| 1234567891011121314151617181920212223242526272829303132 |
- \section{Les approches futures}
- \subsection{Filtres et statistiques}
- Comme proposé dans \autocite{DBLP:journals/ijon/ConstantinBCH15}, 13 filtres sont appliqués à l'image de synthèse (zone de l'image plus précisemment). De ces 13 nouvelles images déformées, 2 valeurs statistiques en sont extraites, l'écart-type et la moyenne.
- Relativement à ces travaux, l'idée est de proposer via un algorithme génétique, d'évaluer les performances des filtres les plus cohérents en termes de perception du bruit. L'objectif est donc de développer un algorithme de sélection des filtres par rapport à la performance finale du modèle. La performance sera ici évaluée sur une base de test. Toutes les combinaisons possibles d'utilisation de filtres (ou non utilisation) ne seront pas testées mais l'optimum sera recherché via un algorithme de recherche opérationnel.
- L'ensemble des développements est disponible pour sur \href{https://github.com/prise-3d/Thesis-NoiseDetection-26-attributes}{github}. Ce projet utilise un \href{https://github.com/prise-3d/Thesis-OptimizationModules}{framework d'optimisation} développé dans le cadre la thèse.
- \subsection{Approche deep learning}
-
- Comme utilisé dans la section \ref{section:03_Research_01_attributes_list_without_selection}, les différentes méthodes de compression d'image telles que SVD, PCA, IPCA peuvent être utilisées pour reconstruire l'image avec ses composantes principales. L'hypothèse est ici que les composantes principales ne vont pas forcément garder comme information le bruit généré lors du rendu de celle-ci. Utiliser ses méthodes de compression puis de reconstruction avec suppression des informations principales de l'image pourrait permettre de garder uniquement les informations dites de bruit.
- Dans ce but, l'idée serait donc d'appliquer 1 à $n$ méthodes de compression à l'image de synthèse puis d'utiliser ces nouvelles images en entrée à un modèle deep learning avec couches de convolution. Le tranfer learning sera également essayé avec notamment le réseau VGG 2019 car la convergence des poids pour le réseau nécessite énormément de données ce qui n'est pas encore notre cas pour notre problématique.
- L'ensemble des développements pour cette approche deep learning a convolution est disponible sur \href{https://github.com/prise-3d/Thesis-NoiseDetection-CNN}{github}. Pour le moment, le lancement des calculs nécessitent une haute disponibilité (voir utilisation de calculco ou grid5000 en best effort).
- Des approches deep learning telles que l'\enquote{autoencoder} ou le \enquote{Generative Advsersarial Network} (GAN) sont également à explorer.
- \subsection{Filtres par convolution}
- Dans la continuité des recherches, l'objectif est ici de mettre en place des filtres qui pourront être appliqué sous forme de convolution sur l'image de synthèse afin d'en extraire des informations précises sur le bruit. Plusieurs idées ont déjà été développées dans le but d'obtenir à la sortie un score global de l'image sur son niveau de bruits.
- En voici une première liste dont les liens amènent sur leurs développement et études :
- \begin{itemize}
- \item \href{https://github.com/prise-3d/Thesis-NoiseDetection-attributes/blob/master/analysis/custom\_diff\_filter.ipynb}{diff filter}
-
- \item \href{https://github.com/prise-3d/Thesis-NoiseDetection-attributes/blob/master/analysis/plane\_filter.ipynb}{plane filter}
- \end{itemize}
- L'objectif serait ici de trouver un ou plusieurs filtres donnant un score sur la qualité de l'image (présence de bruit). Si la combinaison de plusieurs est nécessaire, alors on pourra opter pour des entrées statistiques comme proposé dans les travaux \autocite{DBLP:journals/ijon/ConstantinBCH15}.
|
