Indexation bio-inspirée pour la recherche d'images par similarité

Bio-inspired Indexing for Content-Based Image Retrieval

• Auteur / Autrice : Dorian Michaud
• Direction : Philippe Carré, Thierry Urruty
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal, informatique et applications
• Date : Soutenance le 16/10/2018
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie pour l'information, mathématiques (Limoges ; 2009-2018)
• Partenaire(s) de recherche : Laboratoire : XLIM - XLIM / XLIM
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Patrick Lambert
• Jury : Examinateurs / Examinatrices : Philippe Carré, Thierry Urruty, François Lecellier
• Jury : Rapporteurs / Rapporteuses : Georges Quénot, Jean Martinet

Mots clés

Mots clés contrôlés

Apprentissage profond

Vision par ordinateur

Algorithmes bio-inspirés (intelligence artificielle)

Recherche d'images par le contenu

Mots clés libres

Recherche d'Images Basée Contenu Visuel

Sacs de Mots Visuels

Sacs de Phrases Visuelles

Indexation

Bases Expertes

Approches Semi Interactive.

Content Based Image Retrieval

Bag of Visual Words

Bag of Visual Phrases

Indexing

Expert Datasets

Semi Interactive Retrieval

Résumé

La recherche d'images basée sur le contenu visuel est un domaine très actif de la vision par ordinateur, car le nombre de bases d'images disponibles ne cesse d'augmenter.L’objectif de ce type d’approche est de retourner les images les plus proches d'une requête donnée en terme de contenu visuel.Notre travail s'inscrit dans un contexte applicatif spécifique qui consiste à indexer des petites bases d'images expertes sur lesquelles nous n'avons aucune connaissance a priori.L’une de nos contributions pour palier ce problème consiste à choisir un ensemble de descripteurs visuels et de les placer en compétition directe. Nous utilisons deux stratégies pour combiner ces caractéristiques : la première, est pyschovisuelle, et la seconde, est statistique.Dans ce contexte, nous proposons une approche adaptative non supervisée, basée sur les sacs de mots et phrases visuels, dont le principe est de sélectionner les caractéristiques pertinentes pour chaque point d'intérêt dans le but de renforcer la représentation de l'image.Les tests effectués montrent l'intérêt d'utiliser ce type de méthodes malgré la domination des méthodes basées réseaux de neurones convolutifs dans la littérature.Nous proposons également une étude, ainsi que les résultats de nos premiers tests concernant le renforcement de la recherche en utilisant des méthodes semi-interactives basées sur l’expertise de l'utilisateur.

Image Retrieval is still a very active field of image processing as the number of available image datasets continuously increases.One of the principal objectives of Content-Based Image Retrieval (CBIR) is to return the most similar images to a given query with respect to their visual content.Our work fits in a very specific application context: indexing small expert image datasets, with no prior knowledge on the images. Because of the image complexity, one of our contributions is the choice of effective descriptors from literature placed in direct competition.Two strategies are used to combine features: a psycho-visual one and a statistical one.In this context, we propose an unsupervised and adaptive framework based on the well-known bags of visual words and phrases models that select relevant visual descriptors for each keypoint to construct a more discriminative image representation.Experiments show the interest of using this this type of methodologies during a time when convolutional neural networks are ubiquitous.We also propose a study about semi interactive retrieval to improve the accuracy of CBIR systems by using the knowledge of the expert users.