Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parOriane Vilain Modifié depuis plus de 10 années
1
Nicolas Zlatoff - Stage de DEA Sous la direction de Bruno Tellez
Exploitation de connaissances « domaine » pour l’analyse et l’interprétation d’image Application à l’indexation d’images Nicolas Zlatoff - Stage de DEA Sous la direction de Bruno Tellez LIRIS MOM
2
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
Contexte: indexation Augmentation du nombre d’images
Accéder à l’information Indexer automatiquement, sémantiquement Le fossé sémantique Exploiter des connaissances En particulier: « domaine »
4
Contexte: domaine La Maison de l’Orient et de la Méditerranée (MOM)
Images de stèles thessaliennes (10000) Accéder aux objets sémantiques
5
Contexte: stèles Couronnement Geison Inscriptions Rosette double
Tainia Corps Socle
6
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
Etat de l’art Exploitation de connaissances haut-niveau
Indexation par mots clés [Mechkour95] Séparation connaissances et raisonnements Utilisation de traitements bas niveaux Traitements procéduraux [Huertas96], [Mees96]. Notre proposition: « piloter les traitements par les connaissances » [Mechkour95] M. Mechkour, C. Berrut, Y. Chimarella, « Using Conceptual Graphs Framework for Image Retrieval », Proc. Of the MMM’95 (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.
8
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
Méthodologie Interprétation Analyse Segmentation Bas niveau
Excentricité: … Taille: … Niveau intermédiaire Haut niveau Modèle instancié Stèle 23 Relation 9 Couron. 5 Rosette 7 Composi. 8 Stèle Relation Couron. Rosette Composi. Modèle générique Inscription Adjacence Interprétation Analyse Segmentation
10
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
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
Segmentation (2/2) Descripteurs de Laws… et clustering Image originale
I(x,y) Image segmentée 14 descripteurs I(x,y) Kernel(j)
13
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
Modéliser les connaissances
Identifier les concepts et les relations Objet d’intérêt Région Concept Connaissances strictement« domaine » Connaissances orientées « problème » Objet sémantique Rosette double Tainia Bloc Ornement Corps Geison Adjacence Composition
15
Choisir un formalisme Systèmes à base de frames: Protégé©
Frame Ornement Identifiant Matériau Forme Frame Rosette Identifiant Matériau Forme Spécialisation Slot Facette Forme = « rond »
16
Exploiter les connaissances
Moteur d’inférences (Jess) Connaissances « domaine » « problème » « Si X est au-dessus d’un Corps, X est un Geison » « Si X est au centre de l’image, X est dans la stèle » Règles Règles Base de faits Connaissances sémantiques Objets sémantiques, relations Faits Dom. Objets d’intérêt Faits Prob. Classes Instances Instances Classes
17
Exemple de règles Condition Action Image Modèle instancié
Objet d’intérêt OI1 Image Objet d’intérêt OI2 Modèle instancié Instance 1 objet sémantique OS4 représente Modèle générique Classe 1 Objet sémantique OS4 Classe 2 OS5 Classe 3 Relation adjacence Rel1 dessus dessous Objet d’intérêt OI1 Image Objet d’intérêt OI2 Modèle instancié Instance 1 objet sémantique OS4 Modèle générique Classe 1 Objet Classe 2 OS5 Classe 3 Relation adjacence Rel1 dessus dessous représente Action Instance 3 relation adjacence Rel1 dessous dessus Instance 2 objet sémantique OS5 représente
18
Plan 1. Contexte: l’indexation d’image, la MOM 2. Etat de l’art
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
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
Perspectives Améliorer l’efficacité Automatiser: niveau intermédiaire
Raisonnements spécifiques aux frames Automatiser: niveau intermédiaire Connaissances « vision » A terme: générer automatiquement les règles
21
Choisir un formalisme (2/2)
Stocker une relation Composition 1 composé composant Couronnement ogival Identifiant Rosette « Un couronnement ogival est composé d’une rosette » Facette composé = instance de Couronnemt Couronnement ogival Identifiant composant Rosette Facette composant = instance de Rosette, etc. Facette composant = instance de Rosette, etc.
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.