Image et apprentissage

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_at_gic)
• gt 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.