Ontology Based Object Learning and Recognition - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2005

Ontology Based Object Learning and Recognition

Résumé

This thesis deals with the problem of complex object recognition. The proposed approach takes place in the conceptual framework of cognitive vision. This thesis shows how an object categorization system is set up in three phases.
The knowledge acquisition phase consists of acquiring domain knowledge as a taxonomy/partonomy of domain classes. It also consists of acquiring the visual description of these domain classes. This description is driven by a visual concept ontology composed of several types of concepts (spatial concepts and relations, color concepts and texture concepts). Each visual concept of the ontology is associated with low-level features and algorithms. The visual concept ontology stands as a user-friendly interface between expert knowledge and image processing level.
The learning phase results in a set of visual concept detectors. The role of a visual concept detector is to detect visual concepts used during knowledge acquisition in any image. A visual concept detector is obtained by training Support Vectors Machines with features extracted in segmented image samples labeled by visual concepts.
The categorization phase uses both the acquired domain knowledge and the visual concept detectors obtained during the learning phase. Domain knowledge is used to generate hypotheses which have to be verified in the image by visual concept detection in automatically segmented images. The categorization result is composed of the objects recognized in the image with their visual description.
The approach has been applied to the problem of semantic image indexing and retrieval.
Cette thèse se place dans le cadre du problème de la reconnaissance d'objets et plus généralement dans celui de la vision cognitive. L'approche proposée se décompose en trois phases principales:
Une phase d'acquisition de connaissances qui consiste à acquérir la connaissance d'un domaine d'application sous la forme d'une hiérarchie de classes d'objets et de sous-parties.
Il s'agit également de décrire ces classes du domaine en termes de concepts visuels (forme, texture, couleur, relations spatiales) fournis par une ontologie. Chaque concept visuel de cette ontologie étant associé à des descripteurs bas niveau, le fossé sémantique est réduit de manière conviviale pour un expert.
La phase d'apprentissage consiste, à partir d'images d'exemples segmentées et labellisées, à obtenir un ensemble de détecteurs de concepts visuels. Ces détecteurs sont obtenus par l'entrainement de Support Vector Machines avec les descripteurs numériques extraits dans les images d'exemples segmentées et labellisées par des concepts visuels.
La phase de catégorisation utilise la connaissance acquise ainsi que les détecteurs de concepts visuels obtenus lors de la phase d'apprentissage. La connaissance sert à générer des hypothèses qui doivent être vérifiées dans l'image à interpréter. Cette vérification consiste à détecter des concepts visuels dans l'image segmentée automatiquement. Le résultat de la catégorisation est exprimé en termes de classes du domaine mais aussi en termes de concepts visuels.
L'approche proposée a notamment été utilisée été utilisée pour l'indexation et la recherche sémantique d'images.
Fichier principal
Vignette du fichier
PhD_Nicolas_Maillot.pdf (5.72 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00327542 , version 1 (08-10-2008)

Identifiants

  • HAL Id : tel-00327542 , version 1

Citer

Nicolas Maillot. Ontology Based Object Learning and Recognition. Interface homme-machine [cs.HC]. Université Nice Sophia Antipolis, 2005. Français. ⟨NNT : ⟩. ⟨tel-00327542⟩

Collections

INRIA INRIA2
284 Consultations
1037 Téléchargements

Partager

Gmail Facebook X LinkedIn More