Évènements

Dans la première partie de l’exposé, je présenterai différents problèmes inverses auxquels je me suis intéressé ces dernières années et les contextes applicatifs associés : reconstruction d’images en tomographie, analyse d’images biologiques et d’images hyperspectrales en microscopie, problèmes d’inversion de données en spectroscopie optique avec applications biomédicales. Lorsque les données disponibles sont en nombre limité et partiellement informatives sur la quantité à estimer (problèmes inverses mal posés), la prise en compte d’informations a priori sur les inconnues est indispensable, et s’effectue par le biais des techniques de régularisation. Dans la seconde partie de l’exposé, je présenterai plus particulièrement la régularisation parcimonieuse de problèmes inverses, basée sur la minimisation de la « norme » l0. Les algorithmes heuristiques proposés sont conçus pour minimiser des critères mixtes L2-L0 du type $$min_x J(x;lambda) = || y – Ax ||_2^2 + lambda || x ||_0.$$ Ce problème d’optimisation est connu pour être fortement non-convexe et NP-difficile. Les heuristiques proposées (appelées algorithmes « gloutons ») sont définies en tant qu’extensions d’Orthogonal Least Squares (OLS). Leur développement est motivé par le très bon comportement empirique d’OLS et de ses versions dérivées lorsque la matrice A est mal conditionnée. Je présenterai deux types d’algorithmes pour minimiser $J(x;lambda)$ à $lambda$ fixé et pour un continuum de valeurs de $lambda$. Finalement, je présenterai quelques résultats théoriques visant à garantir que les algorithmes gloutons permettent de reconstruire exactement le support d’une représentation parcimonieuse $y = Ax^*$, c’est-à-dire le support du vecteur $x^*$.

Résumé