Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

La classification des images est aujourd'hui un défi d'une grande ampleur puisque ça concerne d'un côté les millions voir des milliards d'images qui se trouvent partout sur le web et d'autre part des images pour des applications temps réel critiques. Cette classification fait appel en général à des méthodes d'apprentissage et à des classifieurs qui doivent répondre à la fois à la précision ainsi qu'à la rapidité. Ces problèmes d'apprentissage touchent aujourd'hui un grand nombre de domaines d'applications: à savoir, le web (profiling, ciblage, réseaux sociaux, moteurs de recherche), les "Big Data" et bien évidemment la vision par ordinateur tel que la reconnaissance d'objets et la classification des images. La présente thèse se situe dans cette dernière catégorie et présente des algorithmes d'apprentissage supervisé basés sur la minimisation de fonctions de perte (erreur) dites "calibrées" pour deux types de classifieurs: k-Plus Proches voisins (kNN) et classifieurs linéaires. Ces méthodes d'apprentissage ont été testées sur de grandes bases d'images et appliquées par la suite à des images biomédicales. Ainsi, cette thèse reformule dans une première étape un algorithme de Boosting des kNN et présente ensuite une deuxième méthode d'apprentissage de ces classifieurs NN mais avec une approche de descente de Newton pour une convergence plus rapide. Dans une seconde partie, cette thèse introduit un nouvel algorithme d'apprentissage par descente stochastique de Newton pour les classifieurs linéaires connus pour leur simplicité et leur rapidité de calcul. Enfin, ces trois méthodes ont été utilisées dans une application médicale qui concerne la classification de cellules en biologie et en pathologie.

L’analyse des images satellite et aériennes figure parmi les sujets fondamentaux du domaine de la télédétection. Ces dernières années, les avancées technologiques ont permis d’augmenter la disponibilité à large échelle des images, en comprenant parfois de larges étendues de terre à haute résolution spatiale. En plus des questions évidentes de complexité calculatoire qui en surgissent, un de plus importants défis est l’énorme variabilité des objets dans les différentes régions de la terre. Pour aborder cela, il est nécessaire de concevoir des méthodes de classification qui dépassent l’analyse du spectre individuel de chaque pixel, en introduisant de l’information contextuelle de haut niveau. Dans cette thèse, nous proposons d’abord une méthode pour la classification avec des contraintes de forme, basée sur l’optimisation d’une structure de subdivision hiérarchique des images. Nous explorons ensuite l’utilisation des réseaux de neurones convolutionnels (CNN), qui nous permettent d’apprendre des descripteurs hiérarchiques profonds. Nous étudions les CNN depuis de nombreux points de vue, ce qui nous permettra de les adapter à notre objectif. Parmi les sujets abordés, nous proposons différentes solutions pour générer des cartes de classification à haute résolution et nous étudions aussi la récolte des données d’entrainement. Nous avons également créé une base de données d’images aériennes sur des zones variées, pour évaluer la capacité de généralisation des CNN. Finalement, nous proposons une méthode pour polygonaliser les cartes de classification issues des réseaux de neurones, afin de pouvoir les intégrer dans des systèmes d’information géographique. Au long de la thèse, nous conduisons des expériences sur des images hyperspectrales, satellites et aériennes, toujours avec l’intention de proposer des méthodes applicables, généralisables et qui passent à l’échelle. / The analysis of airborne and satellite images is one of the core subjects in remote sensing. In recent years, technological developments have facilitated the availability of large-scale sources of data, which cover significant extents of the earth’s surface, often at impressive spatial resolutions. In addition to the evident computational complexity issues that arise, one of the current challenges is to handle the variability in the appearance of the objects across different geographic regions. For this, it is necessary to design classification methods that go beyond the analysis of individual pixel spectra, introducing higher-level contextual information in the process. In this thesis, we first propose a method to perform classification with shape priors, based on the optimization of a hierarchical subdivision data structure. We then delve into the use of the increasingly popular convolutional neural networks (CNNs) to learn deep hierarchical contextual features. We investigate CNNs from multiple angles, in order to address the different points required to adapt them to our problem. Among other subjects, we propose different solutions to output high-resolution classification maps and we study the acquisition of training data. We also created a dataset of aerial images over dissimilar locations, and assess the generalization capabilities of CNNs. Finally, we propose a technique to polygonize the output classification maps, so as to integrate them into operational geographic information systems, thus completing the typical processing pipeline observed in a wide number of applications. Throughout this thesis, we experiment on hyperspectral, atellite and aerial images, with scalability, generalization and applicability goals in mind.

La classification des images est aujourd'hui un défi d'une grande ampleur puisque ça concerne d’un côté les millions voir des milliards d'images qui se trouvent partout sur le web et d’autre part des images pour des applications temps réel critiques. Cette classification fait appel en général à des méthodes d'apprentissage et à des classifieurs qui doivent répondre à la fois à la précision ainsi qu'à la rapidité. Ces problèmes d'apprentissage touchent aujourd'hui un grand nombre de domaines d'applications: à savoir, le web (profiling, ciblage, réseaux sociaux, moteurs de recherche), les "Big Data" et bien évidemment la vision par ordinateur tel que la reconnaissance d'objets et la classification des images. La présente thèse se situe dans cette dernière catégorie et présente des algorithmes d'apprentissage supervisé basés sur la minimisation de fonctions de perte (erreur) dites "calibrées" pour deux types de classifieurs: k-Plus Proches voisins (kNN) et classifieurs linéaires. Ces méthodes d'apprentissage ont été testées sur de grandes bases d'images et appliquées par la suite à des images biomédicales. Ainsi, cette thèse reformule dans une première étape un algorithme de Boosting des kNN et présente ensuite une deuxième méthode d'apprentissage de ces classifieurs NN mais avec une approche de descente de Newton pour une convergence plus rapide. Dans une seconde partie, cette thèse introduit un nouvel algorithme d'apprentissage par descente stochastique de Newton pour les classifieurs linéaires connus pour leur simplicité et leur rapidité de calcul. Enfin, ces trois méthodes ont été utilisées dans une application médicale qui concerne la classification de cellules en biologie et en pathologie. / Image classification becomes a big challenge since it concerns on the one hand millions or billions of images that are available on the web and on the other hand images used for critical real-time applications. This classification involves in general learning methods and classifiers that must require both precision as well as speed performance. These learning problems concern a large number of application areas: namely, web applications (profiling, targeting, social networks, search engines), "Big Data" and of course computer vision such as the object recognition and image classification. This thesis concerns the last category of applications and is about supervised learning algorithms based on the minimization of loss functions (error) called "calibrated" for two kinds of classifiers: k-Nearest Neighbours (kNN) and linear classifiers. Those learning methods have been tested on large databases of images and then applied to biomedical images. In a first step, this thesis revisited a Boosting kNN algorithm for large scale classification. Then, we introduced a new method of learning these NN classifiers using a Newton descent approach for a faster convergence. In a second part, this thesis introduces a new learning algorithm based on stochastic Newton descent for linear classifiers known for their simplicity and their speed of convergence. Finally, these three methods have been used in a medical application regarding the classification of cells in biology and pathology.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Located on the mid-region of Rio Grande do Sul, the watershed of the Arroio Grande lies on the transition of the Central Depression to the Southern Plateau. Belonging to the geographic micro-region of Santa Maria, the watershed area partially covers four municipal districts: Silveira Marins, Itaara, Santa Maria and Júlio de Castilhos. Studies on the area showed, on the last two decades, a local increase tendency of the forest areas, rural activities and a decrease of the field areas. This work had as objective, modeling the dynamics of use and covering of land occurred in two periods of time: from 1991 to 2002 and from 2002 to 2011; and to perform the simulation of scenarios until the year of 2020. To elaborate the thematic maps of land cover and use, images the satellites Landsat 5 and Landsat 7 were classified. The modeling process was performed by the Dinamica EGO app through these methods: Markov Chain, Weights-of-Evidence and Cellular Automata. The simulated maps to the years of 2002 e 2011, when compared with real maps, reached satisfactory similarities indexes. The simulated scenery for the year of 2020 presented significant less percentages of changing of the use and cover than those verified for the previous periods, predicting increase of 2,64% and 4,38% to the forest and rural areas respectively, and a decrease of the field areas about 8,19%. This dynamic may indicate stagnation in the agricultural cultivation areas, because there are no great extensions of proper land for the agricultural advance, which is the main propeller of the observed evolution in the study period, on the regions of greater agricultural vocation, as it is on the proximities of Silveira Martins, in the floodplain of Arroio Grande and in Southern Plateau areas, corresponding to Júlio de Castilhos. / Situada na região central do Rio Grande do Sul, a bacia do Arroio Grande localiza-se na transição da Depressão Central para o Planalto Meridional. Pertencendo a microrregião geográfica de Santa Maria, a área da bacia abrange parcialmente quatro municípios: Silveira Martins, Itaara, Santa Maria e Júlio de Castilhos. Estudos realizados na área evidenciaram, nas últimas duas décadas, uma tendência local de aumento das áreas florestais e das atividades agrícolas e a diminuição das áreas de campo. Este trabalho teve como objetivo modelar a dinâmica de uso e cobertura da terra ocorrida em dois períodos de tempo: 1991- 2002 e 2002-2011, e realizar a simulação de cenários até o ano de 2020. Para elaboração dos mapas temáticos de uso e cobertura da terra foram classificadas imagens dos sensores TM e ETM+ dos satélites Landsat 5 e Landsat 7. O processo de modelagem foi realizado no aplicativo Dinamica EGO através dos métodos: Cadeias de Markov, Pesos de Evidência e Autômatos Celulares. Os mapas simulados para os anos de 2002 e 2011, quando comparados com os mapas reais, alcançaram índices de similaridade satisfatórios. O cenário simulado para o ano de 2020 apresentou percentuais de mudanças de uso e cobertura significativamente menores do que os verificados para os períodos anteriores, prevendo aumentos de 2,64% e 4,38%, para as áreas florestais e agrícolas, respectivamente, e uma diminuição das áreas de campo na ordem de 8,19%. Esta dinâmica pode indicar uma estagnação nas áreas de cultivo agrícola, pois não há grandes extensões de terra adequadas para o avanço da agricultura, principal propulsor da evolução observada no período de estudo, nas regiões com maior vocação agrícola, como nas proximidades de Silveira Martins, nas várzeas do Arroio Grande e em áreas do planalto meridional, correspondentes a Júlio de Castilhos.

Cette thèse s'intéresse au problème de la classification d'images, où l'objectif est de prédire si une catégorie sémantique est présente dans l'image, à partir de son contenu visuel. Pour analyser des images de scènes complexes, il est important d'apprendre des représentations localisées. Pour limiter le coût d'annotation pendant l'apprentissage, nous nous sommes intéressé aux modèles d'apprentissage faiblement supervisé. Dans cette thèse, nous proposons des modèles qui simultanément classifient et localisent les objets, en utilisant uniquement des labels globaux pendant l'apprentissage. L'apprentissage faiblement supervisé permet de réduire le cout d'annotation, mais en contrepartie l'apprentissage est plus difficile. Le problème principal est comment agréger les informations locales (e.g. régions) en une information globale (e.g. image). La contribution principale de cette thèse est la conception de nouvelles fonctions de pooling (agrégation) pour l'apprentissage faiblement supervisé. En particulier, nous proposons une fonction de pooling « max+min », qui unifie de nombreuses fonctions de pooling. Nous décrivons comment utiliser ce pooling dans le framework Latent Structured SVM ainsi que dans des réseaux de neurones convolutifs. Pour résoudre les problèmes d'optimisation, nous présentons plusieurs solveurs, dont certains qui permettent d'optimiser une métrique d'ordonnancement (ranking) comme l'Average Precision. Expérimentalement, nous montrons l'intérêt nos modèles par rapport aux méthodes de l'état de l'art, sur dix bases de données standard de classification d'images, incluant ImageNet. / This thesis studies the problem of classification of images, where the goal is to predict if a semantic category is present in the image, based on its visual content. To analyze complex scenes, it is important to learn localized representations. To limit the cost of annotation during training, we have focused on weakly supervised learning approaches. In this thesis, we propose several models that simultaneously classify and localize objects, using only global labels during training. The weak supervision significantly reduces the cost of full annotation, but it makes learning more challenging. The key issue is how to aggregate local scores - e.g. regions - into global score - e.g. image. The main contribution of this thesis is the design of new pooling functions for weakly supervised learning. In particular, we propose a “max + min” pooling function, which unifies many pooling functions. We describe how to use this pooling in the Latent Structured SVM framework as well as in convolutional networks. To solve the optimization problems, we present several solvers, some of which allow to optimize a ranking metric such as Average Precision. We experimentally show the interest of our models with respect to state-of-the-art methods, on ten standard image classification datasets, including the large-scale dataset ImageNet.

Made available in DSpace on 2016-04-26T18:17:11Z (GMT). No. of bitstreams: 1 Renato Veras Baptista.pdf: 10351172 bytes, checksum: 8dabe9208337bf77d9e7ad619d64b4f1 (MD5) Previous issue date: 2008-05-05 / Servico Social do Comercio / O presente trabalho tem como objeto a exposição "Templos Politeístas:" são fotografias panorâmicas do fotógrafo Dimitri Lee que apresenta estádios de futebol como arenas vazias e distorcidas. Faz parte do objeto um conjunto de depoimentos do fotógrafo, colhidos para um melhor entendimento de suas intenções na produção destas imagens. O trabalho analítico das imagens foi feito recorrendo-se à literatura do estudo da imagem fotográfico, da história da fotografia e da teoria da imagem, considerando conceitos como o conceito de 'estranhamento' de Viktor Shklovsky, o conceito do 'fotógrafo como funcionário e jogador 'de Vilém Flusser. A discussão sobre a presença da imagem é baseada nas reflexões de Hans Belting e Norval Baitello. Neste processo, apresentamos as imagens com destaque para as características de negação dos recursos de sedução como opção do autor, levantamos as técnicas utilizadas para à produção destas imagens, e sugerimos sistemas de classificação, como uma forma de situar estas imagens em um universo mais amplo, no qual as imagens dialogam entre si e podem ser avaliadas a partir de outras imagens

Segmentation of vasculature tree is an important step of the process of image processing. There are many methods of automatic blood vessel segmentation. These methods are based on matched filters, pattern recognition or image classification. Use of automatic retinal image processing greatly simplifies and accelerates retinal images diagnosis. The aim of the automatic image segmentation algorithms is thresholding. This work primarily deals with retinal image thresholding. We discuss a few works using local and global image thresholding and supervised image classification to segmentation of blood tree from retinal images. Subsequently is to set of results from two different methods used image classification and discuss effectiveness of the vessel segmentation. Use image classification instead of global thresholding changed statistics of first method on healthy part of HRF. Sensitivity and accuracy decreased to 62,32 %, respectively 94,99 %. Specificity increased to 95,75 %. Second method achieved sensitivity 69.24 %, specificity 98.86% and 95.29 % accuracy. Combining the results of both methods achieved sensitivity up to72.48%, specificity to 98.59% and the accuracy to 95.75%. This confirmed the assumption that the classifier will achieve better results. At the same time, was shown that extend the feature vector combining the results from both methods have increased sensitivity, specificity and accuracy.