Nous avons pour objectif de proposer des algorithmes de détection
d'évènements visuels qui soient robustes et rapides. La robustesse implique la maîtrise du point de fonctionnement des algorithmes, en particulier en termes de nombre de fausses alarmes. L'approche statistique a contrario ayant montré qu'elle répondait à cette préoccupation, notamment pour détecter des primitives géométriques, nous proposons ici de l'étendre à des applications où le cadre purement analytique existant n'est pas applicable. En combinant calculs analytiques et méthodes de Monte-Carlo ou bien apprentissage, nous avons appliqué l'approche a contrario à des problématiques telles que la segmentation d'image en régions homogènes, qui reposent sur la fusion de caractéristiques hétérogènes et sur des heuristiques
d'exploration dirigées par les données, dont les propriétés
mathématiques sont difficiles à déterminer.

La recherche de rapidité nous amène également à étudier des
architectures efficaces. Pour la vision bas niveau, nous avons
expérimenté le parallélisme massif et obtenu un algorithme de
détection de segments significatifs pour rétine artificielle
programmable qui fonctionne en temps-réel. Pour la vision de haut niveau, nous proposons une architecture parallèle à base d'agents combinant priorisation de l'information, parallélisme entre les niveaux de traitements et influences ascendantes et descendantes pour obtenir des algorithmes anytime, c'est à dire capables de fournir des détections progressivement au cours de leur exécution, en commençant par les entités les plus saillantes. Une application à la détection d'objets montre l'intérêt de l'approche.