Une méthode probabiliste pour annoter des images satellites avec des concepts sémantiques est présentée. Cette méthode part de caractéristiques de bas-niveau quantifiées dans l'image et utilise une phase d'apprentissage à partir des concepts fournis par l'utilisateur avec un lot d'images exemples. La contribution principale est la définition d'un formalisme pour la mise en relation d'un réseau sémantique hiérarchique avec un modèle stochastique. Les liens sémantiques de synonymie, méronymie, hyponymie sont mis en correspondance avec différents types de modélisations inspirées des méthodes utilisées en fouille de données textuelles. Les niveaux de structuration et de généralité des différents concepts utilisés sont pris en compte pour l'annotation et la modélisation de la base de données. Une méthode de sélection de modèle permet de déduire le réseau sémantique correspondant à la modélisation optimale de la base de données. Cette approche exploite ainsi la puissance de description des réseaux sémantique tout en conservant la flexibilité des approches statistiques par apprentissage. La méthode a été évaluée sur des bases de données SPOT5 et Quickbird.

Les algorithmes de traitement d'images regroupent un ensemble de méthodes qui vont traiter l'image depuis son acquisition par un capteur jusqu'à l'extraction de l'information utile pour une application donnée. Parmi ceux-ci, les algorithmes d'interprétation ont pour but de détecter, localiser et reconnaître un ou plusieurs objets dans une image. Le problème traité dans cette thèse réside dans l'évaluation de résultats d'interprétation d'une image ou une vidéo lorsque l'on dispose de la vérité terrain associée. Les enjeux sont nombreux comme la comparaison d'algorithmes, l'évaluation d'un algorithme au cours de son développement ou son paramétrage optimal. Nous proposons dans cette thèse une formalisation des propriétés attendues d'une métrique de localisation. Nous réalisons une étude comparative rigoureuse des métriques de localisation de l'état de l'art au vu de ces propriétés. Nous réalisons un travail similaire sur les méthodes de reconnaissance utilisant une représentation locale des objets dans le but de quantifier une erreur de reconnaissance. Nous avons mis au point une méthode d'évaluation d'un résultat d'interprétation d'une image exploitant les leçons de ces études comparatives. L'avantage de la méthode proposée est de pouvoir évaluer un résultat d'interprétation d'une image en prenant en compte à la fois la qualité de la localisation, de la reconnaissance et de la détection d'objets d'intérêt dans l'image. Le comportement de cette méthode d'évaluation a été testé sur une large base de tests et s'avère intéressant. Plusieurs paramètres permettent de modifier le comportement de cette méthode suivant l'application visée.

La thèse défendue dans de document commence par un examen des approches d'évaluation de performances dans le cadre de la perception artificielle, et comment elle se rapporte aux limites ( et l'inévitable subjectivité) de la spécification de la vérité terrain. Elle établit qu'il existe une ambiguïté intrinsèque dans son interprétation et son analyse, notamment dans le cadre de l'analyse du document de l'image. Après avoir établi le fait que l'interprétation est nécessairement ambigüe et que cette ambiguïté provient essentiellement de l'existence différents contextes plus ou moins compatibles, notre objectif global est d'étudier si on peut: * établir une forme de description du contexte qui est adaptée à la perception artificielle ( et de l'analyse de documents en particulier) et si elle peut être obtenue automatiquement par des techniques d'apprentissage statistique ou formelle ; * utiliser la description du contexte pour évaluer les performances d'algorithmes ; * utiliser la description de contexte pour décrire les données, de sorte à ce que cette description peut être utilisée pour des applications de recherche d'information ; * établir des limites ou des restrictions formelles pour les descriptions décrites précédemment et déterminer s'il existe des interprétations qui sont prouvablement impossibles à être obtenues par un algorithme. S'il existe effectivement une classe de problèmes d'interprétation qui ne peuvent pas être résolus par un algorithme, la seconde question serait de savoir si cette classe peut être caractérisée d'une façon ou d'une autre.

L'objectif de cette thèse a été de concevoir un environnement de développement pour la resolution de problèmes, s'inspirant des langages a objets et de l'intelligence artificielle distribuée. Un environnement de programmation multi-agents a été conçu dans ce cadre. Cet environnement (maps) est fonde sur la distinction de deux classes d'agents, dédiées a la modélisation et a l'exploitation des connaissances figuratives (agent ks ou knowledge server) et des connaissances opératoires (agent kp ou knowledge processor). Ces classes peuvent alors etre spécialisées a l'aide d'un langage de programmation dedie. Une première version de cet environnement nous a permis de valider ces concepts de base, par la conception d'applications, en vision par ordinateur (système kiss), en diagnostic biomédical (système kids), en compréhension de la parole et en acquisition des connaissances. Le système kiss, décrit dans cette thèse, a été conçu pour manipuler les connaissances introduites par les phases d'analyse de bas niveau, de niveau intermédiaire et de haut niveau, dans une approche de type coopération région/contour. Dans notre approche multi-agents, ces connaissances sont distribuées au sein d'agents ks et kp, formant un réseau. Plusieurs améliorations ont été envisagées pour pallier un certain nombre de faiblesses de cet environnement et le rapprocher des plates-formes de conception en intelligence artificielle distribuée. Des améliorations fonctionnelles concernent l'introduction d'un mode d'exécution parallèle. Ces améliorations ont conduit a la définition d'un nouvel environnement. Des améliorations structurelles, encore a l'étude, concernent la définition d'agents hétérogènes et une structuration en couche des agents

Parmi les systèmes a base de connaissances fondes sur des techniques d'intelligence artificielle nous nous intéressons plus particulièrement aux systèmes de seconde génération (systèmes a schémas de raisonnement multiples) de type multi-agent. Le paradigme multi-agent est issu des approches de l'intelligence artificielle distribuée et permet de pallier les limitations rencontrées lors de la resolution de problèmes complexes. Le but de ce travail est d'analyser le raisonnement, et plus particulièrement d'aborder son étude en univers multi-agent. Il convient de préciser que celui-ci n'est pas un concept indépendant en lui-même: il est au contraire étroitement lie a d'autres problématiques telles que l'étude et la représentation des connaissances, la spécification des structures de contrôle, des protocoles de communication et d'allocation des taches ou le degré de sophistication de l'architecture interne des agents. Pour ce fait deux typologies originales, issues de l'étude approfondie de la connaissance et du raisonnement, seront proposées au long de cette thèse: l'une a caractère formelle l'autre a caractère technologique. La typologie formelle pour la classification des connaissances et du raisonnement permet une vue synthétique d'éléments souvent présentes de façon éparse et s'avère un outil d'assistance a la modélisation des connaissances et des raisonnements. La typologie technologique prend en compte les paramètres régissant les raisonnements propres a la technologie multi-agent non seulement au niveau individuel de l'agent mais aussi ceux développés au sein du groupe d'agents. Ces travaux ont contribue a la conception du système multi-agent kids (knowledge based image diagnosis system), système multi-agent dédié a l'interprétation d'images biomédicales. Ce système, par la variété des formes de connaissances et de raisonnement engages, illustre l'intérêt des typologies formelle et technologique proposées