La diminution du coût de stockage et la disponibilité de techniques de numérisation de haute qualité permettent aussi aujourd'hui de constituer de très grandes bases d'images dans des domaines variés. Ces bases sont souvent immenses et généralement sous-exploitées faute d'outils pour accéder à l'information qu'elles contiennent. Dans cette thèse, nous proposons un ensemble de techniques d'apprentissage pour la recherche de catégories d'images, regroupées au sein du système RETIN 2. Du point de vue de l'indexation, nous proposons une méthode de quantification d'un très grand nombre de vecteurs pour la construction de signatures sous la forme d'histogrammes, ainsi qu'une approche de la similarité par fonction noyau. Du point de vue de la recherche interactive, nous étudions de nombreuses techniques de classification, et présentons l'apprentissage actif, qui offre un cardre formel pour la sélection des images à faire annoter par l'utilisateur. Nous proposons plusieurs méthodes au sein d'une architecture d'apprentissage actif qui permettent de faire face aux caratéristiques particulières de la recherche interactive d'images. Le dernier point important que nous avons étudié concerne la ré-utilisation des annotations que les utilisateurs fournissent lors des sessions de recherche. Nous présentons le caractère faiblement supervisé de ce problème d'apprentissage dans notre contexte. Nous proposons deux méthodes qui s'appuient sur une modification des similarités entre les images dans le cadre de l'utilisation de fonctions noyaux. Le système est évalué sur une base d'images généraliste de plusieurs milliers d'images.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00619222 |
| Date | 07 December 2005 |
| Creators | Gosselin, Philippe-Henri |
| Publisher | Université de Cergy Pontoise |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | fra |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0023 seconds