Objectifs

Ce cours concerne l’étude théorique et pratique des méthodes d’optimisation utilisant des représentations parcimonieuses. Des applications en compression et débruitage d’images seront présentées.

Programme

Méthodes proximales du gradient Représentation parcimonieuse, bases de Fourier, bases d’ondelettes Applications aux problèmes inverses en traitement du signal et traitement d’image

Modalité du contrôle des connaissances

Note = 75% savoir + 25% savoir-faire Note de savoir = 100% examen terminal Note de savoir-faire = 100% BE Pas de seconde session.

Bibliographie

  • S. Boyd et L. Vandenberghe, Convex optimization, Cambridge university press, 2004.0
  • S. Mallat, Wavelet tour of signal processing, Elsevier, 1999.0
BE
4h
 
Cours
16h
 
TD
4h
 

Code

22_M_MAS_MEA_S4_ORP

Responsables

  • Martine MARION
  • Laurent SEPPECHER
  • Yohann DE CASTRO

Langue

Français

Mots-clés

Méthodes Proximales, Analyse Convexe, Machine Learning, Signal Processing, Image processing, représentation parcimonieuse, compression de données, problèmes inverses