La récupération de l’image basé sur des contenus de l’image reste une question
ouverte. Et le gap sémantique reste l’un des problèmes les plus compliqués jusqu'à
présent. En général, les images sont décrites avec des caractéristiques simples comme
la couleur, la texture, la forme, etc., mais souvent, ces attributs sont insuffisants pour décrire le contenu sémantique de l'image. Beaucoup de méthodes sont proposées dans la littérature. La classification sémantique est utilisée pour combler le gap sémantique en classant les images (par exemple, intérieur /extérieur, ville/paysage, etc.) par l'utilisation des caractéristiques simples.
Plus récemment, certains auteurs [WEI 05][SUD 05] ont proposé des méthodes qui
reposent sur la description locale (comme EIPD ou SURF).
Méthode:
Nous prévoyons de suivre ces méthodes au cours de cette thèse. Une image peut être
considérée comme contenant un groupe de concepts sémantiques. Les images et les
concepts sont décrits avec différents descripteurs, et chaque descripteur d’image
(respectivement de concept) sera constitué par un groupe de sous-descripteurs de
concepts (respectivement d’images). Les descripteurs des images seront pertinemment
choisis et normalement calculés, mais les descripteurs des concepts seront déterminés
automatiquement par des approches statistiques.
L'objectif de cette thèse est de proposer, de construire et d'évaluer un système complet:
description/ apprentissage/ modélisation/ reconnaissance. L’application visée par
notre système porte sur l’identification et la reconnaissance de visages.
[SUD 2005] Sudderth E., Torralba A., Freeman A., Willsky. A Describing Visual
Scenes using Transformed Dirichlet Processes. Neural Information Processing
Systems, Dec. 2005.
[WEI 2005] Wei Zhang, Bing Yu, Greg Zelinsky, and Dimitris Samaras. Object class
recognition using multiple layer boosting with multiple features. IEEE Proc. of CVPR
2005, pp II:323-330.