en fr Probabilistic graphical models for shape recognition Modèles graphiques probabilistes pour la reconnaissance de formes Report as inadecuate




en fr Probabilistic graphical models for shape recognition Modèles graphiques probabilistes pour la reconnaissance de formes - Download this document for free, or read online. Document in PDF available to download.

1 QGAR - Querying Graphics through Analysis and Recognition LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Abstract : The rapid growth of Internet and multimedia information has shown a need in the development of multimedia information retrieval techniques, especially in image retrieval. We can distinguish two main trends. The first one, called -text-based image retrieval-, consists in applying text-retrieval techniques from fully annotated images. The text describes high-level concepts but this technique presents some drawbacks: it requires a tedious work of annotation. Moreover, annotations could be ambiguous because two users can use different keywords to describe a same image. Consequently, some approaches have proposed to use Wordnet in order to reduce these potential ambiguities. The second approach, called -content-based image retrieval-, is a younger field. These methods rely on visual features color, texture or shape computed automatically, and retrieve images using a similarity measure. However, the obtained performances are not really acceptable, except in the case of well-focused corpus. In order to improve the recognition, a solution consists in combining differents sources of information: for example different visual features and-or visual and semantic information. In many vision problems, instead of having fully annotated training data, it is easier to obtain just a subset of data with annotations, because it is less restrictive for the user. In this direction, this thesis deals with modeling, classifying, and annotating images. We present a scheme for natural image classification optimization, using a joint visual-text clustering approach and automatically extending image annotations. Moreover, we propose a symbol recognition method, by combining visual features. The proposed approach is derived from the probabilistic graphical model theory and dedicated for both tasks of weakly-annotated image classification and annotation. We consider an image as weakly annotated if the number of keywords defined for it is less than the maximum defined in the ground truth. Thanks to their ability to manage missing values and to represent possible relations between keywords, probabilistic graphical models have been proposed to represent weakly annotated images. Therefore, the proposed model does not require that all images be annotated: when an image is weakly annotated, the missing keywords are considered as missing values. Besides, our model can automatically extend existing annotations to weakly-annotated images, without user intervention. The uncertainty around the association between a set of keywords and an image is tackled by a joint probability distribution over the dictionary of keywords and the visual features extracted from our collections of images. Our model is also used to recognize symbols by combining different kinds of visual features continuous and discrete features. Moreover, in order to solve the dimensionality problem due to the large dimensions of visual features, we have adapted a variable selection method. Finally, a system of image retrieval has been proposed. This system enables keyword and-or image requests and relevance feedback process. The experimental results, obtained on large image databases general or specialized databases, show the interest of our approach. Finally, the proposed method is competitive with a state-of-art model.

Résumé : La croissance rapide d-Internet et de l-information multimédia a suscité un besoin en développement de techniques de recherche d-information multimédia, et en particulier de recherche d-images. On peut distinguer deux tendances. La première, appelée recherche d-images à base de texte, consiste à appliquer des techniques de recherche d-information textuelle à partir d-images annotées. Le texte constitue une caractéristique de haut-niveau, mais cette technique présente plusieurs inconvénients : elle nécessite un travail d-annotation fastidieux. De plus, les annotations peuvent être ambiguës car deux utilisateurs peuvent utiliser deux mots-clés différents pour décrire la même image. Par conséquent, plusieurs approches ont proposé d-utiliser l-ontologie Wordnet, afin de réduire ces ambiguïtés potentielles. La seconde approche, appelée recherche d-images par le contenu, est plus récente. Ces techniques de recherche d-images par le contenu sont basées sur des caractéristiques visuelles couleur, texture ou forme, calculées automatiquement, et utilisent une mesure de similarité afin de retrouver des images. Cependant, les performances obtenues ne sont pas vraiment acceptables, excepté dans le cas de corpus spécialisés. De façon à améliorer la reconnaissance, une solution consiste à combiner différentes sources d-information : par exemple, différentes caractéristiques visuelles et-ou de l-information sémantique. Or, dans de nombreux problèmes de vision, on dispose rarement d-échantillons d-apprentissage entièrement annotés. Par contre, il est plus facile d-obtenir seulement un sous-ensemble de données annotées, car l-annotation d-un sous-ensemble est moins contraignante pour l-utilisateur. Dans cette direction, cette thèse traite des problèmes de modélisation, classification et annotation d-images. Nous présentons une méthode pour l-optimisation de la classification d-images naturelles, en utilisant une approche de classification d-images basée à la fois sur le contenu des images et le texte associé aux images, et en annotant automatiquement les images non annotées. De plus, nous proposons une méthode de reconnaissance de symboles, en combinant différentes caractéristiques visuelles. L-approche proposée est dérivée de la théorie des modèles graphiques probabilistes et dédiée aux deux tâches de classification d-images naturelles partiellement annotées, et d-annotation. Nous considérons une image comme partiellement annotée si son nombre de mots-clés est inférieur au maximum de mots-clés observés dans la vérité-terrain. Grâce à leur capacité à gérer les données manquantes et à représenter d-éventuelles relations entre mots-clés, les modèles graphiques probabilistes ont été proposés pour représenter des images partiellement annotées. Par conséquent, le modèle que nous proposons ne requiert pas que toutes les images soient annotées : quand une image est partiellement annotée, les mots-clés manquants sont considérés comme des données manquantes. De plus, notre modèle peut étendre automatiquement des annotations existantes à d-autres images partiellement annotées, sans intervention de l-utilisateur. L-incertitude autour de l-association entre un ensemble de mots-clés et une image est représentée par une distribution de probabilité jointe sur le vocabulaire des mots-clés et les caractéristiques visuelles extraites de nos bases d-images. Notre modèle est aussi utilisé pour reconnaître des symboles en combinant différents types de caractéristiques visuelles caractéristiques discrètes et continues. De plus, de façon à résoudre le problème de dimensionnalité dû à la grande dimension des caractéristiques visuelles, nous avons adapté une méthode de sélection de variables. Enfin, nous avons proposé un modèle de recherche d-images permettant à l-utilisateur de formuler des requêtes sous forme de mots-clés et-ou d-images. Ce modèle intègre un processus de retour de pertinence. Les résultats expérimentaux, obtenus sur de grandes bases d-images complexes, généralistes ou spécialisées, montrent l-intérêt de notre approche. Enfin, notre méthode s-est montrée compétitive avec des modèles de l-état de l-art.

en fr

Keywords : Probabilistic graphical models Bayesian networks image classification image retrieval automatic annotation descriptor combination

Mots-clés : Modèles graphiques probabilistes réseaux Bayésiens classification d-images recherche d-images annotation automatique d-images combinaison de descripteurs





Author: Sabine Barrat -

Source: https://hal.archives-ouvertes.fr/



DOWNLOAD PDF




Related documents