While the problem of automatic brand detection has already been studied for in-the-wild image inputs, its resolution in the context of online display advertising remains unexplored. Following the existing works that have successfully applied logo detection techniques to photographs of the real world, this thesis builds upon modern object detection models to perform brand-agnostic logo detection in images of online advertisements. Inference with the resulting convolutional neural network allows the development of image-based brand recognition pipelines that scale to a large number of identifiable brands. Furthermore, to train and evaluate such a network, a logo detection dataset composed of captures of online advertisements is created. Each sample image is annotated with bounding boxes and brand labels. Finally, with the aim of introducing a different approach to the problem, we also design and analyze the performance of a brand detection algorithm based on the extraction and filtering of domain names from the HTML code underlying online advertisements. / Trots att automatisk identifiering av varumärken är ett problem som redan studerats för bilder av verkliga miljöer, återstår det att undersöka lösningar till problemet inom onlineannonsering. Med inspiration från tidigare arbeten som framgångsrikt tillämpat logotypigenkänningsmetoder på fotografier av verkliga miljöer, bygger detta examensarbete på moderna objektigenkänningsmodeller för att utföra logotypigenkänning på bilder av onlineannonser på ett agnostiskt sätt med avseende på varumärke. Inferens med det resulterande neurala faltningsnätverket tillåter utveckling av bildbaserade varumärkesigenkänningspipelines som kan hantera ett stort antal igenkännliga värumärken. För att nätverket ska kunna tränas och senare evalueras, skapas dessutom en datamängd för logotypigenkänning som består av skärmdumpar av online-annonser. Varje bild i datamängden annoteras med boxar runt logotyperna som den innehåller samt etiketter som beskriver vilka varumärken dessa logotyper motsvarar. Slutligen presenteras en ny synvinkel på problemet där vi designar och utvärderar en algoritm för varumärkesigenkänning i onlineannonserna som baseras på att få fram och filtrera domännamn ur den bakomliggande HTML-koden.

Cette thèse présente un framework pour le logo spotting appliqué à repérer les logos à partir de l’image des documents en se concentrant sur la catégorisation de documents et les problèmes de récupération de documents. Nous présentons également trois méthodes de matching par point clé : le point clé simple avec le plus proche voisin, le matching par règle des deux voisins les plus proches et le matching par deux descripteurs locaux à différents étapes de matching. Les deux derniers procédés sont des améliorations de la première méthode. En outre, utiliser la méthode de classification basée sur la densité pour regrouper les correspondances dans le framework proposé peut aider non seulement à segmenter la région candidate du logo mais également à rejeter les correspondances incorrectes comme des valeurs aberrantes. En outre, afin de maximiser la performance et de localiser les logos, un algorithme à deux étages a été proposé pour la vérification géométrique basée sur l’homographie avec RANSAC. Comme les approches fondées sur le point clé supposent des approches coûteuses, nous avons également investi dans l’optimisation de notre framework. Les problèmes de séparation de texte/graphique sont étudiés. Nous proposons une méthode de segmentation de texte et non-texte dans les images de documents basée sur un ensemble de fonctionnalités puissantes de composants connectés. Nous avons appliqué les techniques de réduction de dimensionnalité pour réduire le vecteur de descripteurs locaux de grande dimension et rapprocher les algorithmes de recherche du voisin le plus proche pour optimiser le framework. En outre, nous avons également mené des expériences pour un système de récupération de documents sur les documents texte et non-texte segmentés et l'algorithme ANN. Les résultats montrent que le temps de calcul du système diminue brusquement de 56% tandis que la précision diminue légèrement de près de 2,5%. Dans l'ensemble, nous avons proposé une approche efficace et efficiente pour résoudre le problème de spotting des logos dans les images de documents. Nous avons conçu notre approche pour être flexible pour des futures améliorations. Nous croyons que notre travail peut être considéré comme une étape sur la voie pour résoudre le problème de l’analyse complète et la compréhension des images de documents. / This thesis presents a logo spotting framework applied to spotting logo images on document images and focused on document categorization and document retrieval problems. We also present three key-point matching methods: simple key-point matching with nearest neighbor, matching by 2-nearest neighbor matching rule method and matching by two local descriptors at different matching stages. The last two matching methods are improvements of the first method. In addition, using a density-based clustering method to group the matches in our proposed spotting framework can help not only segment the candidate logo region but also reject the incorrect matches as outliers. Moreover, to maximize the performance and to locate logos, an algorithm with two stages is proposed for geometric verification based on homography with RANSAC. Since key-point-based approaches assume costly approaches, we have also invested to optimize our proposed framework. The problems of text/graphics separation are studied. We propose a method for segmenting text and non-text in document images based on a set of powerful connected component features. We applied dimensionality reduction techniques to reduce the high dimensional vector of local descriptors and approximate nearest neighbor search algorithms to optimize our proposed framework. In addition, we have also conducted experiments for a document retrieval system on the text and non-text segmented documents and ANN algorithm. The results show that the computation time of the system decreases sharply by 56% while its accuracy decreases slightly by nearly 2.5%. Overall, we have proposed an effective and efficient approach for solving the problem of logo spotting in document images. We have designed our approach to be flexible for future improvements by us and by other researchers. We believe that our work could be considered as a step in the direction of solving the problem of complete analysis and understanding of document images.