Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision | Next revision Both sides next revision | ||
public:seminars_manifestations [2016/11/07 08:10] fmichel |
public:seminars_manifestations [2016/11/22 09:28] fmichel |
||
---|---|---|---|
Line 51: | Line 51: | ||
===== Soutenances ===== | ===== 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 ==== | ==== PhD Thesis Defense - Zide Meng ==== |