Présentation résumée de la thèse "Annotation automatique d'images"

Thèmes abordés

Informatique, internet, multimédia, image, segmentation, descripteurs, apprentissage, reconnaissance, classification, réseaux de neurones, réseaux bayésiens, annotation, fossé sémantique

Résumé du document

La croissance rapide d'Internet et de l'information multimédia a engendré un besoin en technique d'indexation et de recherche d'information multimédia, et plus particulièrement en recherche d'images. Des systèmes de recherche d'images ont été développés pour permettre de faire des recherches dans des bases de données d'images. Cependant ces systèmes sont toujours peu performants en ce qui concerne la recherche sémantique d'images par requête textuelle. Pour effectuer une recherche sémantique, il faut être en mesure de transformer le contenu visuel des images (couleurs, textures, formes) en informations sémantiques. Cette transformation, appelée annotation d'images, assigne une légende ou des mots clés à une image numérique.

Extraits

[...] Comment aider un utilisateur à trouver une image dans ces bases de données d'images? Pour résoudre ce problème, des systèmes de recherches d'images ont été développés. Parmi ces systèmes, on trouve 3 types de systèmes, à savoir: les systèmes textuels de recherche d'images: les images sont indexées à partir du texte associé à chaque image. La requête est composée de quelques mots-clés. Parfois, Ce texte ne représente pas réellement le contenu de l'image, ce qui génère des erreurs de recherches. [...]

[...] Aussi le développement dans des domaines professionnels a permis l'apparition de collections d'images spécifiques. On est alors en face à de très diverses et grandes bases de données d'images. Comment trouver alors d'une manière rapide et efficace des images recherchées ? < number > Introduction < number > Systèmes de recherche d'images bases de données utilisateur Comment aider les utilisateurs à trouver une image dans des bases de données d'images ? Textuels: images indexées à partir du texte associé. Par contenu: images indexées par les descripteurs visuels. Sémantiques: combine les informations textuelles et visuelles. [...]

[...] On peut voir que la texture donne de bons résultats. < number > Réalisation du Système d'Annotation < number > Nous avons constaté que : Pour chaque descripteur, le meilleur taux d'annotation est obtenu par le réseau bayésien. Le meilleur taux d'annotation obtenu par les classificateurs discriminatifs est celui des réseaux de neurones. pour les 2 bases ETH-80 et COIL-100 et pour chaque classificateur, le meilleur taux est obtenu par les descripteurs de Legendre (descripteur de forme). pour la base NATURE et pour chaque classificateur, le meilleur taux d'annotation est obtenu par les descripteurs de Texture. [...]

[...] On trouve l'annotation manuelle qui est couteuse, subjective, lourde et l'annotation automatique d'images qui est l'objet de ce travail de recherche. < number > Introduction < number > Apprentissage statistique Défi : Combler le fossé sémantique entre les concepts de l'utilisateur et la représentation numérique des images ? Numérique: Machine Sémantique: Utilisateur Annotation automatique d'images Image Concepts sémantiques, mots clés Descripteurs bas niveaux: Forme, Texture, Couleur fossé sémantique L'annotation automatique d'image consiste à extraire les descripteurs bas niveau d'une image, et leur associer des concepts sémantiques de haut niveau en utilisant les techniques d'apprentissage statistique afin de combler le fossé sémantique existant entre la représentation numérique et celle sémantique de l'image. [...]

[...] L'avantage de la segmentation par croissance de régions c'est qu'elle permet d'isoler les objet qui ont presque la même couleur. Par contre, la segmentation par k-moyennes ne permet pas ceci; < number > Conception du Système d'Annotation: Extraction d'attributs Moments Invariants des 3 plans de couleurs d'image RGB: 3x7 Moments de Hu: 3 x [Hu1, Hu Hu7]. 3x7 Modules des moments de Zernike (ordre 3 x [Z00, Z11, Z20, Z22, Z31, Z33, Z40, Z42, Z44]. 3x10 Moments de Legendre (ordre 3 x [L00, L10, L11, L20, L21, L22, L30, L31, L32, L33]. [...]