Analyse de scènes naturelles par Composantes Indépendantes
Résumé
In this thesis, Independent Component Analysis (ICA) is used to compute features extracted from natural images. The use of ICA is justified in the context of classification of natural images for two reasons. On the one hand the model of image suggests that the underlying statistical principles may be the same as those that determine the structure of the visual cortex. As a consequence, the filters that ICA produces are adapted to the statistics of natural images. On the other hand, we adopt a non-parametric approach that requires density estimation in many dimensions, and independence between features appears as a solution to overthrow the “curse of dimensionality”. In parallel, we have conducted a psychophysical experiment to determine a human perception space in which we have identified perceptive categories. These categories and the distances between images are emphasised by analysing the human response similarities with a non-linear multidimensional scaling technique. Analysis of the results allows us to appreciate the influence of colour and put into relief perceptive asymmetries.
De nombreuses études montrent que les détecteurs corticaux pourraient résulter de l'application d'un principe de réduction de redondance par indépendance statistique de leurs activités. L'analyse en Composantes Indépendantes est utilisée ici pour générer ces détecteurs, puis leurs performances sont analysées en terme de codage et de description pour catégoriser des images sémantiquement. La propriété d'indépendance statistique permet notamment de vaincre la « malédiction de la dimension » dans un contexte de classification d'images. Un second volet concerne la sémantique des images et la perception visuelle. Des sujets humains sont confrontés à des séries d'expérimentation, captant leur jugement de similarités visuelles, afin de pouvoir identifier les catégories sémantiques, d'apprécier l'apport de modalités perceptives comme la chrominance versus la luminance, et de mettre en évidence des asymétries perceptives.
Loading...