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.