Représentation des images au moyen de motifs fréquents et émergents pour la classification et la recherche d'images - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2013

Representation of images by means of common and emerging patterns for classification and image search

Représentation des images au moyen de motifs fréquents et émergents pour la classification et la recherche d'images

Résumé

In this thesis, our aim is to achieve better results in several tasks in computer vision byfocusing on the image representation part. Our idea is to integrate feature dependenciesto the original feature representation. Although feature dependencies can give additionaluseful information to discriminate images, it is a nontrivial task to select a subset offeature combinations from the power set of the features which has an excessively largecardinality.We employ pattern mining techniques to efficiently produce a tractable set of effectivecombinations. Pattern mining is a process that can analyze large quantities of data andextract interesting patterns such as groups of data records (cluster analysis), unusualrecords (anomaly detection) and dependencies (association rule mining).The first encountered problem is how to encode image features which are typically realvalued as binary transaction items suitable for pattern mining algorithms. We proposesome solutions based on local thresholding. The number of extracted patterns is still veryhigh and to use them directly as new features for inferring a supervised classificationmodels leads to overfitting. A solution by aggregating the patterns and have a compactrepresentation which does not overfit to the training data is presented. We have achievedstate-of-the-art results on several image classification benchmarks.Along the path of exploration, we realize pattern mining algorithms are suitable especiallyfor large scale tasks as they are very efficient and scale gracefully to the number of images.We have found two suitable applications. The first one is to detect groups of duplicates invery large dataset. In order to run our experiment, we created a database of one millionimages. The images are randomly downloaded from Google. We have discovered theduplicate groups in less than three minutes. Another application that we found suitablefor applying pattern mining techniques is image re-ranking. Our method can improves theoriginal ranking score by a large margin and compare favorably to existing approaches.
Cette thèse a pour but d'améliorer les performances de différentes tâches de vision par ordinateur en se focalisant sur l'étape de représentation des images. Notre idée clé est d'intégrer des relations portant sur des descripteurs de l'image à sa représentation originelle, ces relations apportant une information additionnelle utile par exemple pour discriminer les images.La recherche de telles relations est une tâche complexe compte-tenu de la grande combinatoire entre descripteurs. Nous proposons pour cela d'employer des techniques de fouille de données fondées sur la recherche de motifs pour mettre en évidence des relations pertinentes entre les descripteurs d'images. En effet, la fouille de données est appropriée à l'analyse de grandes quantités de données et la découverte de motifs intéressants traduisant des dépendances, le regroupement de données ou encore la détection d'anomalies.Un premier obstacle à l'emploi de techniques de fouille de données en vision par ordinateur porte sur le recodage des descripteurs des images. Ces dernières possèdent usuellement des valeurs reelles alors que les méthodes d'extraction de motifs sont appropriées aux données discrètes. Pour traiter ce problème, nous proposons des techniques fondées sur des seuillages locaux. Le nombre de motifs extraits étant élevé, ceux-ci ne peuvent pas être directement utilisés dans une tâche comme la classification supervisée. Aussi, nous présentons une méthode d'agrégation des motifs permettant d'obtenir une représentation compacte évitant le sur-apprentissage.Les résultats expérimentaux sur de nombreuses bases d'images montrent que notre approche est largement au niveau de l'état de l'art.Nous montrons que les caractéristiques de la fouille de données sont aussi propices à d'autres tâches de vision par ordinateur. Ainsi, nous avons conçu une méthode de détection de doublons reposant sur l'utilisation de motifs fermés dans de grandes bases d'images. Nous avons testé notre méthode sur une base de 1 million d'images obtenues avec Google image : les doublons sont découverts en moins de 3 minutes. Enfin, nous avons développé une méthode de re-classement d'images fondée sur le nombre de motifs fréquents que chaque image supporte, cette méthode permet d'améliorer le classement initial.
Fichier principal
Vignette du fichier
PhD_WinnVoravuthikunchai_2014.pdf (28.47 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01081660 , version 1 (12-11-2014)

Identifiants

  • HAL Id : tel-01081660 , version 1

Citer

Winn Voravuthikunchai. Représentation des images au moyen de motifs fréquents et émergents pour la classification et la recherche d'images. Traitement des images [eess.IV]. Université de Caen, 2013. Français. ⟨NNT : ⟩. ⟨tel-01081660⟩
228 Consultations
120 Téléchargements

Partager

Gmail Facebook X LinkedIn More