"Fusion de données multimodales par approximations tensorielles de rang faible "
(Thèse Clémence PREVOST)
Résumé :
Il est fréquent que différents signaux révèlent des informations partielles sur un même phénomène physique. La fusion de données multimodales intervient afin d'exploiter à plein les capacités des modalités à mettre en lumière une meilleure image du phénomène d'intérêt.
Dans bon nombre d'applications, les observations sont des tenseurs possédant trois dimensions. En particulier, le problème de super-résolution hyperspectrale (HSR) vise à reconstruire un tenseur à partir de ses deux versions dégradées.
Mon exposé présentera deux contributions algorithmiques, contenues dans la première partie de cette thèse. La première sera une approche Tucker pour le problème HSR.
La seconde sera une approche basée sur la décomposition LL1 pour la fusion et le démélange conjoints de l'image à super-résolution, et tenant compte d'un phénomène de variabilité spectrale. Cette dernière partie est reliée au second volet de ma thèse, basée sur la théorie de l'estimation et les bornes de Cramér-Rao pour des modèles de tenseurs couplés.
Jury : | |
- Rapporteurs : | Tülay Adali - Distinguished University Professor, University of Maryland, Baltimore County |
Rémy Boyer, Professeur des Universités - CRISTAL, Université de Lille | |
- Autres membres : | Examinateurs : Marina Ishteva, Assistant Professor - Katholieke Universiteit Leuven Jean-Yves Tourneret, Professeur des Universités - ENSEIIHT, Université de Toulouse Alain Richard, Professeur des Universités - CRAN, Université de Lorraine |