Combler Le Fossé Sémantique En Recherche D’image Via La Transformation Des Concepts Sémantique En Une Représentation Visuelle

Résumé: Le fossé sémantique est l’un des problématiques qui dégrade la performance des systèmes de recherche d’image par le contenu (CBIR). L’objectif de cette thèse est de combler le fossé sémantique afin d’améliorer la performance de CBIR. L’approche proposée consiste à un processus d’apprentissage supervisé qui vise à apprendre un modèle visuelle pour chaque concept sémantique. Nous avons utilisé les images du web afin d’accomplir l’apprentissage, cela permet d’être ne pas limité par un concept prédéfini. Puis, on a éliminé les images aberrantes afin d’apprendre correctement les différents concepts sémantiques. Les apparences visuelles au sein des images qui présentent le même concept sont automatiquement identifiées. Par ailleurs, un model du mélange de Gaussienne (GMM) est utilisé pour modeler chaque concept. Durant la recherche, l’utilisateur peut fournir une requête textuelle. Les modèles visuelles extraites lors de l’apprentissage sont utilisées ultérieurement pour détecter les images pertinentes à la requête. L’approche proposée a plusieurs avantages. Premièrement, elle permet d’utiliser une requête textuelle pour chercher dans des collections où le texte est entièrement absent. Deuxièmement, elle prend en considération l’intra-variation des images ainsi que l’existence des images aberrante. En outre, elle est purement automatique. Nous avons appliqués notre approche, qui formule le problème de recherche comme un problème de classification supervisée, pour la classification des dattes. Les résultats expérimentaux montrent que notre approche a atteint une haute précision ainsi qu’un taux de reconnaissance élevé. En outre, le processus de recherche et de reconnaissance sont effectuées en grande vitesse. En comparant l’approche proposé avec d’autres méthodes, elle a montré une performance elevé.

Publié dans la revue: