cx r22 2 45 235080888 http://www.idref.fr/235080888 20190406 20260404024637.000 0499 0499 Tr2 20190406afrey50 ba0 eng 639-2 2017 k fre 0 # # AFNOR Oeuvre Textuelle ba0yba0 Single image super-resolution based on neural networks for text and face recognition ba0yba0y Cette thèse porte sur les méthodes de super-résolution (SR) pour l’amélioration des performances des systèmes de reconnaissance automatique (OCR, reconnaissance faciale). Les méthodes de Super-Résolution (SR) permettent de générer des images haute résolution (HR) à partir d’images basse résolution (BR). Contrairement à un rééchantillonage par interpolation, elles restituent les hautes fréquences spatiales et compensent les artéfacts (flou, crénelures). Parmi elles, les méthodes d’apprentissage automatique telles que les réseaux de neurones artificiels permettent d’apprendre et de modéliser la relation entre les images BR et HR à partir d’exemples. Ce travail démontre l’intérêt des méthodes de SR à base de réseaux de neurones pour les systèmes de reconnaissance automatique. Les réseaux de neurones à convolutions sont particulièrement adaptés puisqu’ils peuvent être entraînés à extraire des caractéristiques non-linéaires bidimensionnelles pertinentes tout en apprenant la correspondance entre les espaces BR et HR. Sur des images de type documents, la méthode proposée permet d’améliorer la précision en reconnaissance de caractère de +7.85 points par rapport à une simple interpolation. La création d’une base d’images annotée et l’organisation d’une compétition internationale (ICDAR2015) ont souligné l’intérêt et la pertinence de telles approches. Pour les images de visages, les caractéristiques faciales sont cruciales pour la reconnaissance automatique. Une méthode en deux étapes est proposée dans laquelle la qualité de l’image est d’abord globalement améliorée, pour ensuite se focaliser sur les caractéristiques essentielles grâce à des modèles spécifiques. Les performances d’un système de vérification faciale se trouvent améliorées de +6.91 à +8.15 points. Enfin, pour le traitement d’images BR en conditions réelles, l’utilisation de réseaux de neurones profonds permet d’absorber la variabilité des noyaux de flous caractérisant l’image BR, et produire des images HR ayant des statistiques naturelles sans connaissance du modèle d’observation exact. ba0yba0y This thesis is focussed on super-resolution (SR) methods for improving automatic recognition system (Optical Character Recognition, face recognition) in realistic contexts. SR methods allow to generate high resolution images from low resolution ones. Unlike upsampling methods such as interpolation, they restore spatial high frequencies and compensate artefacts such as blur or jaggy edges. In particular, example-based approaches learn and model the relationship between low and high resolution spaces via pairs of low and high resolution images. Artificial Neural Networks are among the most efficient systems to address this problem. This work demonstrate the interest of SR methods based on neural networks for improved automatic recognition systems. By adapting the data, it is possible to train such Machine Learning algorithms to produce high-resolution images. Convolutional Neural Networks are especially efficient as they are trained to simultaneously extract relevant non-linear features while learning the mapping between low and high resolution spaces. On document text images, the proposed method improves OCR accuracy by +7.85 points compared with simple interpolation. The creation of an annotated image dataset and the organisation of an international competition (ICDAR2015) highlighted the interest and the relevance of such approaches. Moreover, if a priori knowledge is available, it can be used by a suitable network architecture. For facial images, face features are critical for automatic recognition. A two step method is proposed in which image resolution is first improved, followed by specialised models that focus on the essential features. An off-the-shelf face verification system has its performance improved from +6.91 up to +8.15 points. Finally, to address the variability of real-world low-resolution images, deep neural networks allow to absorb the diversity of the blurring kernels that characterise the low-resolution images. With a single model, high-resolution images are produced with natural image statistics, without any knowledge of the actual observation model of the low-resolution image. Thèse de doctorat Informatique Lyon 2017 ba0yba0 Super-résolution d'image unique basée sur des réseaux de neurones pour la reconnaissance de texte et de visage 23193887X ba0yba03 Peyrard Clément 1990-.... 070 098256599 ba0yba03 Garcia Christophe 1966-.... chercheur en informatique 727 555 190915757 ba0yba03 Université de Lyon 2015-.... 295 148390757 ba0yba03 École doctorale InfoMaths Lyon 2009-.... 996 052444724 ba0yba03 Institut national des sciences appliquées Lyon 1957-.... 985 149705271 ba0yba03 Laboratoire d'InfoRmatique en Images et Systèmes d'information Villeurbanne - Ecully, Rhône 2003-.... 981 029490987 Reconnaissance optique des formes (informatique) rameau 027673618 Traitement d'images Techniques numériques rameau 027940373 Apprentissage automatique rameau 223540633 Apprentissage profond rameau ba0yba0 027253139 Thèses et écrits académiques rameau Informatique Traitement d'images Reconnaissance faciale Reconnaissance optique de caractères Réseaux de neurones 004 TEF FR Abes 20260404 AFNOR