Image et apprentissage

Slides:

Advertisements

Présentations similaires

RAPPORT DAVANCEMENT Par Narcisse Talla Tankam CURAT-LETSfévrier-mars 2004.

Advertisements

Conférence « Compétences Informatiques » 10 avril 2006

Apprentissage spectral

IREMIA : Institut de REcherche en Mathématiques et Informatique Appliquées Université de la Réunion Uniformisation des mécanismes de conception de SMA.

1 NANCY – UNIVERSITÉ – NUTICE P2CeL - Production Collaborative de Connaissance et eLearning : une approche par wikis sociaux sémantiques.

Algèbre de composants : une approche fonctionnelle à la sémantique de documents Bart Lamiroy LORIA/INPL QGar - École des Mines de Nancy.

Marine Campedel mars 2005 INDEXATION des IMAGES Marine Campedel mars 2005.

Évaluation de la qualité d'une clusterisation

Sélection et classification : avancement Marine Campedel 22 mars 2005.

Competence Centre on Information Extraction and Image Understanding for Earth Observation 3 juillet 2006 Indexation Indexation dimages Henri Maître.

Introduction Pour concrétiser l’enseignement assisté par ordinateur

Mise en œuvre d’une démarche et d’un outil de gestion de « connaissances métier » basés sur la collaboration. Cyril BEYLIER

Audition CNRS pour le poste 44/04 au LOCEAN

E-Motion Group © Olivier Aycard (E. Gaussier) Université Joseph Fourier Méthodes de classification.

Journées Composants 2005 Gestion de la qualité de service de la conception à l’exécution dans les applications distribuées multimédias Sophie Laplace.

La décennie qui vient de sécouler a en effet été fortement marquée par « lirrésistible ascension » de la notion de compétences dans le champ de léducation.

Détection dobjets cartographiques dans les images satellites Très Haute Résolution Guray Erus, Nicolas Loménie Université René Descartes – Paris5, Centre.

DEMARCHES PEDAGOGIQUES en PSE

Reconnaissance de la parole

Sélection automatique d’index et de vues matérialisées

Vers une approche de construction de composants ontologiques pour le web sémantique – synthèse et discussion. Nesrine Ben Mustapha (RIADI, ENSI Tunis)

Un système de médiation basé sur les ontologies

INTELLIGENCE COLLECTIVE : RENCONTRES 2006Nîmes mai 2006 CENTRE DE RECHERCHE LGI2P 1- Doctorante Ecole des mines de Paris, 2- Maitre de Conférences.

Détection de « tâches dobjets artificialisés » D.Réchal IRD, ESPACE Dev 18/02/2011 – Montpellier (France)

DEA Intelligence Artificielle et Optimisation Combinatoire

Classification Multi Source En Intégrant La Texture

Applications du perceptron multicouche

Concepts avancés en mathématiques et informatique appliquées MAP-6014.

« E learning Sensoriel » pour DANONE

Annotations sémantiques pour le domaine des biopuces

Construction de modèles visuels

Définir des caractéristiques chercher de linformation? sur un support électronique? Élaborer un cadre théorique pour comprendre les enjeux et proposer.

1 Du pixel à lobjet : méthodes stochastiques X. Descombes Projet Ariana Orféo, 14 juin 2005.

Reconnaissance Vocale

Présentation du mémoire

Date / references Systèmes Terre et Interarmées Projet OUTILEX Rapport détude final Octobre 2006.

Modèle d’entrepôt de données à base de règles

Apprentissage semi-supervisé

1 SEEDS/M&M - MACS 23 janvier 2007 Groupement de Recherche SEEDS Systèmes d'Énergie Électrique dans leurs Dimensions Sociétales.

Projet Master 2 p18 Player interactif.

Solution Athena accès sémantique à linformation MATI Montréal, Avril 2012.

Application d’algorithmes d’extraction de la couleur et des textures à partir d’images aériennes dans le contexte de l’extraction de bâtiments pour supporter.

Les techniques des moteurs de recherche

E.Dot – juillet 2005 Page 1 Conclusion [ Lot 4. Validation et Évaluation ] Rapport Final 4 juillet 2005.

Séminaire 10 Juin 2008 Pervasive Learning Network : P-LearNet Institut TELECOM.

Module 8 : Surveillance des performances de SQL Server

Soutenance de Thèse Mardi 13 Décembre 2005 Analyse des documents graphiques, une approche par reconstruction d’objets Mathieu Delalandre Mardi 13 Décembre.

Mise-à-jour de données de haute incertitude spatiale Présentation dans le cadre du groupe de discussion sur la fusion de données géospatiales – 22 nov.

Quelques conseils pour l’interprétation géologique d’images satellites.

1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.

Arbre GénéalogiqueDiagramme de Classes Comment la visualisation d’une hiérarchie de classes facilitera le travail de notre client ?

Arkhênum Patrimoine du Futur. Répartitions par types d’erreurs mineures.

Vérification du locuteur avec des méthodes segmentales en collaboration avec : Jean HENNEBERT Jan CERNOCKY Gérard CHOLLET.

Dominique LAURENT Patrick SEGUELA

Recherche d’information

Présentation RFIA janvier 2002

Visualisation d’un entrepôt de données Pré soutenance technique

Olivier Leclair, Université Laval Un algorithme de fouille dans une représentation des données par objets: une application médicale SIMON, Arnaud.

Classification de données par l’algorithme FPSO-GA

La méthodologie d’accompagnement des clusters technologiques régionaux

Le Browser hiérarchique de Classes Java : En quoi cette application pourra faciliter le travail de Mr Leblanc ? GROUX Julien & MOULINIER Georges.

Le Browser hiérarchique de Classes Java : En quoi cette application pourra faciliter le travail de Mr Leblanc ?

Vers une intégration plus poussée de la recherche Web avec les Systèmes d’Information Géographiques Adapté de «Toward Tighter Integration of Web Search.

GPA-779 Application des systèmes experts et des réseaux de neurones.

1 INRIA 29 Novembrei 2010 AxIS - Living Labs Conception, Analyse et Amélioration de Systèmes d’information dirigées par les usages Brigitte Trousse INRIA.

30/11/2007Architecture logicielle pour l’adaptation dynamique; Application à la réplication de données1 Architecture logicielle pour l’adaptation dynamique.

R ETOURS SUR LE PROJET DISTIL ET PERSPECTIVES 2011 Sylvie Ranwez Gérard Dray.

Proposition de possibilité d’évolution de nos spécialités Deux projets (liés) : Projet 1 : Informatique Computationnelle – Etudiants 4 e et 5 e IR Projet.

Exemple et critique d’un système de vision simple Patrick Hébert (dernière révision septembre 2008) Référence complémentaire: Shapiro et Stockman: chap.

Reconnaissance d’objets 3D –point de vue complètement différent –pas d’invariant 3D Difficultés :

Transcription de la présentation:

Image et apprentissage Marine Campedel Ingénieur d'étude www.tsi.enst.fr/~campedel

Contextes Centre de Compétence (CoC) ACI Masse de données : EFIGI et QUERYSAT Réseaux européens : MUSCLE et KSPACE (janvier 2006) Pôle de compétitivité : IMVN (Infom@gic) => Point commun : fouille, extraction de connaissance dans les images

Axes de recherche Choix des attributs représentant le contenu des images en vue d'une indexation ; Apprentissage à base d'exemples Classification supervisée et non supervisée (structuration de la connaissance) ; Interaction avec l'utilisateur d'un système de fouille d'images (satellitaires). Apprentissage à base d'exemples et du comportement de l'utilisateur

Les axes de recherche (1/4) Quelles caractéristiques pour indexer ? EFIGI : volonté d'indexer sur des paramètres morphologiques des galaxies. Comment les mesurer ? QUERYSAT : détection, représentation des objets distribués sur les images satellitaires (ex: réseau routier) ? CoC : choix et représentation des meilleures caractéristiques pour l'indexation des images satellitaires ? Notre approche : sélection automatique de caractéristiques

Les axes de recherche (2/4) Sélection : concaténation de toutes les caractéristiques possiblement extraites (cf littérature) puis application d'algorithmes (supervisés ou non) de sélection automatique. Nos résultats : Une méthodologie d'évaluation des résultats de sélection ; La sélection améliore les performances de classification ; Démonstration de la complémentarité des différents types de caractéristiques ; Nos méthodes de sélection non supervisées peuvent être plus performantes que les méthodes supervisées.

Les axes de recherche (3/4) Organisation des informations extraites des images (caractéristiques et éventuellement étiquettes sémantiques) Classification supervisée (SVM, KKPPV); Classification non supervisée : combinaison des résultats de différents algorithmes ; Vers la création d'une ontologie de l'imagerie satellitaire. Thèse de Ivan Kyrgyzov

Axes de recherche (4/4) Interaction avec l'utilisateur d'une base d'images satellitaires indexée Apprentissage des concepts "utilisateur" (requête à partir d'exemples) Relevance feedback : le système s'adapte à l'utilisateur et affine ses requêtes à force d'exemples Pb satellitaire : il existe des informations non visibles (bandes spectrales) Thèse de Mihai Costache

Conclusion Activité ambitieuse et récente à Telecom Paris Fouille et indexation Exploitation d'outils d'apprentissage à base d'exemples (classification, sélection ; usage intensif des méthodes à noyaux) Interaction avec l'utilisateur : notion d'évolutivité du système ; apprentissage permanent et adapté à chaque utilisateur.