Modèles graphiques flous pour l’interprétation d’images

Emilian Aldea (Entreprise SYSNAV)
vendredi 2 décembre 2011

Résumé : Les techniques d’interprétation d’images s’appuient principalement sur les caractéristiques visuelles des éléments d’intérêt (de bas niveau ou de haut niveau). Toutefois, l’information spatiale concernant le positionnement relatif de ces éléments est également bénéfique, comme il a été montré par exemple dans les problèmes de segmentation et de reconnaissance des structures. Par conséquent, un intérêt pour l’intégration de l’information spatiale dans le cadre de l’apprentissage a émergé récemment. Le fait que l’information spatiale est souvent perçue et exprimée d’une manière qui est proche du langage naturel, ainsi que le fait que l’absence d’une interaction spatiale est également pertinente, font allusion à l’utilité de l’information spatiale floue pour la représentation de l’image. Les représentations floues permettent d’évaluer à la fois le degré d’imprécision d’une relation (par exemple, ’proche de’ ou ’à gauche de’) et la transition graduelle entre la satisfaisabilité et la non-satisfiabilité d’une relation. Parmi les solutions utilisées pour adapter les données de l’image aux entrées des algorithmes d’apprentissage, nous adoptons une structure de représentation qui encode explicitement des parties de l’image et des interactions spatiales dans un modèle graphique. L’objectif des travaux presentés est d’explorer les techniques de représentation des informations spatiales et leur intégration dans le processus d’apprentissage, dans le contexte de classifieurs d’images qui font usage des fonctions noyau de graphes. Nous motivons notre choix de graphes étiquetés pour représenter les images, dans le contexte de l’apprentissage avec les classifieurs SVM.  Les fonctions noyau de graphes ont été étudiées en chimie computationnelle et pour l’étude des systèmes biologiques, et une adaptation pour les applications aux images est nécessaire, car les structures représentées et les propriétés de l’information codée dans l’étiquetage sont fondamentalement différentes. Nous illustrons l’intégration de l’information spatiale dans le modèle graphique en tenant compte des mesures d’adjacence floue entre les éléments d’intérêt (régions), et on définit une famille de représentations de graphes déterminés par des seuils différents appliqués à ces mesures spatiales. Enfin, nous employons plusieurs méthodes d’apprentissage, afin de construire des classifieurs qui puissent tenir compte des différentes représentations graphiques de la même image à la fois. Les résultats montrent que l’information spatiale complète les caractéristiques visuelles des éléments distinctifs dans les images et que l’adaptation des fonctions noyau pour les représentations spatiales floues est bénéfique en termes de performance.


Cet exposé se tiendra en salle C20-13, 20ème étage, Université Paris 1, Centre Pierre Mendès-France, 90 rue de Tolbiac, 75013 Paris (métro : Olympiades).


Agenda

<<

2017

>>

<<

Mai

>>

Aujourd'hui

LuMaMeJeVeSaDi
1234567
891011121314
15161718192021
22232425262728
2930311234

Annonces

ESANN 2016 : European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning


STATLEARN 2016


ICOR 2016