La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 Exploitation de connaissances « domaine » pour lanalyse et linterprétation dimage Application à lindexation dimages Nicolas Zlatoff - Stage de DEA Sous.

Présentations similaires


Présentation au sujet: "1 Exploitation de connaissances « domaine » pour lanalyse et linterprétation dimage Application à lindexation dimages Nicolas Zlatoff - Stage de DEA Sous."— Transcription de la présentation:

1 1 Exploitation de connaissances « domaine » pour lanalyse et linterprétation dimage Application à lindexation dimages Nicolas Zlatoff - Stage de DEA Sous la direction de Bruno Tellez LIRIS MOM

2 2 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

3 3 Contexte: indexation Augmentation du nombre dimages –Accéder à linformation –Indexer automatiquement, sémantiquement Le fossé sémantique Exploiter des connaissances –En particulier: « domaine »

4 4 Contexte: domaine La Maison de lOrient et de la Méditerranée (MOM) –Images de stèles thessaliennes (10000) –Accéder aux objets sémantiques

5 5 Contexte: stèles Couronnement Geison Corps Socle Rosette double Tainia Inscriptions

6 6 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

7 7 Etat de lart Exploitation de connaissances haut-niveau –Indexation par mots clés [Mechkour95] –Séparation connaissances et raisonnements [Mechkour95] M. Mechkour, C. Berrut, Y. Chimarella, « Using Conceptual Graphs Framework for Image Retrieval », Proc. Of the MMM95 (Multimedia Modeling) Conference, Singapore, 1995, p [Huertas96] A. Huertas, R. Nevatia. « Detecting Changes in Aerial Views of Man-Made Structures ». Proceedings of the ARPA Image Understanding Workshop. Palm Springs, California p [Mees96] W. Mees. « Automatic Image Interpretation for GIS updating ». Fourth Euroconference on Geographical Information Systems. Madrid p. Utilisation de traitements bas niveaux –Traitements procéduraux [Huertas96], [Mees96]. Notre proposition: « piloter les traitements par les connaissances »

8 8 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

9 9 Méthodologie Niveau intermédiaireBas niveau Segment 1 Segment 2 Segment 3 Excentricité: … Taille: … Segment 2 Excentricité: … Taille: … Segment 1 Excentricité: … Taille: … Haut niveau Modèle instancié Stèle 23Relation 9 Couron. 5Rosette 7Composi. 8 StèleRelation Couron.RosetteComposi. Modèle générique InscriptionAdjacence Interprétation Analyse Segmentation

10 10 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

11 11 Segmentation (1/2) Descripteurs de texture Texture de Laws –Filtres directionnels –Micro-textures K. Laws. Textured Image Segmentation, Ph.D. Dissertation, University of Southern California, 1980

12 12 Segmentation (2/2) Descripteurs de Laws… Image originale I(x,y) 14 descripteurs I(x,y) Kernel(j) et clustering Image segmentée

13 13 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

14 14 Modéliser les connaissances Identifier les concepts et les relations Connaissances strictement« domaine » Connaissances orientées « problème » Rosette double Tainia BlocOrnement CorpsGeison Composition Adjacence Objet sémantique Objet dintérêtRégion Concept

15 15 Choisir un formalisme Systèmes à base de frames: Protégé© Frame Ornement Identifiant Matériau Forme Slot Frame Rosette Identifiant Matériau FormeSpécialisation Facette Forme = « rond »

16 16 Connaissances « domaine » Connaissances « problème » Exploiter les connaissances Moteur dinférences (Jess) Règles Base de faits Connaissances sémantiques Objets dintérêt Faits Prob. InstancesClasses Objets sémantiques, relations Faits Dom. ClassesInstances « Si X est au- dessus dun Corps, X est un Geison » « Si X est au centre de limage, X est dans la stèle »

17 17 Exemple de règles Objet dintérêt OI1 Image Objet dintérêt OI2 Modèle générique Classe 1 Objet sémantique OS4 Classe 2 Objet sémantique OS5 Classe 3 Relation adjacence Rel1 dessus dessous Modèle instancié Instance 1 objet sémantique OS4 représente Instance 2 objet sémantique OS5 représente Instance 3 relation adjacence Rel1 dessous dessus Condition Objet dintérêt OI1 Image Objet dintérêt OI2 Modèle instancié Instance 1 objet sémantique OS4 Modèle générique Classe 1 Objet sémantique OS4 Classe 2 Objet sémantique OS5 Classe 3 Relation adjacence Rel1 dessus dessous représente Action

18 18 Plan 1. Contexte: lindexation dimage, la MOM 2. Etat de lart 3. Méthodologie –3.1 Présentation théorique –3.2 Segmentation (bas-niveau) –3.3 Modélisation et exploitation des connaissances (haut-niveau) 4. Conclusion et perspectives

19 19 Conclusion Architecture sur 3 niveaux Segmentation pertinente –Descripteurs de Laws et clustering Modélisation des connaissances –Pour interpréter Validation de faisabilité Soumission à RFIA 2004

20 20 Perspectives Améliorer lefficacité –Raisonnements spécifiques aux frames Automatiser: niveau intermédiaire –Connaissances « vision » A terme: générer automatiquement les règles

21 21 Choisir un formalisme (2/2) Stocker une relation Couronnement ogival Identifiant composant Rosette Identifiant Composition 1 composé composant Couronnement ogival Identifiant Rosette Identifiant « Un couronnement ogival est composé dune rosette » Facette composant = instance de Rosette, etc. Facette composant = instance de Rosette, etc. Facette composé = instance de Couronnemt

22 22


Télécharger ppt "1 Exploitation de connaissances « domaine » pour lanalyse et linterprétation dimage Application à lindexation dimages Nicolas Zlatoff - Stage de DEA Sous."

Présentations similaires


Annonces Google