Future works chapter update

.gitignore

@@ -21,3 +21,5 @@
 *.mtc1
 *.out
 *.synctex.gz
+*.xml
+*.bcf

02.Bibliography/Bilbiography.tex

@@ -1,12 +1,6 @@
-\chapter{Bibliographie}
+\chapter{State of the art}
 
-\section{Bibliographie}
-
-Découper ici la bibliographie en sous sections :
-\begin{itemize}
-    \item Algorithmes de rendus
-    \item Image quality metrics
-    \item Approches Deep learning pures
-    \item Application détection de bruits images de synthèse
-    \item SVD
-\end{itemize}
+\section{Algorithmes de rendus}
+\section{Image quality metrics}
+\section{Application détection de bruits images de synthèse}
+\section{SVD}

03.Research/02.OthersAttributes.tex

@@ -37,7 +37,7 @@ Voici la liste des extractions statistiques d'une zone proposées dans le cadre
 \subsection{Paramètres et résultats}
 
 \subsubsection{Paramètres}
-Tout comme les calculs effectués sur les composantes du vecteur de valeurs singulières, les paramètres concernant les modèles et la normalisation des données sont identiques. Pour rappel, l'annexe \ref{appendices_models_architecture} présente ces différents modèles. Enfin, comme précédemment, la normalisation des données d'entrée est effectuée de la manière suivante :
+Tout comme les calculs effectués sur les composantes du vecteur de valeurs singulières, les paramètres concernant les modèles et la normalisation des données sont identiques. Pour rappel, l'annexe \ref{appendix:models_architecture} présente ces différents modèles. Enfin, comme précédemment, la normalisation des données d'entrée est effectuée de la manière suivante :
 
 \begin{itemize}
 	\item \textbf{svd :} sans normalisation
@@ -52,6 +52,8 @@ Le tableau \ref{table:03_Research_02_best_models_statistics} indique les 5 meill
 
 % TODO : ajout simulation
 %\ref{simu1} et \ref{simu2}.
+% ensemble_model_v2_N24_B0_E24_nb_zones_12_sub_blocks_stats_reduced_svd
+
 
 \begin{table}[h!]
 	\centering

03.Research/03.SampleAnalysis.tex

@@ -7,10 +7,39 @@ Cette base comprend pour chaque pixel les 1000 estimations (échantillons) réal
 
 \subsection{Description de l'objectif}
 
-L'objectif au travers de cette base d'images disponibles et de pouvoir chercher un modèle pouvant prédire la moyenne empirique (de l'image de référence) en ayant pris connaissance des $n$ premiers échantillons. Cela revient à dire que le problème et d'estimer par rapport à la distribution actuelle, la distribution finale des estimations des pixels afin d'en obtenir la moyenne empirique comme présente sur l'image de référence.
-
-\subsection{Paramètres et modèles}
-
+L'objectif au travers de cette base d'images disponibles et de pouvoir chercher un modèle pouvant prédire la moyenne empirique (de l'image de référence) en ayant pris connaissance des $n$ premiers échantillons. Cela revient à dire que le problème est d'estimer par rapport à la distribution actuelle (des $n$ premiers échantillons), la distribution finale des estimations des pixels afin d'en obtenir la moyenne empirique comme présente sur l'image de référence.
+
+Deux approches on été  faites, l'une directement sur les valeurs des pixels à chaque échantillon jusqu'à $n$ échantillons, l'autre sur l'évolution de la variance des pixels connus à $n$ échantillons.
+
+\subsection{Paramètres et résultats}
+
+Un ensemble de modèles statistiques ou non ont été essayés pour répondre à cet objectif :
+
+\begin{itemize}
+	\item M1 : Stochastic Gradient Descent
+	\item M2 : Support Vector Regression
+	\item M3 : Ridge regression
+	\item M4 : Deep Learning approach (NN)
+\end{itemize}
+
+C'est le coefficient de détermination qui est utilisé comme validation du modèle (score objectif). La comparaison des modèles se fait toutefois sur l'erreur quadratique moyenne entre l'image actuelle obtenue (image reconstruite via le modèle) et l'image de référence (voir tableau \ref{table:03_Research_03_best_regression_models}).
+
+
+\begin{table}[h!]
+	\centering
+	\begin{tabular}{|>{\scriptsize}l|>{\scriptsize}c|>{\scriptsize}r|>{\scriptsize}r|>{\scriptsize}r|>{\scriptsize}r|>{\scriptsize}r|>{\scriptsize}r|}
+		\hline
+		Model & samples & column & row & data size & coefficient & MSE 10 samples & MSE 1000 \\
+		\hline
+		M4 & 30 & 2 & 4 & 327680 & 0.9269 & 2.0186 & 6.8187 \\
+		M4 & 30 & 2 & 1 & 1310720 & 0.9637 & 2.8522 & 8.8948 \\
+		M2 & 25 & 2 & 1 & 1310720 & 0.8606 & 3.3147 & 9.7976 \\
+		M2 & 30 & 2 & 5 & 263680 & 0.9425 & 3.5712 & 8.8095 \\
+		\hline
+	\end{tabular}
+	\caption{4 meilleurs modèles avec approche statistiques sur le score ROC AUC}
+	\label{table:03_Research_03_best_regression_models}
+\end{table}
 
 
 \subsection{Conclusion}

Annexes/MSCN.tex

@@ -1,5 +1,5 @@
 \chapter{ Mean Subtracted Contrast Normalized (MSCN)}
-\label{appendices_mscn_transformation}
+\label{appendix:mscn_transformation}
 
 Pour construire la matrice MSCN, il faut premièrement convertir l'image RGB en une image de niveau de gris. La matrice MSCN va permettre d'extraire les informations naturelles de structures de la scène (Natural Scene Structure : NSS) de cette image en niveau de gris. Une opération est appliquée An operation is applied à la luminance de l'image $I(i, j)$ pour obtenir :
 
@@ -19,4 +19,4 @@ où $i \in 1, 2...M, j \in 1, 2...N$ sont les indices spatiaux, $M$, $N$ sont la
 \begin{equation}
 \sigma(i, j) = \sqrt{\sum_{k=-K}^{K}{\sum_{l=-L}^{L} w_{k,l}(I_{k,l}(i, j) - \mu(i, j))^2}}
 \label{mscn_sigma_equation}
-\end{equation}
+\end{equation}

Annexes/Models.tex

@@ -1,36 +1,36 @@
-\chapter{Modèles utilisés}
-
-\label{appendices_models_architecture}
-
-\section{M1 : SVM classique}
-
+\chapter{Modèles utilisés}
+
+\label{appendix:models_architecture}
+
+\section{M1 : SVM classique}
+
 Nous utilisons le fameux modèle SVM (Support Vector Machine) pour prédire le bruit et non les images bruyantes. SVM est principalement utilisé et fonctionne très bien pour les problèmes NR-IQA (No Reference Image Quality Assessment) avec ces paramètres :
-
+
 \begin{itemize}
 	\item Kernel : \textit{rbf}
 	\item $C \in \{0.001, 0.01, 0.1, 1, 10, 100, 1000\}$
 	\item $\gamma \in \{0.001, 0.01, 0.1, 1, 5, 10, 100\}$
 	\item $cv = 10$ (paramètre de validation croisée pour les données d'entraînement, ce qui augmente la précision et évite le surapprentissage)
 \end{itemize}
-
+
 Ensuite, tous ces paramètres sont testés à l'aide du principe de recherche par grille et le meilleur modèle est obtenu.
-
+
 \vspace{2mm}
-\section{M2 : Voting classifier avec 3 estimateurs}
-
+\section{M2 : Voting classifier avec 3 estimateurs}
+
 Nous proposons également un modèle Voting classifier (ensemble de modèles) qui est composé de 3 sous modèles :
-
+
 \begin{itemize}
 	\item \textbf{\textit{SVM}} avec un kernel RBF comme présenté précédemment.
 	\item \textbf{\textit{Random Forest}} avec 100 estimateurs
 	\item \textbf{\textit{Logistic Regression}} avec le noyau \textit{liblinear} et le paramètre \textit{ovr} pour la classification
 \end{itemize}
-
+
 \vspace{2mm}
-\section{M3 : Voting classifier avec 5 estimateurs}
-
+\section{M3 : Voting classifier avec 5 estimateurs}
+
 Ce nouveau modèle est aussi un Voting classifier et est composé de 5 sous modèles :
-
+
 \begin{itemize}
 	\item \textbf{\textit{SVM}} avec le RBF Kernel comme présenté précédemment
 	\item \textbf{\textit{Random Forest}} avec 100 estimaeurs

Annexes/lab.tex

@@ -1,5 +1,5 @@
 \chapter{Transformation L*a*b}
-\label{appendices_lab_transformation}
+\label{appendix:lab_transformation}
 
 L*a*b est otbenu en utilisant la transformation XYZ de la matrice d'image (espace CIZ XYZ). Les équations (\ref{eq:Lab_L}), (\ref{eq:Lab_a}), (\ref{eq:Lab_b}) détaillent la manière dont chaque canal est calculé.
 

main.tex

@@ -2,7 +2,6 @@
 
 % main preambule
 \usepackage[utf8]{inputenc}
-\usepackage{natbib}
 \usepackage[T1]{fontenc}
 \usepackage[french]{babel}
 
@@ -15,6 +14,9 @@
 \usepackage[toc,page]{appendix} 
 \usepackage{hyperref}
 
+\usepackage{biblatex}
+\addbibresource{references.bib}
+
 \title{Rapport CST : \textit{Détection de
 bruit dans les images de synthèses
 stéréoscopiques par méthodes d’apprentissage
@@ -32,6 +34,7 @@ automatiques}}
 
 \listoftables
 
+
 % Section 1 : Introduction
 \include{01.Introduction/Introduction}
 
@@ -61,6 +64,10 @@ automatiques}}
 
 \chapter{Conclusion}
 
+\chapter{References}
+
+\printbibliography
+
 \begin{appendices}
 	
 	\include{Annexes/lab}
@@ -70,6 +77,4 @@ automatiques}}
 	\include{Annexes/Models}
 \end{appendices} 
 
-\bibliographystyle{plain}
-\bibliography{references}
 \end{document}

references.bib

@@ -1,36 +1,36 @@
 % Encoding: UTF-8
 
-%%% Rendering equations
+
 @inproceedings{DBLP:conf/siggraph/Kajiya86,
-  author    = {James T. Kajiya},
-  title     = {The rendering equation},
-  booktitle = {Proceedings of the 13th Annual Conference on Computer Graphics and
-               Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
-               18-22, 1986},
-  pages     = {143--150},
-  year      = {1986},
-  crossref  = {DBLP:conf/siggraph/1986},
-  url       = {http://doi.acm.org/10.1145/15922.15902},
-  doi       = {10.1145/15922.15902},
-  timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
-  biburl    = {https://dblp.org/rec/bib/conf/siggraph/Kajiya86},
-  bibsource = {dblp computer science bibliography, https://dblp.org}
+	author    = {James T. Kajiya},
+	title     = {The rendering equation},
+	booktitle = {Proceedings of the 13th Annual Conference on Computer Graphics and
+	Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
+	18-22, 1986},
+	pages     = {143--150},
+	year      = {1986},
+	crossref  = {DBLP:conf/siggraph/1986},
+	url       = {http://doi.acm.org/10.1145/15922.15902},
+	doi       = {10.1145/15922.15902},
+	timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
+	biburl    = {https://dblp.org/rec/bib/conf/siggraph/Kajiya86},
+	bibsource = {dblp computer science bibliography, https://dblp.org}
 }
 
 @proceedings{DBLP:conf/siggraph/1986,
-  editor    = {David C. Evans and
-               Russell J. Athay},
-  title     = {Proceedings of the 13th Annual Conference on Computer Graphics and
-               Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
-               18-22, 1986},
-  publisher = {{ACM}},
-  year      = {1986},
-  url       = {http://doi.acm.org/10.1145/15922},
-  doi       = {10.1145/15922},
-  isbn      = {0-89791-196-2},
-  timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
-  biburl    = {https://dblp.org/rec/bib/conf/siggraph/1986},
-  bibsource = {dblp computer science bibliography, https://dblp.org}
+	editor    = {David C. Evans and
+	Russell J. Athay},
+	title     = {Proceedings of the 13th Annual Conference on Computer Graphics and
+	Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
+	18-22, 1986},
+	publisher = {{ACM}},
+	year      = {1986},
+	url       = {http://doi.acm.org/10.1145/15922},
+	doi       = {10.1145/15922},
+	isbn      = {0-89791-196-2},
+	timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
+	biburl    = {https://dblp.org/rec/bib/conf/siggraph/1986},
+	bibsource = {dblp computer science bibliography, https://dblp.org}
 }
 
 @article{DBLP:journals/tog/ShirleyWZ96,
@@ -1777,15 +1777,64 @@ Conclusion :
   bibsource = {dblp computer science bibliography, https://dblp.org}
 }
 
-@Article{DBLP:journals/tip/MittalMB12,
-	author    = {Anish Mittal and Anush Krishna Moorthy and Alan Conrad Bovik},
-	title     = {No-Reference Image Quality Assessment in the Spatial Domain},
-	journal   = {{IEEE} Trans. Image Processing},
-	year      = {2012},
-	volume    = {21},
-	number    = {12},
-	pages     = {4695--4708},
+@article{DBLP:journals/tip/MittalMB12,
+	author    = {Anish Mittal and Anush Krishna Moorthy and Alan Conrad Bovik},
+	title     = {No-Reference Image Quality Assessment in the Spatial Domain},
+	journal   = {{IEEE} Trans. Image Processing},
+	year      = {2012},
+	volume    = {21},
+	number    = {12},
+	pages     = {4695--4708},
 	abstract  = {Présentation de la métrique BRISQUE}
 }
 
+@article{DBLP:journals/ijon/ConstantinBCH15,
+	author    = {Joseph Constantin and
+	Andr{\'{e}} Bigand and
+	Ibtissam Constantin and
+	Denis Hamad},
+	title     = {Image noise detection in global illumination methods based on {FRVM}},
+	journal   = {Neurocomputing},
+	volume    = {164},
+	pages     = {82--95},
+	year      = {2015},
+	url       = {https://doi.org/10.1016/j.neucom.2014.10.090},
+	doi       = {10.1016/j.neucom.2014.10.090},
+	timestamp = {Sat, 20 May 2017 00:24:59 +0200},
+	biburl    = {https://dblp.org/rec/bib/journals/ijon/ConstantinBCH15},
+	bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+
+@inproceedings{DBLP:conf/siggraph/Kajiya86,
+	author    = {James T. Kajiya},
+	title     = {The rendering equation},
+	booktitle = {Proceedings of the 13th Annual Conference on Computer Graphics and
+	Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
+	18-22, 1986},
+	pages     = {143--150},
+	year      = {1986},
+	crossref  = {DBLP:conf/siggraph/1986},
+	url       = {http://doi.acm.org/10.1145/15922.15902},
+	doi       = {10.1145/15922.15902},
+	timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
+	biburl    = {https://dblp.org/rec/bib/conf/siggraph/Kajiya86},
+	bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+
+@proceedings{DBLP:conf/siggraph/1986,
+	editor    = {David C. Evans and
+	Russell J. Athay},
+	title     = {Proceedings of the 13th Annual Conference on Computer Graphics and
+	Interactive Techniques, {SIGGRAPH} 1986, Dallas, Texas, USA, August
+	18-22, 1986},
+	publisher = {{ACM}},
+	year      = {1986},
+	url       = {http://doi.acm.org/10.1145/15922},
+	doi       = {10.1145/15922},
+	isbn      = {0-89791-196-2},
+	timestamp = {Wed, 14 Feb 2018 13:29:27 +0100},
+	biburl    = {https://dblp.org/rec/bib/conf/siggraph/1986},
+	bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+
 @Comment{jabref-meta: databaseType:bibtex;}