1 / 8

Image et apprentissage

Image et apprentissage. Marine Campedel Ingénieur 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)

tehya
Download Presentation

Image et apprentissage

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Image et apprentissage Marine Campedel Ingénieur d'étude www.tsi.enst.fr/~campedel

  2. 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

  3. 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

  4. 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

  5. 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.

  6. 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

  7. 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

  8. 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.

More Related