Fusion D’approches Pour L’indexation D’images

Résumé: Les modèles de sujets probabilistes constituent un ensemble d’algorithmes qui permettent d’extraire les concepts cachées responsable de la génération des mots des documents de grands corpus. Ces modèles ont été utilisés dans le domaine de traitement d’images en les appliquant sur des problèmes tels que la reconnaissance d’objets, l’annotation automatique des images et l’indexation et la recherche d’images par le contenu. Nous présentons dans le cadre de cette thèse un système de recherche d’images par le contenu (CBIRs). Le système est basé sur l’utilisation d’un modèle de sujet probabiliste qui est le Pachinko Allocation Model (PAM) avec une combinaison de caractéristiques visuelles et textuelles. PAM permet de capturer la corrélation entre les mots et aussi entre les sujets eux même, ce qui présente plus de niveaux d’abstraction pour la modélisation. L’étude du modèle PAM pour l’indexation et la recherche d’images par le contenu est absente de la communauté de recherche en traitement d’images. Nous visons via ce travail à évaluer l’utility du modèle PAM pour les systèmes CBIRs. Nous avons réalisé cette évaluation en utilisant plusieurs modalités de caractéristiques seules et combinées. Dans ce contexte, PAM a été appliqué avec des caractéristiques visuelles globales (couleur et texture), locales (SIFT) et textuelles (à partir du texte associé à l’image) séparées et combinées. Une deuxième contribution de la thèse vise à étudier le modèle LSA (Latent Semantic Analysis) pour l’indexation et la recherche des tumeurs mammaires

Publié dans la revue: