Differences

This shows you the differences between two versions of the page.

--- public:seminars_manifestations [2016/11/07 08:10]
fmichel
+++ public:seminars_manifestations [2016/11/22 09:28]
fmichel
@@ Line 51: / Line 51: @@
 ===== Soutenances =====
+==== PhD Thesis Defense - Romaric Pighetti ====
+''Salle de conférence I3S, bâtiment Euclide B, Algorithmes. 28/11/2016 15h''
+=== Abstract ===
+**Title:  Hybrid Method for Fine-Grained Content Based Image Retrieval**
+Given the ever growing amount of visual content available on the Internet, the need for systems able to search through this content has grown.
+Content based image retrieval systems have been developed to address this need.
+But with the growing size of the databases, new challenges arise.
+In this thesis, the fine grained classification problem is studied in particular.
+It is first shown that existing techniques, and in particular the support vector machines which are one of the best image classification technique, have some difficulties in solving this problem.
+They often lack of exploration in their process.
+Then, evolutionary algorithms are considered to solve the problem, for their balance between exploration and exploitation.
+But their performances are not good enough either.
+Finally, an hybrid system combining an evolutionary algorithm and a support vector machine is proposed.
+This system uses the evolutionary algorithm to iteratively feed the support vector machine with training samples.
+The experiments conducted on Caltech-256, a state of the art database containing around 30 000 images, show very encouraging results.
+**Keywords**: CBIR, Evolutionary Algorithm, SVM, Fine Grained Classification
+=== Résumé ===
+**Titre : Une méthode hybride pour la classification d'images à grain fin**
+La quantité d'images disponible sur Internet ne fait que croître, engendrant un besoin d'algorithmes permettant de fouiller ces images et retrouver de l'information.
+Les systèmes de recherche d'images par le contenu ont été développées dans ce but.
+Mais les bases de données grandissant, de nouveaux défis sont apparus.
+Dans cette thèse, la classification à grain fin est étudiée en particulier.
+Elle consiste à séparer des images qui sont relativement semblables visuellement mais représentent différents concepts, et à regrouper des images qui sont différentes visuellement mais représentent le même concept.
+Il est montré dans un premier temps que les techniques classiques de recherche d'images par le contenu rencontrent des difficultés à effectuer cette tâche.
+Même les techniques utilisant les machines à vecteur de support (SVM), qui sont très performants pour la classification, n'y parviennent pas complètement.
+Ces techniques n'explorent souvent pas assez l'espace de recherche pour résoudre ce problème.
+D'autres méthodes, comme les algorithems evolutionnaires sont également étudiées pour leur capacité à identifier des zones intéressantes de l'espace de recherche en un temps raisonnable.
+Toutefois, leurs performances restent encore limitées.
+Par conséquent, l'apport de la thèse consiste à proposer un système hybride combinant un algorithme évolutionnaire et un SVM a finalement été développé.
+L'algorithme évolutionnaire est utilisé pour construire itérativement un ensemble d'apprentissage pour le SVM.
+Ce système est évalué avec succès sur la base de données Caltech-256 contenant envieront 30 000 images réparties en 256 catégories.
+**Mots clés** : Recherche d'images par le contenu, machine à vecteur de support, algorithmes évolutionnaires, classification fine
 ==== PhD Thesis Defense - Zide Meng ====