Classification non exclusive et personnalisation par apprentissage : application à la navigation dans les bases d'images

Unsupervised classification and learning-based personalization : application to image database browsing

• Auteur / Autrice : Bertrand Le Saux
• Direction : Nozha Ben Hajel-Boujemaa
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2003
• Etablissement(s) : Versailles-St Quentin en Yvelines

Mots clés

Mots clés contrôlés

Communication visuelle

Traitement d'images

Catalogage de documents iconographiques

Vision artificielle (robotique)

Résumé

Dans le cadre de la recherche d'images par le contenu, nous nous sommes intéressés aux méthodes de résumé et d'aide à la navigation pour les bases d'images. Nous avons développé une méthode de classification non-exclusive capable de catégoriser l'espace de description des images pour regrouper les images d'apparences visuelles similaires. En définissant une nouvelle fonction de Compétition Agglomérative où la compétition s'adapte à la densité des atégories, l'algorithme ARC (Adaptive Robust Competition) permet de résoudre les difficultés suivantes : * déterminer automatiquement le nombre de classes,* gérer les données bruitées diffuses,* prendre en compte les densités et les formes variables des classes. Dans un deuxième temps, nous permettons à l'utilisateur de contrôler la pertinence des classes obtenues. Un apprentissage basé sur une machine à vecteurs de support permet de personnaliser les classes d'images.

In the context of Content-Based Image Retrieval, we have been interested in methods to summarize and to help browsing in the image databases. We have developed an unsupervised lassification method which allows to categorize the feature space to group visually similar images. By defining a new competitive agglomeration objective function in which competition is made adaptive to the cluster densities, ARC (Adaptive Robust Competition) is able to deal with the following issues:* estimate automatically the number of clusters,* handle noisy data, * cope with various classe densities nd shapes. In a second step, we have refined the categories with a supervised classification based on the support vector machine (SVM) method. It provides the user with the ability to give feedback on the relevance of the cluster frontiers obtained by our unsupervised method