Universite Paris 13
Universite Paris 13
Universite Paris 13
Universite Paris 13
Universite Paris 13
Universite Paris 13

Equipe ATIV

Axe 1 : Qualité et Représentation de Contenus Multimédia

Modèles de perception visuelle pour l’analyse et le traitement de données visuelles

Nous développons des modèles perceptuels de représentation d’information visuelle et d’extraction de descripteurs

etd’attributs visuels (contraste, carte de visibilité et de masquage visuel) pour le traitement, l’analyse et lecodage

d’information visuel.Les premiers étages du fonctionnement du système visuel humain sont pris en compte et

notamment le contraste multi-résolution et multidirectionnel, le phénomène de masquage ainsi que la décomposition

multicanal.

Qualité de l’information visuelle

Il s’agit d’évaluer et\ou à d’améliorer la qualité de l’information visuelle (images médicales multimodales, images

médicales stéréoscopiques, images HDR, images stéréoscopiques, vidéo stéréoscopique, vidéo endoscopiques …)

aussi bien codée/décodée, transmise que traitée (filtrage, rehaussement de contraste,…). Nous nous démarquons des

tendances actuelles en évitant de développer des mesures purement mathématiques (de type PSNR), ou complètement

inspirées du système visuel humain pour lesquelles le nombre de paramètres à ajuster est assez important.

Codage avec contrôle de qualité

Des mécanismes de codage source sont développés en intégrant des indicateurs de niveau de distorsion afin d'optimiser 

la qualité d'information visuelle. Les effets de dégradation qui peuvent résulter de l'étage d'estimation de mouvement

(respectivement de disparité) dans le schéma de codage vidéo (respectivement d’image stéréoscopique) sont pris en

considération.

 

Axe 2 : Apprentissage et Fouille de Données Multimédia

Traitement d’images et apprentissage

Nous nous intéressons aux méthodes d’apprentissage pour le traitement de contenus multimédia. Il s’agit de développer

des méthodes de traitement d’images médicales multimodales (segmentation, débruitage, super-résolution…) basées sur

l’apprentissage automatique. Ces méthodes visent à prendre en compte les caractéristiques du système visuel humain à

travers des modèles dont les paramètres sont estimés par des méthodes d’apprentissage statistique. Nous nous

intéressons également à l’estimation de la qualité d’image subjective par des méthodes d’apprentissage statistique.

 Fouille de données et réseaux sociaux

Il s’agit de développer des approches issues de la théorie de l’apprentissage statistique pour le traitement des données

structurées (attributs numériques, textes, données multimédia) issues des graphes sociaux. Nous nous intéressons à

l’exploitation de la connaissance des liens entre un ensemble d’acteurs pour améliorer la construction des modèles :

prévoir,identifier et caractériser un groupe d’acteurs.

Equipe RESEAUX

Axe 1:  Réseaux sans fil (dimensionnement, déploiement, dissémination) (R3D)

Dimensionnement des réseaux sans fil

Déploiement des réseaux sans fil

  •  Déploiement des réseaux de capteurs
  •  Déploiement dans les réseaux maillés sans fil

Dissémination

  • Routage Geocast dans les réseaux de véhicules Vanets
  • Routage dans les réseaux de capteurs sans fil
Axe 2 : Réseaux d'infrastructure et Services (RIS)

Réseaux d'infrastructure

  • Réseaux optiques/GMPLS
  • Routage multi-contraint dans les réseaux

Nouveaux paradigmes de services

Travaux ayant un contexte applicatif précis

  • Support des jeux vidéo multi-joueurs sur réseaux sans fil Ad Hoc
  • Architecture ITS pour gestion du trafic routier
  • Dissémination d'informaions dans des environnements eHealth sans fil

Contact & Access

L2TI , Institut Galilée, UP 13
99, avenue Jean-Baptiste Clément
F-93430 Villetaneuse
ico telephone  +33 1 49 40 28 59
ico fax  +33 1 49 40 40 61
ico email  secretariat-l2ti[at]univ-paris13.fr


Copyright (C) 2013 L2TI. All Rights Reserved.