 3.2.2.1 Lectureetcollectedesdonn´ees . ................ 38 3.2.2.2 Processusd’apprentissage . ................... 39 3.2.2.3 Processusdetests . ....................... 40 3.3 Syst`eme dereconstructiondesimagesHDRs `a based’unr´eseau neuronalconvolutif 41 3.3.1 ArchitectureVGG-19denotresyst`eme . ................. 41 3.3.2 Lescouchesder´eseaux deneuronesconvolutionnels . .......... 42 3.3.2.1 Coucheconvolutionnelle(CONV) . .............. 43 3.3.2.2 Couchedemiseencommun(Pooling) . ............ 44 3.3.2.3 CoucheFlattening . ....................... 45 3.3.2.4 Coucheenti`erement connect´e (Fullyconnected) . ....... 45 3.3.2.5 Lesfonctionsd’activation . ................... 46 3.4 Conclusion . .................................... 47 4 Impl´ementation, discussionetr´esultats 48 4.1 Introduction . .................................... 48 4.2 Environnementsetoutilsded´eveloppement . ................... 48 4.2.1 Python . .................................. 48 4.2.2 Tensorflow . ................................ 48 4.2.3 Keras . ................................... 49 4.2.4 Nympy . .................................. 49 4.2.5 OpenCV . ................................. 49 4.2.6 PIL . .................................... 49 4.2.7 OpenEXR . ................................. 50 4.2.8 Matplotlib . ................................. 50 4.2.9 Pandas . .................................. 50 4.2.10 Configurationutilis´ee dansl’impl´ementation . .............. 50 4.2.10.1 Configurationmat´erielle `a distante(GoogleColab) . ..... 50 4.2.10.2 Configurationmat´erielle locale . ................ 51 4.3 Impl´ementation . .................................. 51 4.3.1 Pr´eparation desdonn´ees . ......................... 51 4.3.2 ConstruireHDR-CNN . .......................... 53 4.3.2.1 Importerdesbiblioth`eques etdesmodules . .......... 53 4.3.2.2 Initialisationdesparam`etres d’apprentissage . ......... 53 4.3.2.3 Cr´eation etajustementdumod`ele . ............... 54 4.3.2.4 Apprentissagedemod`ele . ................... 59 4.3.2.5 Test . .............................. 61 4.4 R´esultats . ...................................... 63 4.5 Conclusion . .................................... 68 Conclusion G´en´erale 69 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/635 | Mémoire master | bibliothèque sciences exactes | Consultable |
