LSL : lumière, diffusion et apprentissage (light – scatter – learning)

L’équipe de recherche LSL dédie ses activités à la caractérisation d’objets selon leur signature polarimétrique et hyperspectrale par une approche neuronale.

Cet axe de recherche repose sur quatre tâches majeures : l’acquisition et traitement à la source des données-images ; l’interprétation, compréhension et modélisation des données ; l’automatisation du traitement des données ; la prise de décision (caractérisation et identification des objets) par intelligence artificielle.

Les objets d’intérêt pour les travaux de recherche sont d’origines très diverses : échantillons biologiques humains, végétaux, matériaux divers, etc.

Si les textures et les formes, perceptibles ou non par l’œil humain, sont des données-images classiquement utilisées, la force de LSL est de pouvoir aussi exploiter des données extraites à partir d’images acquises par polarimétrie et imagerie hyperspectrale. Plusieurs travaux publiés par certains membres de LSL ont par ailleurs démontré le bénéfice de l’utilisation de ces dernières techniques d’imagerie pour reconditionner les plans d’entrée au niveau des capteurs (débruitage) et faire ressortir des informations pertinentes pour une application donnée.

Le second objectif de LSL est d’innover en matière d’analyse et d’interprétation de données. Les méthodes traditionnelles ont en effet montré leurs limites : elles ne permettent pas, dans la plupart des cas, d’exploiter la richesse et la diversité des données recueillies par imageries polarimétrique et hyperspectrale. LSL vise donc à développer une méthodologie d’analyses de données basée sur les réseaux de neurones.

Pour la partie donnée, les deux pistes de travail sont la conception de bases de données génériques pour différentes applications (sécuritaire, environnementale, médicale ou contrôle de la qualité des aliments) et le développement de modèles de simulation de différentes signatures issues de sources diverses afin de générer automatiquement des données.

Pour la partie algorithme, la conception innovante d’architectures de réseaux de neurones permettant une phase d’apprentissage sur un jeu de donnée restreint.

Enfin, d’un point de vue mathématique, l’enjeu est de déterminer les symétries des données permettant la généralisation.