Journée Rencontres Académiques SCS

Dimension: px

Commencer à balayer dès la page:

Download "Journée Rencontres Académiques SCS"

Arlette Vincent
il y a 8 ans
Total affichages :

1 Journée Rencontres Académiques SCS 24/01/2012 Prof. Frédéric Precioso

2 Knowledge Extraction, Integration & Algorithms (KEIA) 2 /35 Permanents Célia Pereira da Costa, Christel Dartigues, Denis Pallez, Nicolas Pasquier, Frédéric Precioso Thématique de recherche Extraction de connaissances (décision / modèles) Contexte Grands volumes de données (hétérogènes, temporelles, semistructurées ) Domaines d application Biologie, Hydrologie, Multimédia Comment?

3 Nos compétences 3 /35 Classifier, grouper, associer? Si xxx & yyyy alors Si xxx zzzz alors

4 Nos compétences 4 /35 Prédire Apprentissage? Modèle (Arbres de décisions, Règles, RN, SVM ) Prédiction

5 Plan 5 /35 Recherche d information visuelle basée contenu (CBIR) Introduction Passage à l échelle pour les très grandes bases CBIR pour objets complexes

6 Intro : Recherche d'info basée contenu 6 /35 Moteurs de recherche actuels : 1. Annotation manuelle de la base coûteux / peu évolutif 2. Exploitation de métadonnées peu fiable Requête par mots-clefs polysémie / ambigüité

7 Résultat de Google Image 7 /35

8 Résultat de Google Image 8 /35

9 CBIR système : franchir le fossé sémantique 9 /35

10 CBIR système : franchir le fossé sémantique 10 /35

11 Intro : Système de recherche d information basée contenu (CBIR) 11 /35 Représentation de données Extraction des primitives (visuelles) : Locales Globales Descriptions (visuelles) : couleur, texture Recherche par similarité du contenu

12 Intro : Système de recherche d information basée contenu (CBIR) 12 /35 Problème de classification

13 SVM séparateur linéaire 13 /35

14 SVM séparateur linéaire 14 /35

15 Apprentissage Interactif 15 /35 Annotations Ensemble des données d apprentissage les plus incertaines initial

16 SVM non-linéaire : Noyaux 16 /35 Cas non-linéairement séparable Transformer dans un espace de plus grande dimension La solution dans F Espace des données Espace des caractéristiques Fonctions noyaux : k( x, x') = Φ( x) Φ( x') En utilisant le noyau Distant Segment, Boisvert et al. ont les meilleurs résultats jusqu à maintenant pour la détermination du co-récepteur utilisé par le virus du VIH de type 1.

17 Intro : Recherche d'info basée contenu 17 /35 Internet aujourd hui... Flickr = 3000 images déposées par minute pour atteindre 5 milliards d'images en septembre 2010* YouTube = 20 heures de vidéo déposées chaque minute en mai heures chaque minute en mars heures chaque minute maintenant* YouTube = 60 jours de vidéos déposées > 60 ans des 3 plus grandes majors américaines* *Stats from website-monitoring.com

18 Plan 18 /35 Recherche d information visuelle basée contenu (CBIR) Introduction Passage à l échelle pour les très grandes bases CBIR pour objets complexes

19 Problèmes du passage à l échelle 19 /35 Système CBIR pour les descriptions locales Système CBIR pour les descriptions globales Système CBIR pour la recherche interactive

20 Passage à l échelle 20 /35 Hors ligne En ligne

21 Résultats principaux : Descriptions locales 21 /35 UFAST I I = k p p = Evaluation : K ( q, j ) ( rq, sj ) 1LSH ( prq ) LSH ( psj ) p I p I 1. INRIA Holidays 1500 images 2. Holidays + Flickr 100K images 4000 points saillants par image Résultats : rq q sj j 1. 4,5 millions de descripteurs 76% de bonnes images (2 ème meilleure méthode 54,9%) millions de descripteurs 42% de bonnes images (2 ème meilleure méthode 39%), 3,2 secondes par recherche

22 Passage à l échelle 22 /35 Hors ligne En ligne 2 χ i j i j ( ) ( h h ), h = k k + h i 2 j 2 k hk hk 2

23 Résultats principaux : Descriptions globales 23 /35 Nouvelle structure de hachage de l espace basée χ 2 mieux adaptée que schéma classique L 2 : gain de 30% Schéma d optimisation de la mémoire : 30 Go = 50 M d'images (dim 128)

24 Passage à l échelle 24 /35 Hors ligne En ligne

25 Résultats principaux : Recherche active 25 /35 Recherche interactive dans 180K images : 50 annotations stratégiquement sélectionnées = 40x plus vite que la recherche exhaustive pour une perte en précision de ~1.3% Précision Moyenne sur les 10 catégories (chat, bus, vélo, bouteille ) en pourcentage d images pertinentes parmi les 200 premières retournées

26 Plan 26 /35 Recherche d information visuelle basée contenu (CBIR) Introduction Passage à l échelle pour les très grandes bases CBIR pour objets complexes

27 Système CBIR pour objets complexes 27 /35 Reconnaissance d objets architecturaux : structure explicite spatiale Reconnaissance d acteurs : structure explicite pour la représentation spatio-temporelle

28 Représentation structurée spatialement : Projet ANR itowns 28 /35 image-based Town On-line Web Navigation and Search engine

29 Représentation structurée spatialement : reconnaissance d architecture 29 /35

30 Structure spatio-temporelle explicite : Projet Digiteo K-Videoscan 30 /35

31 Structure spatio-temporelle explicite 31 /35 K (T,T i j ) = r s C ri T i C sj T j e q - 2σ 2 2 ( C ri C sj ) ( xri xsj ) + ( y ri y sj ) - 2 C ri + C sj σ 2 e

32 Structure spatio-temporelle explicite 32 /35 Grâce aux noyaux tout est fait!!

33 Structure spatio-temporelle explicite 33 /35 Intra-episode Inter-episode

34 Structure spatio-temporelle explicite 34 /35 Résultat de RETIN pour 2 annotations positives, 2 annotations négatives

35 CBIR système : franchir le fossé sémantique 35 /35

Documents pareils

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé