Les processus ponctuels déterminantaux (DPP) sont des modèles probabilistes qui favorisent la diversité ou la répulsion. En plus d'un intérêt nouveau en géométrie stochastique et en statistiques spatiales, ils ont récemment gagné en influence dans la communauté de l'apprentissage automatique, principalement en raison de leur capacité à sous-échantillonner élégamment et efficacement de grands ensembles de données. Lors de cette présentation, je considérerai les DPP dans une perspective de traitement d'image : les données que nous voulons sous-échantillonner sont les pixels ou les patchs d'une image donnée. Dans ce contexte, le cadre est discret et fini. Dans un premier temps, je présenterai leur définition et leurs propriétés principales adaptées à des DPP définis sur les pixels d'une image, que nous appelons processus pixelliques déterminantaux (DPixP). Nous nous intéressons principalement aux propriétés de répulsion d'un tel processus et nous appliquons les DPixP à la synthèse de textures en utilisant des modèles "shot noise". Je présenterai aussi certaines applications possibles de DPP définis sur l'ensemble des patchs d'une image. En raison de leur propriété de répulsion, les DPP fournissent un outil puissant pour sous-échantillonner des distributions discrètes telles que celle des patchs d'une image. Si le temps me le permet, je terminerai par mentionner certains de mes travaux de postdoc autour de la segmentation visuelle d'images et de vidéos.
