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 :
Vidéo numérique
Reconnaissance des formes (informatique)
Vision par ordinateur
Traitement d'images
Thèses et écrits académiques
Parcourir le catalogue
par auteur:
Zhao , Shuji
Precioso , Frédéric , 1974-.... , professeur des universités
Cord , Matthieu , 19..-....
Philipp-Foliguet , Sylvie , 1954-....
Pérez , Patrick , 1968-.... , informaticien
Riccardo , Leonardi
Vincent , Nicole , 1956-...
Laptev , Ivan , 1974-....
Université de Cergy-Pontoise , 1991-2019
École doctorale Sciences et ingénierie , Cergy-Pontoise, Val d'Oise
Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise
Affichage MARC
Auteur :
Zhao , Shuji
Precioso , Frédéric , 1974-.... , professeur des universités
Cord , Matthieu , 19..-....
Philipp-Foliguet , Sylvie , 1954-....
Pérez , Patrick , 1968-.... , informaticien
Riccardo , Leonardi
Vincent , Nicole , 1956-...
Laptev , Ivan , 1974-....
Université de Cergy-Pontoise , 1991-2019
École doctorale Sciences et ingénierie , Cergy-Pontoise, Val d'Oise
Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise
Titre :
Catégorisation par le contenu sémantique d'objets vidéo : recherche et reconnaissance d'acteurs dans les films , Shuji Zhao ; sous la direction de Frédéric Precioso et de Matthieu Cord et de Sylvie Philipp-Foliguet
Editeur :
2011
Notes :
Titre provenant de l'écran-titre
Ecole(s) Doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)
Partenaire(s) de recherche : Equipes Traitement de l'Information et Systèmes (Cergy-Pontoise) (Laboratoire)
Autre(s) contribution(s) : Frédéric Precioso, Matthieu Cord, Sylvie Philipp-Foliguet, Nicole Vincent, Ivan Laptev (Membre(s) du jury) ; Patrick Pérez, Leonardi Riccardo (Rapporteur(s))
Thèse de doctorat STIC (sciences et technologies de l'information et de la communication) Cergy-Pontoise 2011
Dans cette thèse, nous proposons un nouveau système de recherche par le contenu de catégories sémantiques d'objets vidéo.A partir des séquences vidéo, nous détectons et extrayons les régions contenant le même objet (visage d'une personne, un modèle de voiture, etc.) au cours d'un plan-séquence. A partir de ce volume, appelé Track, nous extrayons un ensemble de caractéristiques visuelles spatio-temporellement cohérentes qui forme ainsi un Tube Spatio-Temporel représentant l'objet.Pour évaluer la similarité entre Tubes Spatio-Temporels, nous concevons des fonctions noyaux dédiées. À partir de ces noyaux, nous proposons des stratégies d'apprentissage supervisé et interactif, intégrées dans un cadre Machine à Vecteurs de Supports.Notre approche est évaluée sur des bases de données de films réels. Elle surpasse les méthodes de l'état de l'art pour la reconnaissance d'acteurs multi-classes. Notre méthode est également testée pour la recherche interactive d'un acteur dans une base de vidéo et sur une base de données de voitures, illustrant ainsi la généricité de la méthode et ses possibles extensions à tout type d'objets vidéo.
In this thesis, we propose a new video object retrieval and recognition system based on visual content.From video sequences, we detect, then extract video objects such as face and car, and define the continuous content made of regions containing this object in successive frames. From this volume, called Track, we extract spatio-temporally consistent visual features to define the video object representation: Spatio-Temporal Tube.To evaluate the similarity between complex tube objects, we design a Spatio-Temporal Tube Kernel (STTK) function. Based on this kernel similarity we present both supervised and active learning strategies embedded in Support Vector Machine framework. Additionally, we propose a multi-class classification framework dealing with highly unbalanced datasets.Our approach is successfully evaluated on real movie databases. Our machine learning approach outperforms the state of the art methods for multi-class actor recognition. Our method is also evaluated for actor retrieval task and on a car database showing hence promising results for car identification task and the potential of extension to any category of video objects.
Configuration requise : un logiciel capable de lire un fichier au format : PDF
URL:
(Accès au texte intégral)
http://www.theses.fr/2011CERG0511/document
http://www.theses.fr/2011CERG0511/abes
Sujet :
Vidéo numérique
Reconnaissance des formes (informatique)
Vision par ordinateur
Traitement d'images
Thèses et écrits académiques
Exemplaires
Pas de données exemplaires
Pour toute question,
contactez la bibliothèque
Horizon Information Portal 3.0© 2001-2019
SirsiDynix
Tous droits réservés.