À propos

Je suis doctorant à la Division de science des données industrielles de l’École de science des données de l’Université Lingnan, à Hong Kong. Mes recherches portent sur les fondements mathématiques de la segmentation d’images, c’est-à-dire la division d’une image en régions porteuses de sens.

Les méthodes classiques, comme la fonctionnelle de Mumford–Shah, définissent la segmentation au moyen d’énergies explicites, appuyées sur une théorie variationnelle solide. Les modèles modernes d’apprentissage profond, tels que Segment Anything, apprennent à partir de vastes jeux de données annotées et obtiennent souvent de meilleurs résultats. Ils ne disposent cependant pas d’une description mathématique claire et produisent des ensembles de masques non structurés.

Mes travaux visent à rapprocher ces deux approches. Je développe des formulations variationnelles qui les englobent toutes deux, et j’intègre des caractéristiques apprises dans des modèles classiques afin d’allier la puissance de l’apprentissage à la rigueur et à la structure des énergies explicites.

Publications

Les publications seront bientôt listées ici.