Mon compte
Ma liste - 0
Catalogue
Ressources numériques
Nouveautés
Liens utiles
Mon compte
Recherche rapide
Recherche avancée
Recherche alphabétique
Historique
Information
Recherche
Auteur
Titre
Sujet
Titre de revue
Collection
Cotes BU
Cotes ENSEA
Cotes IUFM
Modifier la recherche
>
CERGY
Elargir la recherche
Sur le même sujet :
Intelligence artificielle
Thèses et écrits académiques
Parcourir le catalogue
par auteur:
Jacob , Pierre , 1993-....
Histace , Aymeric , 1977-.... , chercheur en informatique
Cord , Matthieu , 19..-....
Jégou , Hervé , 1976-....
Larlus , Diane , 1982-....
Vincent , Nicole , 1956-...
Picard , David , 1982-.... , chercheur en informatique
Klein , Édouard
CY Cergy Paris Université , 2020-....
École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise
Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise
Affichage MARC
Auteur :
Jacob , Pierre , 1993-....
Histace , Aymeric , 1977-.... , chercheur en informatique
Cord , Matthieu , 19..-....
Jégou , Hervé , 1976-....
Larlus , Diane , 1982-....
Vincent , Nicole , 1956-...
Picard , David , 1982-.... , chercheur en informatique
Klein , Édouard
CY Cergy Paris Université , 2020-....
École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise
Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise
Titre :
Statistiques d'ordres élevés pour la représentation des images en apprentissage de distance , Pierre Jacob ; sous la direction de Aymeric Histace
Editeur :
2020
Notes :
Titre provenant de l'écran-titre
Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
Partenaire(s) de recherche : Equipes Traitement de l'Information et Systèmes (Cergy-Pontoise) (Laboratoire)
Autre(s) contribution(s) : Aymeric Histace, Ondrej Chum, Matthieu Cord, Hervé Jégou, Diane Larlus, Nicole Vincent, David Picard, Édouard Klein (Membre(s) du jury) ; Ondrej Chum, Matthieu Cord (Rapporteur(s))
Thèse de doctorat STIC (Sciences et Technologies de l'Information et de la Communication) - ED EM2PSI CY Cergy Paris Université 2020
Un défi majeur de l'intelligence artificielle est l'apprentissage de représentations, ou descripteurs, sur lesquels des algorithmes de reconnaissance peuvent être utilisés afin de résoudre une tâche spécifique (reconnaissance d'objets ou de scènes, annotation de vidéos, etc.). En apprenant des représentations riches, c'est-à-dire qui encodent les informations pertinentes par rapport à la tâche donnée, les performances de la majorité des algorithmes de reconnaissance peuvent être fortement améliorées. La difficulté majeure de l'apprentissage de telles représentations repose sur la grande dimensionnalité des données d'entrée et sur le manque de connaissance a priori des caractéristiques pertinentes à encoder.Dans cette thèse, nous abordons l’apprentissage de représentations d'images pour la tâche de recherche d'images basée sur le contenu visuel en apprentissage de distance. Ces représentations doivent être de faible dimension afin de réduire l’utilisation mémoire, le coût en calculs et afin d'accélérer la recherche. Elles doivent également encoder les informations pertinentes pour la recherche d’images.Nous apportons les contributions suivantes : Premièrement, nous présentons trois représentations d'images qui tirent parti de l'apprentissage de dictionnaires ainsi que des matrices de covariance ou des mécanismes d'attention afin de produire des représentations plus riches. Deuxièmement, nous proposons deux améliorations de l'entraînement : une méthode qui génère des exemples difficiles pour reprendre l'entraînement lorsque l’échantillonnage aléatoire des examples pertinents devient trop complexe, et une méthode de régularisation qui améliore la robustesse des descripteurs locaux pour différentes représentations. Nous montrons empiriquement que les stratégies proposées améliorent considérablement les méthodes de base et donnent des résultats plus élevés que la plupart des méthodes actuelles.
An important challenge in artificial intelligence is the learning of useful data representations, or features, on which recognition algorithms can be used in order to solve a specific task (object or scene recognition, video annotation, etc.). By learning rich representations, that is, which encode the relevant information with respect to the given task, performances of the majority of recognition algorithms can be highly improved. The major difficulty in learning such representations rests on the high dimensionality of the input data, and the lack of prior knowledge about the relevant patterns that should be encoded.In this thesis, we particularly focus on image representation for the task of content-based image retrieval using the deep metric learning framework. These representations must be low-dimensional in order to reduce the memory storage, the computation cost, and to speed-up the search. Also, they should encode useful information in order to be able to retrieve the most relevant images from the database.We make the following contributions to alleviate the aforementioned issues:First, we present three image representations that leverage dictionary learning in order to produce richer representation along with covariance matrices or attention mechanisms. Second, we propose two improvements during the training: a method that generates hard examples to resume the training, and a regularization that improves the robustness of the local features for a variety of representations. We empirically show that the proposed strategies significantly improve baseline methods and provide stronger results than most of the state-of-the-art methods.
Configuration requise : un logiciel capable de lire un fichier au format : PDF
URL:
(Accès au texte intégral)
http://www.theses.fr/2020CYUN1100/document
http://www.theses.fr/2020CYUN1100/abes
Sujet :
Intelligence artificielle
Thèses et écrits académiques
Exemplaires
Pas de données exemplaires
Pour toute question,
contactez la bibliothèque
Horizon Information Portal 3.25_france_v1m© 2001-2019
SirsiDynix
Tous droits réservés.