Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Representation d x27 images et apprentissage profond pdfdrive 1

Représentation d'images et apprentissage profond de représentations Stephane Ayache ?? Qarma LIF CMotivations CMotivations Grande quantité d'images de multiples applications ?? généraliste médicale robotique biométrie surveillance ? ?? apprentissage classifcation recherche d'information Besoin de comparer des images ?? La comparaison s'oppère à partir d'une représentation ?? Les pixels constituent une première représentation mais très peu robustes aux variations de luminosité échelle occlusion rotation ? CMotivations CMotivations Interprétation de scènes détection d'objets ?? Plusieurs niveau d'interprétations signal vs sémantique cf cerveau humain ?? Problème difcile Vers un très grand nombre d'images d'apprentissage et de classes ?? Big data ?? Les approches classiques ne passent pas à l'échelle ?? Un apprentissage semi-supervisé et ou incrémental peu aider COutline Apprentissage de représentation la solution ?? Après le Perceptron MLP autoencodeurs stackedautoencodeurs RBM DNN ?? Convolutional Neural Network CNN Mais d'abord retour sur l'analyse et les descripteurs d'image classiques ?? L'ancêtre du CBIR histogramme de couleur ?? Filtrage d'images convolutions points d'intérêts ?? Paradigme Bag of Visual Words ?? Pooling et pyramidal features CCBIR Content-based Image Retrieval Recherche d'images par le contenu début s ?? Interrogation par une image exemple ou représentation Obama Extraction des représentations Index Comparaison Expression de la requête Besoin d'une représentation la plus discriminante possible descripteur d'images ?? Couleur texture forme CImage la structure de donnée Un tableau de NxM pixels ?? Une matrice D NxM ?? Exemple Image en niveNaux de gris M L valeurs possibles Noir l L Blanc avec L pixel octet Un pixel est un élément atomique de l ? image ?? Binaire Intensité Couleur RGB ? ?? Dimension ?? Distance CReprésentation et correspondance ? Représentation descripteurs ?? Couleur ?? Texture - ?? Points d ? intérêts ?? Forme ?? Structure ? ? Mesures de correspondance associées ?? Dépendent du descripteur et du contexte d ? application ? Attention à la taille des descripteurs ?? Temps de calcul CQuelques descripteurs d'images CQuelques espaces de couleur ? Linéaires ?? RGB Rouge vert bleu Système de couleur additif ?? YCbCr Luminance Chrominances L-rouge L- bleu ? Non linéaires ?? HSV Hue Saturation Value ?? LAB Luminance Chrominances ?? Les distances euclidiennes entre couleurs sont plus proches des diférences perçues par les humains CHistogrammes de couleur ? Un histogramme par canal de couleur ?? Histogramme composante par composante ou histogramme unique si l ? image est monochrome ?? Discrétisation l ? espace des valeurs de l ? intensité est décomposé en intervalles complémentaires batons ou bins ? ?? Pour chaque intervalle on calcule le pourcentage de pixels de l ? image dont l ? intensité s ? y trouve ?? Le vecteur de ces pourcentages est le descripteur ?? Possibilité de considérer trois histogrammes pour les images en couleur CHistogrammes de couleur ? Multidimensionnels ?? L ? espace des valeurs de pixels est multidimensionnel en général de dimension ?? L ? espace des valeurs est décomposé discrétisé en parallélépipèdes complémentaires bins ? ?? Mesure les coocurrences entre canaux de couleur ?? Pour chaque parallélépipède on calcule le pourcentage de