GKAMAS Theodosios

Aller à : navigation, rechercher

Doctorant

ICube - MIV
300 Bd Sébastien Brant
CS 10413
67412 Illkirch CEDEX - France

Tel: 49534
Bureau: C227a

Courriel: tgkamas(at)unistra(dot)fr

Url : http://www.linkedin.com/pub/theodosios-gkamas/42/7a/435

Profil.png

bref CV


Théodosios N. GKAMAS est née à Ioannina, en Grèce, en 1985. Il a été admis au département d'informatique de l'Université de Ioannina en 2003. Il a reçu son baccalauréat ès sciences diplôme en sciences informatiques en 2008 avec 7.32/10 degré "Très Bon". Cette année, il est devenu un étudiant de troisième cycle à la même institution, d'où il sort diplômé en Octobre 2010, avec un degré 9.90/10 «Excellent». En ce moment, il est titulaire d'un doctorat candidat et un chercheur à l'Université de Strasbourg en France. Ses principaux intérêts de recherche se situent dans le domaine de la Vision par Ordinateur, Signal & Image Processing, imagerie médicale, bio-informatique et d'apprentissage machine avec des intérêts spécifiques dans le flux optique et le recalage d'images.

Spécialités

Traitement du signal et des images, le recalage d'images, flux optique, suivi d'objets et iPhone/iPod touch/iPad Développement d'applications.

Éducation

École Doctorale MSII (ED n°269) « Mathématiques, Sciences de l'Information et de l'Ingénieur »
2011 – 2014 (attendus)
Théme: " Traitement d'images de résonance magnétique de diffusion: construction de modéles statistiques pour la détermination de facteurs pronostics d'éveil dans le cas du coma ".


M.Sc., Sciences Informatiques, avec une spécialisation dans les Technologies et Applications
2008 – 2010
Degré: 9.90/10, “EXCELLENT”
Thèse: “Estimation du flot optique par lissage variable spatialement”. [pdf] (en anglais)
Superviseur: Adjoint Professeur C. Nikou.


B.Sc., Sciences Informatiques
2003 – 2008
Degré: 7.32/10, “VERY GOOD”
Diplôme Thèse: “Signal and image registration by using generalized elastic nets”.
Superviseur: Adjoint Professeur C. Nikou.


Publications

Articles journaux

1. Variational-Bayes Optical Flow

  • Journal of Mathematical Imaging and Vision
  • January 2014.
Auteurs: Giannis Chantas, Theodosios Gkamas, Christophoros Nikou


Conférences

1. Guiding optical flow estimation using superpixels

  • IEEE 17th International Conference on Digital Signal Processing (DSP '11)
  • juillet 6, 2011, Corfou, Grèce.
Auteurs: Theodosios Gkamas, Christophoros Nikou
Résumé: Dans ce papier, nous montrons comment la segmentation d'une image en superpixels peut être utilisée comme paradigme de prétraitement pour améliorer la précision de l'estimation du flot optique dans une séquence d'images. Les superpixels jouent le rôle des masques de soutien précis pour l'intégration de l'équation du flot optique. Nous employons une variation d'un algorithme de flot optique, récemment proposé, en s'appuyant sur ​​les propriétés d'image locale qui sont pris en compte si les pixels impliqués appartiennent au segment même image. Les résultats expérimentaux montrent que le schéma proposé de l'estimation du flot optique améliore considérablement la précision du champ de mouvement estimé par rapport aux autres méthodes standards.


2. A probabilistic formulation of the optical flow problem.

  • 21st International Conference on Pattern Recognition (ICPR '12)
  • novembre 11-15, 2012, Tsukuba, Japon.
Auteurs: Theodosios Gkamas, Giannis Chantas, Christophoros Nikou
Résumé: La méthode du Horn-Schunck (HS) de flot optique est largement utilisé pour initialiser de nombreux algorithmes d'estimation de mouvement. Dans ce travail, une approche variationnelle bayésienne de la méthode HS est présentée où les vecteurs de mouvement sont considérées comme variant dans l'espace t-distribués de Student non observées des variables aléatoires et la seule observation disponible est la différence temporelle de l'image. Le modèle proposé tient compte de résiduel résultant de la linéarisation de la contrainte de la constance de luminosité en série de Taylor rapprochement, qui est également supposé être un variant dans l'espace de l'observation du bruit t-distribuée de Student. Pour déduire les variables du modèle et des paramètres, nous reviennent à la méthodologie de l'inférence variationnelle conduit à une espérance-maximisation (EM) dans le cadre d'un cadre de principe probabiliste où tous les paramètres du modèle sont estimés à partir des données automatiquement.