Upload
sylvestre-jourdain
View
107
Download
2
Embed Size (px)
Citation preview
Image et apprentissage
Marine CampedelIngénieur d'étude
www.tsi.enst.fr/~campedel
Contextes
Centre de Compétence
(CoC)
ACI Masse de données : EFIGI et QUERYSAT
Réseaux européens : MUSCLE et KSPACE
(janvier 2006)
Pôle de compétitivité : IMVN (Infom@gic)
=> Point commun : fouille, extraction de
connaissance dans les images
Axes de recherche Choix des attributs représentant le contenu des
images en vue d'une indexation ;
Apprentissage à base d'exemples
Classification supervisée et non supervisée
(structuration de la connaissance) ;
Apprentissage à base d'exemples
Interaction avec l'utilisateur d'un système de fouille
d'images (satellitaires).
Apprentissage à base d'exemples et du
comportement de l'utilisateur
Les axes de recherche (1/4) Quelles caractéristiques pour indexer ?
EFIGI : volonté d'indexer sur des paramètres
morphologiques des galaxies. Comment les
mesurer ?
QUERYSAT : détection, représentation des objets
distribués sur les images satellitaires (ex: réseau
routier) ?
CoC : choix et représentation des meilleures
caractéristiques pour l'indexation des images
satellitaires ?
Notre approche : sélection automatique de
caractéristiques
Les axes de recherche (2/4) Sélection : concaténation de toutes les
caractéristiques possiblement extraites (cf
littérature) puis application d'algorithmes
(supervisés ou non) de sélection automatique.
Nos résultats : Une méthodologie d'évaluation des résultats de sélection ;
La sélection améliore les performances de classification ;
Démonstration de la complémentarité des différents types
de caractéristiques ;
Nos méthodes de sélection non supervisées peuvent être
plus performantes que les méthodes supervisées.
Les axes de recherche (3/4)
Organisation des informations extraites des
images (caractéristiques et éventuellement
étiquettes sémantiques)
Classification supervisée (SVM, KKPPV);
Classification non supervisée : combinaison des
résultats de différents algorithmes ;
Vers la création d'une ontologie de l'imagerie
satellitaire.
Thèse de Ivan Kyrgyzov
Axes de recherche (4/4)
Interaction avec l'utilisateur d'une base d'images
satellitaires indexée
Apprentissage des concepts "utilisateur" (requête
à partir d'exemples)
Relevance feedback : le système s'adapte à
l'utilisateur et affine ses requêtes à force
d'exemples
Pb satellitaire : il existe des informations non
visibles (bandes spectrales)
Thèse de Mihai Costache
Conclusion
Activité ambitieuse et récente à Telecom Paris
Fouille et indexation
Exploitation d'outils d'apprentissage à base
d'exemples (classification, sélection ; usage
intensif des méthodes à noyaux)
Interaction avec l'utilisateur : notion d'évolutivité
du système ; apprentissage permanent et adapté
à chaque utilisateur.