Reconnaissance d’objets par SVM et descripteurs de Fourier

Slides:



Advertisements
Présentations similaires
« Systèmes électroniques »
Advertisements

Introduction: Concepts de la programmation
A. Cornuéjols IAA (basé sur Rob Schapires IJCAI99 talk) Combiner des apprenants: le boosting.
_________________________________________________________________________________________________________________________________________________________________________.
Une approche informationnelle de la restauration d’images
RECONNAISSANCE DE FORMES
S.S.I., ESSI1, samedi 10 avril 2004 Page 1 Comment tailler les filtres sur mesure Séance 8, nouvelle application des filtres, 1 heure Version : samedi.
Langages objet Définitions Traduction des méthodes en C++
1 Réunion biblio 13/12/00 Support Vectors Présentation générale SSS Maintaining Algorithm.
E-Motion Group © Olivier Aycard (E. Gaussier) Université Joseph Fourier Méthodes de classification.
Peut-on pratiquer létude de cas en histoire ?. Comment envisager une programmation en géographie ? 1. Une méthode validée par lhistoire universitaire.
Le remplacement moléculaire
Classification thématique de courriels
R. Saint-Paul, G. Raschia and N. Mouaddib IRIN, Nantes (France)
Cours du 20 septembre Exceptionnellement, le cours prévu pour le mercredi 20 septembre se donnera Mardi le 19 septembre de 13h30 à 15h20 à la salle 1112.
RECIT d’une EXPERIENCE Françoise Barachet LYCEE MONTDORY de THIERS
DEA instrumentation et commande
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Un neurone élémentaire
Lois de la statique Equilibre des solides.
Application des algorithmes génétiques
Recherche d’un même objet / scène
[ 20;5;1;9;6;-4,34;10] trifusion sur[20;5;1;9;6;-4,34;10] fait appel.
Applications du perceptron multicouche
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
1 16 octobre 2013CESTA/DLP/SCAL/LSL EcAq-2014 ECOLE D'AQUITAINE Ondes et Matière réunion du Comité Scientifique le 16 octobre 2013.
Analyse par la méthode des 5 pourquoi
L’entrée gestuelle et la reconnaissance de gestes
DEA Perception et Traitement de l’Information
Mise en correspondance et Reconnaissance
Construction de modèles visuels
CLASSIFICATION DES SONS, “COMMENT CA MARCHE ?”
Outils pour la Biologie
Quizz rdf Dess IE. La RDF globale: 1.Quand il y a 2 classes seulement 2.Quand on fait un apprentissage 3.Quand les formes sont représentées par des vecteurs.
Equipe : VAISSET Antoine, MATHEOSSIAN Dimitri
13h30 – 17h00 Présentation des stages des étudiants de M2 répartis par option sur 3 sessions : Option GET (salle 205 et 210 pour 1b) Session 1a : 13h30.
SUJETS SPÉCIAUX EN INFORMATIQUE I
Forces et moments Chapitre 2.
Base de données multimédia Cordelia Schmid
Interprétation automatique
PINCE Pic-Carotte GUIGNARD
 Classe qui hérite de Qimage  Ajout de méthode d’accès rapide aux pixels et aux composantes  Ajout des composantes Y, U et V  Ajout de méthode pour.
D’autres outils ouverts pour expérimenter ???
DEA Perception et Traitement de l’Information
Vecteur vitesse.
Projet ANIM : Indexation d’objets 3D :
Une introduction aux machines à vecteurs supports (SVM)
Evaluation des incertitudes dans le recalage non rigide de formes Application à la segmentation avec ensemble apprentissage Maxime TARON Nikos PARAGIOS.
Classification : objectifs
J’espère qu’il vise bien… Arrière les nuages se cache Cupidon.
Gestion des inondations: deux approches utilisant la théorie de la viabilité Xavier Litrico, Katrin Erdlenbruch, Sophie Martin UMR G-EAU, Montpellier LISC,
Extraction de segments pour la reconnaissance de symboles : Une approche robuste par Transformée de Hough Présenté par : Simon BERNARD Encadré par : Jean-Marc.
Mathématiques Université en ligne. Les modules de mathématiques disponibles Trois types de modules ➢ Modules de transition entre lycée et université ➢
S. Canu, laboratoire PSI, INSA de Rouen
Laboratoire PSI – FT-R&D Delalandre Mathieu 3 septembre 2001
SUJETS SPÉCIAUX EN INFORMATIQUE 1
SVM machine à vecteurs de support ou séparateur à vaste marge
SUJETS SPÉCIAUX EN INFORMATIQUE I
Monitoring Détection de séquences vidéo en temps réel dans une grande base de données Julien Law-to 22/06/2004.
GRAPHISME PAR ORDINATEUR
Les SVM : Séparateurs à Vastes Marges (Support Vector Machines)
R&D pour l’aSSEMBLAGE ET LA connectique du Tracker de NA62
Groupe Langues, Information et Représentations
LA SEQUENCE 1 LE TYPE D’APPRENTISSAGE : Rappeler les faits, décrire une situation, expliquer un phénomène Appliquer des règles, des méthodes, des lois.
L’entrée gestuelle et la reconnaissance de gestes.
Traitement d’images Semaine 09 v.A15.
Exemple et critique d’un système de vision simple Patrick Hébert (dernière révision septembre 2008) Référence complémentaire: Shapiro et Stockman: chap.
Couche limite atmosphérique Micrométéorologie. Équations de Reynolds 7 équations et 16 inconnues...
CHAPTER 10: Discrimination Linéaire
Transcription de la présentation:

Reconnaissance d’objets par SVM et descripteurs de Fourier Originels (contour de longueur L) Généralisés (image en niveaux de gris, «motion descriptors», Gauthier et al., Fonga) Descripteurs de Fourier Une famille de descripteurs invariants par similitude directe (rotation, translation, échelle) peut être (presque) trivialement déduite Une forme = un ensemble de MD|DF = un vecteur de

Support Vector Machines (SVM) Méthode d’apprentissage utilisant: les noyaux (reformulation d’un problème de séparation non linéaire en un problème linéaire - fonction ci-dessous) les théories de généralisation et dimensionalité de Vapnik-Chervonenkis Classifier en 2 classes revient à trouver l’hyperplan séparant au mieux l’ensemble des x (classe 1) et o (classe 2) Idée = utiliser les DF pour classifier les images !

Travail demandé Au minimum : Implémenter les descripteurs de Fourier Trouver (et justifier) un noyau judicieux pour classifier des images dans une base d’une centaine d’objets (COIL100) Validation sur base COIL100 et images réelles Idéalement : Aller plus loin, en ajoutant d’autres descripteurs très classiques : invariants algébriques de Hu, moments de Zernike, complémentaires des DF (fusion N classifieurs faibles -> 1 classifieur fort) Environnement de développement : Intégralement sous Matlab (+toolbox SVM), et/ou langage C (libSVM et/ou SVMlight), au choix. Contact, questions, précisions : x.hilaire@esiee.fr , ou jeudis 13h30-20h00 bureau 5352 2 étudiants 3 étudiants