Semantic hierarchies for multi-faceted image annotation
| Autor: | Tousch, Anne-Marie |
|---|---|
| Přispěvatelé: | Laboratoire d'Informatique Gaspard-Monge (LIGM), Centre National de la Recherche Scientifique (CNRS)-Fédération de Recherche Bézout-ESIEE Paris-École des Ponts ParisTech (ENPC)-Université Paris-Est Marne-la-Vallée (UPEM), imagine [Marne-la-Vallée], Centre Scientifique et Technique du Bâtiment (CSTB)-École des Ponts ParisTech (ENPC)-Laboratoire d'Informatique Gaspard-Monge (LIGM), Centre National de la Recherche Scientifique (CNRS)-Fédération de Recherche Bézout-ESIEE Paris-École des Ponts ParisTech (ENPC)-Université Paris-Est Marne-la-Vallée (UPEM)-Centre National de la Recherche Scientifique (CNRS)-Fédération de Recherche Bézout-ESIEE Paris-Université Paris-Est Marne-la-Vallée (UPEM), Ecole des Ponts ParisTech, Renaud Keriven |
| Jazyk: | francouzština |
| Rok vydání: | 2010 |
| Předmět: |
Annotation d'image
structured vocabularies machine learning Image annotation [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV] vocabulaires structurés reconnaissance d'objets semantic hierarchies classification à facettes apprentissage statistique faceted classification object recognition |
| Zdroj: | Traitement des images [eess.IV]. Ecole des Ponts ParisTech, 2010. Français. ⟨NNT : 2010ENPC1002⟩ |
| Popis: | In this thesis, we address the problem of automatic image annotation. For a more flexible system, we build multi-faceted annotations organized in a semantic hierarchy. Thus, an annotation is defined by a set of multilabels coupled with confidence levels. A tradeoff between reliability and semantic precision allows greater flexibility. The proposed algorithm proceeds in two stages. First, informative image features are extracted. Second, normalized probabilities are computed on a set of multilabels. Both rely on statistical learning machines. We evaluate the approach on two datasets : a set of car images and a generic database, Caltech-101. Results show different behaviour depending on the data, suggesting that the vocabulary structure is useful at different stages of the algorithm.; Cette thèse a pour sujet l'annotation automatique d'images. Pour plus de souplesse, nous utilisons un vocabulaire structuré, permettant de construire des annotations multifacettes et à différents niveaux d'interprétation. Une annotation prend alors la forme d'un ensemble de multilabels associés à des indices de confiance et permet d'exprimer un compromis fiabilité/précision sémantique. Le traitement proposé se déroule en deux phases : extraction de caractéristiques informatives et calcul de probabilités normalisées sur un espace de multilabels. Chacune exploite des mécanismes d'apprentissage. La démarche est évaluée sur deux jeux de données : un ensemble d'images de voitures et la base d'objets génériques Caltech-101. Les résultats suggèrent d'utiliser le vocabulaire structuré à différentes étapes selon la nature des données. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|