Modélisation éparse pour le traitement des images et de la vision.

Résumé Ces dernières années, un grand nombre de recherches pluridisciplinaires ont été menées sur les modèles épars et leurs applications. En statistique et en apprentissage automatique, le principe de sparsité est utilisé pour effectuer une sélection de modèles, c'est-à-dire pour sélectionner automatiquement un modèle simple parmi une grande collection de modèles. En traitement du signal, le codage clairsemé consiste à représenter les données par des combinaisons linéaires de quelques éléments de dictionnaire. Par la suite, les outils correspondants ont été largement adoptés par plusieurs communautés scientifiques telles que les neurosciences, la bioinformatique ou la vision par ordinateur. L'objectif de cette monographie est d'offrir une vision autonome de la modélisation clairsemée pour la reconnaissance visuelle et le traitement des images. Plus précisément, nous nous concentrons sur les applications où le dictionnaire est appris et adapté aux données, ce qui donne une représentation compacte qui a fait ses preuves dans divers contextes.