Mickaël Tits - Data Scientist @ CETIC

Mickaël Tits

Senior Research Engineer

Data Science Department

Blog posts

Une comparaison de différents algorithmes de super-résolution d’image par Deep Learning (Notebook Colab associé)

Restauration d’image par réseaux de neurones profonds

Dans le cadre du projet DigiMIR, projet FEDER mené en collaboration entre le CETIC et Numediart, nous avons testé et comparé différentes techniques de restauration d’image basées sur de l’intelligence artificielle, et plus particulièrement sur les réseaux de neurones profonds. Ces techniques, bien qu’encore imparfaites et en plein développement, ont un intérêt réel dans différents contextes nécessitant d’améliorer la qualité d’une image. Les applications peuvent aller de la vidéo-surveillance à l’histoire et l’art, en passant par l’imagerie médicale ou satellite. De manière générale, toute image de faible qualité peut bénéficier de techniques de restauration d’image, que ce soit dû à la détérioration d’un support par le temps, ou la qualité d’acquisition d’origine (capteur low-cost ou âgé, contraintes spécifiques à un canal d’acquisition, e.g. images infrarouges, satellites, IRM), ou encore la compression numérique.

Une collaboration avec une organisation culturelle belge, le Rif tout dju, et ses contacts avec le journaliste et auteur Jean Vandendries, nous a fourni un cas d’application concret pour tester les techniques identifiées lors de notre recherche bibliographique. Grâce à ce contexte, nous démontrerons dans cet article l’intérêt de certaines techniques de restauration sur des images historiques.


Comparaison de méthodes de colorisation (crédits image: Jean Vandendries).

Projects

Open-image-restoration: A selection of State-ot-the-art, Open-source, Usable, and Pythonic techniques for Image Restoration

This project gathers together and packages various image restoration techniques that follow various criteria:

  • State-of-the-art (they are all based on Deep Learning; as of today (25/07/2019 at time of writing), NLRN and ESRGAN are leaders in various leaderboards maintained by paperswithcode.com, see here and here ).
  • Open source (the selected implementations are under MIT or Apache licenses)
  • Usable (a pretrained model is available, and the code does not need painfull1 dependencies)
  • Python implementation (easier to use together, to share, and especially to use in Google Colab).

Courses

Introduction au langage Python pour l’analyse de données

Ce cours, à la fois minimaliste et pratique, vous permettra :

  • de découvrir rapidement les concepts essentiels de la programmation en Python,
  • d’apprendre à maîtriser les librairies les plus utilisées pour l’analyse de données (Data Science),
  • et de vous familiariser avec les concepts fondamentaux de l’apprentissage automatique (Machine Learning).

Ce cours s’addresse donc principalement aux personnes désireuses de rapidement mettre le pied à l’étrier dans ce domaine passionnant, ou à toute personne dont l’activité professionnelle, liée de près ou de loin aux sciences des données, nécessite d’avoir un aperçu concret de ce domaine et de ce qu’il permet de faire.

Personal github repositories