Dissertations / Theses on the topic 'Illustrations – classification'

Les travaux effectués dans le cadre de cette thèse portent sur la classification automatique des images numériques en fonction de leur contenu visuel. L'objectif est d'assigner à une image de test une identité parmi celles d'un ensemble de catégories connues. Pour cela, on cherche à extraire un ensemble de signatures visuelles parcimonieuses, qui lui soit spécifique, puis à sélectionner et structurer l'information discriminante, avant de proposer une classification adaptée à leur nature et à l'application visée. De nombreuses méthodes ont été proposées dans la littérature pour décrire le contenu visuel des images. Parmi les plus efficaces, on compte les techniques d'extraction de points d'intérêt et de descriptions des singularités locales. Ce travail reprend ce principe et propose de nouvelles techniques de sélection et de fusion de signatures locales, basées sur l'analyse de cartes de neurones auto-organisatrices. Un nouveau support de l'information du contenu visuel est alors proposé comme étant l'activation d'un modèle neuronal multimodal. Les méthodes proposées permettent de se focaliser sur les éléments spécifiques d'une catégorie, vis-à-vis des autres catégories en compétition. Elles permettent ainsi une certaine robustesse aux changements de prises de vue, aux variations d'illumination et aux occultations partielles. Les techniques proposées sont évaluées et comparées aux approches usuelles selon des protocoles expérimentaux rigoureux. Les résultats ainsi obtenus montrent les très bonnes performances des approches introduites dans les domaines de la classification d'images, de la reconnaissance de visages et du filtrage de contenus tendancieux
This thesis is concerned with automatic classification. The objective is to assign an identity to a test image among a set of known category. The underlying approach aim at extracting a specific set of parsimonious visual signatures, then selecting and melting discriminative information, before designing a classification scheme adapted to the context. Many methods have been proposed in order to describe visual content. One of the most effective is based on points of interest extraction and local singularity description. In the thesis, this principle is used to define next local signature and combination, based on self-organizing neural maps. A novel image information support s then proposed, being the activation of a multimodal neural model. The proposed methods focus on specific elements of one image class versus the other categories. It permits robustness to viewpoint changes, illumination variations and partial occlusions. The proposed techniques are evaluated and compared to usual methods using various international databases. These experiments show the effectiveness of the proposed approaches, in particular, in the domains of image classification, face recognition and objectionable content exclusion

In the context of Content-Based Image Retrieval, we have been interested in methods to summarize and to help browsing in the image databases. We have developed an unsupervised lassification method which allows to categorize the feature space to group visually similar images. By defining a new competitive agglomeration objective function in which competition is made adaptive to the cluster densities, ARC (Adaptive Robust Competition) is able to deal with the following issues:* estimate automatically the number of clusters,* handle noisy data, * cope with various classe densities nd shapes. In a second step, we have refined the categories with a supervised classification based on the support vector machine (SVM) method. It provides the user with the ability to give feedback on the relevance of the cluster frontiers obtained by our unsupervised method
Dans le cadre de la recherche d'images par le contenu, nous nous sommes intéressés aux méthodes de résumé et d'aide à la navigation pour les bases d'images. Nous avons développé une méthode de classification non-exclusive capable de catégoriser l'espace de description des images pour regrouper les images d'apparences visuelles similaires. En définissant une nouvelle fonction de Compétition Agglomérative où la compétition s'adapte à la densité des atégories, l'algorithme ARC (Adaptive Robust Competition) permet de résoudre les difficultés suivantes : * déterminer automatiquement le nombre de classes,* gérer les données bruitées diffuses,* prendre en compte les densités et les formes variables des classes. Dans un deuxième temps, nous permettons à l'utilisateur de contrôler la pertinence des classes obtenues. Un apprentissage basé sur une machine à vecteurs de support permet de personnaliser les classes d'images

Cette étude s'inscrit dans un projet multidisciplinaire sur le thème de l'indexation de séquences audiovisuelles, en particulier dans le cadre des archives de télévision. L'objectif était de permettre des recherches dans les bases de documents audiovisuels, comme les archives de télévision, en se fondant sur le contenu sémantique et visuel des vidéos. Dans ce cadre, nous proposons des outils semi-automatiques d'analyse d'image en vue d'assister la tâche du documentaliste chargé de l'indexation. Ainsi, nous avons expérimenté une méthode d'analyse du mouvement dans le but de simplifier la tâche d'indexation des objets présents dans la vidéo. Notre approche se fonde sur le suivi de primitives appelées points d'intérêt, à l'aide d'une méthode de type multi-hypothèses. Nous avons tout d'abord donné un aperçu de l'importance actuelle des bases audiovisuelles. Nous avons ensuite considéré le rôle que l'analyse d'image peut jouer dans le domaine de l'indexation selon le double aspect du contenu des vidéos, visuel et sémantique. Dans ce cadre, nous avons identifié quelles étaient les diverses applications de l'analyse du mouvement. Concernant notre approche, une expérimentation préalable nous a permis de vérifier la stabilité des points d'intérêt dans des vidéos compressées. L'expérimentation principale a porté simultanément sur le suivi et la détection des points d'intérêt. Nous avons évalué notre approche dans la perspective de l'assistance à l'indexation des objets, en utilisant des séquences réelles issues d'archives de télévision. Nous nous sommes intéressés d'une part à la question du paramétrage de l'algorithme de suivi, pour déterminer s'il pouvait être utilisé par des non spécialistes, et d'autre part à la répartition des points d'intérêt dans l'image, qui est apparue très importante pour pouvoir détecter les principaux objets présents. Enfin, nous avons considéré l'intégration des outils d'analyse d'image dans un système d'indexation complet, en particulier du point de vue de l'interaction avec le documentaliste.

Lors de l’apprentissage d’un modèle de classification pour un nouveau domaine cible avec seulement une petite quantité d’échantillons de formation, l’application des algorithmes d’apprentissage automatiques conduit généralement à des classifieurs surdimensionnés avec de mauvaises compétences de généralisation. D’autre part, recueillir un nombre suffisant d’échantillons de formation étiquetés manuellement peut s’avérer très coûteux. Les méthodes de transfert d’apprentissage visent à résoudre ce type de problèmes en transférant des connaissances provenant d’un domaine source associé qui contient beaucoup plus de données pour faciliter la classification dans le domaine cible. Selon les différentes hypothèses sur le domaine cible et le domaine source, l’apprentissage par transfert peut être classé en trois catégories: apprentissage par transfert inductif, apprentissage par transfert transducteur (adaptation du domaine) et apprentissage par transfert non surveillé. Nous nous concentrons sur le premier qui suppose que la tâche cible et la tâche source sont différentes mais liées. Plus précisément, nous supposons que la tâche cible et la tâche source sont des tâches de classification, tandis que les catégories cible et les catégories source sont différentes mais liées. Nous proposons deux méthodes différentes pour aborder ce problème. Dans le premier travail, nous proposons une nouvelle méthode d’apprentissage par transfert discriminatif, à savoir DTL(Discriminative Transfer Learning), combinant une série d’hypothèses faites à la fois par le modèle appris avec les échantillons de cible et les modèles supplémentaires appris avec des échantillons des catégories sources. Plus précisément, nous utilisons le résidu de reconstruction creuse comme discriminant de base et améliore son pouvoir discriminatif en comparant deux résidus d’un dictionnaire positif et d’un dictionnaire négatif. Sur cette base, nous utilisons des similitudes et des dissemblances en choisissant des catégories sources positivement corrélées et négativement corrélées pour former des dictionnaires supplémentaires. Une nouvelle fonction de coût basée sur la statistique de Wilcoxon-Mann-Whitney est proposée pour choisir les dictionnaires supplémentaires avec des données non équilibrées. En outre, deux processus de Boosting parallèles sont appliqués à la fois aux distributions de données positives et négatives pour améliorer encore les performances du classificateur. Sur deux bases de données de classification d’images différentes, la DTL proposée surpasse de manière constante les autres méthodes de l’état de l’art du transfert de connaissances, tout en maintenant un temps d’exécution très efficace. Dans le deuxième travail, nous combinons le pouvoir du transport optimal (OT) et des réseaux de neurones profond (DNN) pour résoudre le problème ITL. Plus précisément, nous proposons une nouvelle méthode pour affiner conjointement un réseau de neurones avec des données source et des données cibles. En ajoutant une fonction de perte du transfert optimal (OT loss) entre les prédictions du classificateur source et cible comme une contrainte sur le classificateur source, le réseau JTLN (Joint Transfer Learning Network) proposé peut effectivement apprendre des connaissances utiles pour la classification cible à partir des données source. En outre, en utilisant différents métriques comme matrice de coût pour la fonction de perte du transfert optimal, JTLN peut intégrer différentes connaissances antérieures sur la relation entre les catégories cibles et les catégories sources. Nous avons effectué des expérimentations avec JTLN basées sur Alexnet sur les jeux de données de classification d’image et les résultats vérifient l’efficacité du JTLN proposé. A notre connaissances, ce JTLN proposé est le premier travail à aborder ITL avec des réseaux de neurones profond (DNN) tout en intégrant des connaissances antérieures sur la relation entre les catégories cible et source
When learning a classification model for a new target domain with only a small amount of training samples, brute force application of machine learning algorithms generally leads to over-fitted classifiers with poor generalization skills. On the other hand, collecting a sufficient number of manually labeled training samples may prove very expensive. Transfer Learning methods aim to solve this kind of problems by transferring knowledge from related source domain which has much more data to help classification in the target domain. Depending on different assumptions about target domain and source domain, transfer learning can be further categorized into three categories: Inductive Transfer Learning, Transductive Transfer Learning (Domain Adaptation) and Unsupervised Transfer Learning. We focus on the first one which assumes that the target task and source task are different but related. More specifically, we assume that both target task and source task are classification tasks, while the target categories and source categories are different but related. We propose two different methods to approach this ITL problem. In the first work we propose a new discriminative transfer learning method, namely DTL, combining a series of hypotheses made by both the model learned with target training samples, and the additional models learned with source category samples. Specifically, we use the sparse reconstruction residual as a basic discriminant, and enhance its discriminative power by comparing two residuals from a positive and a negative dictionary. On this basis, we make use of similarities and dissimilarities by choosing both positively correlated and negatively correlated source categories to form additional dictionaries. A new Wilcoxon-Mann-Whitney statistic based cost function is proposed to choose the additional dictionaries with unbalanced training data. Also, two parallel boosting processes are applied to both the positive and negative data distributions to further improve classifier performance. On two different image classification databases, the proposed DTL consistently out performs other state-of-the-art transfer learning methods, while at the same time maintaining very efficient runtime. In the second work we combine the power of Optimal Transport and Deep Neural Networks to tackle the ITL problem. Specifically, we propose a novel method to jointly fine-tune a Deep Neural Network with source data and target data. By adding an Optimal Transport loss (OT loss) between source and target classifier predictions as a constraint on the source classifier, the proposed Joint Transfer Learning Network (JTLN) can effectively learn useful knowledge for target classification from source data. Furthermore, by using different kind of metric as cost matrix for the OT loss, JTLN can incorporate different prior knowledge about the relatedness between target categories and source categories. We carried out experiments with JTLN based on Alexnet on image classification datasets and the results verify the effectiveness of the proposed JTLN in comparison with standard consecutive fine-tuning. To the best of our knowledge, the proposed JTLN is the first work to tackle ITL with Deep Neural Networks while incorporating prior knowledge on relatedness between target and source categories. This Joint Transfer Learning with OT loss is general and can also be applied to other kind of Neural Networks

Ces travaux de recherche ont pour ambition de contribuer à la problématique de la classification d’images de documents. Plus précisément, ces travaux tendent à répondre aux problèmes rencontrés par des sociétés de numérisation dont l’objectif est de mettre à disposition de leurs clients une version numérique des documents papiers accompagnés d’informations qui leurs sont relatives. Face à la diversité des documents à numériser, l’extraction d’informations peut s’avérer parfois complexe. C’est pourquoi la classification et l’indexation des documents sont très souvent réalisées manuellement. Ces travaux de recherche ont permis de fournir différentes solutions en fonction des connaissances relatives aux images que possède l’utilisateur ayant en charge l’annotation des documents.Le premier apport de cette thèse est la mise en place d’une méthode permettant, de manière interactive, à un utilisateur de classer des images de documents dont la nature est inconnue. Le second apport de ces travaux est la proposition d’une technique de recherche d’images de documents par l’exemple basée sur l’extraction et la mise en correspondance de points d’intérêts. Le dernier apport de cette thèse est l’élaboration d’une méthode de classification d’images de documents utilisant les techniques de sacs de mots visuels
The aim of this research is to contribute to the document image classification problem. More specifically, these studies address digitizing company issues which objective is to provide the digital version of paper document with information relating to them. Given the diversity of documents, information extraction can be complex. This is why the classification and the indexing of documents are often performed manually. This research provides several solutions based on knowledge of the images that the user has. The first contribution of this thesis is a method for classifying interactively document images, where the content of documents and classes are unknown. The second contribution of this work is a new technique for document image retrieval by giving one example of researched document. This technique is based on the extraction and matching of interest points. The last contribution of this thesis is a method for classifying document images by using bags of visual words techniques

Les avancées récentes en apprentissage profond et en traitement d'image présentent l'opportunité d'unifier ces deux champs de recherche complémentaires pour une meilleure résolution du problème de classification d'images dans des catégories sémantiques. L'apprentissage profond apporte au traitement d'image le pouvoir de représentation nécessaire à l'amélioration des performances des méthodes de classification d'images. Cette thèse propose de nouvelles méthodes d'apprentissage de représentations visuelles profondes pour la résolution de cette tache. L'apprentissage profond a été abordé sous deux angles. D'abord nous nous sommes intéressés à l'apprentissage non supervisé de représentations latentes ayant certaines propriétés à partir de données en entrée. Il s'agit ici d'intégrer une connaissance à priori, à travers un terme de régularisation, dans l'apprentissage d'une machine de Boltzmann restreinte (RBM). Nous proposons plusieurs formes de régularisation qui induisent différentes propriétés telles que la parcimonie, la sélectivité et l'organisation en structure topographique. Le second aspect consiste au passage graduel de l'apprentissage non supervisé à l'apprentissage supervisé de réseaux profonds. Ce but est réalisé par l'introduction sous forme de supervision, d'une information relative à la catégorie sémantique. Deux nouvelles méthodes sont proposées. Le premier est basé sur une régularisation top-down de réseaux de croyance profonds à base de RBMs. Le second optimise un cout intégrant un critre de reconstruction et un critre de supervision pour l'entrainement d'autoencodeurs profonds. Les méthodes proposées ont été appliquées au problme de classification d'images. Nous avons adopté le modèle sac-de-mots comme modèle de base parce qu'il offre d'importantes possibilités grâce à l'utilisation de descripteurs locaux robustes et de pooling par pyramides spatiales qui prennent en compte l'information spatiale de l'image. L'apprentissage profonds avec agrÉgation spatiale est utilisé pour apprendre un dictionnaire hiÉrarchique pour l'encodage de reprÉsentations visuelles de niveau intermÉdiaire. Cette mÉthode donne des rÉsultats trs compétitifs en classification de scènes et d'images. Les dictionnaires visuels appris contiennent diverses informations non-redondantes ayant une structure spatiale cohérente. L'inférence est aussi très rapide. Nous avons par la suite optimisé l'étape de pooling sur la base du codage produit par le dictionnaire hiérarchique précédemment appris en introduisant introduit une nouvelle paramétrisation dérivable de l'opération de pooling qui permet un apprentissage par descente de gradient utilisant l'algorithme de rétro-propagation. Ceci est la premire tentative d'unification de l'apprentissage profond et du modèle de sac de mots. Bien que cette fusion puisse sembler évidente, l'union de plusieurs aspects de l'apprentissage profond de représentations visuelles demeure une tache complexe à bien des égards et requiert encore un effort de recherche important
Recent advancements in the areas of deep learning and visual information processing have presented an opportunity to unite both fields. These complementary fields combine to tackle the problem of classifying images into their semantic categories. Deep learning brings learning and representational capabilities to a visual processing model that is adapted for image classification. This thesis addresses problems that lead to the proposal of learning deep visual representations for image classification. The problem of deep learning is tackled on two fronts. The first aspect is the problem of unsupervised learning of latent representations from input data. The main focus is the integration of prior knowledge into the learning of restricted Boltzmann machines (RBM) through regularization. Regularizers are proposed to induce sparsity, selectivity and topographic organization in the coding to improve discrimination and invariance. The second direction introduces the notion of gradually transiting from unsupervised layer-wise learning to supervised deep learning. This is done through the integration of bottom-up information with top-down signals. Two novel implementations supporting this notion are explored. The first method uses top-down regularization to train a deep network of RBMs. The second method combines predictive and reconstructive loss functions to optimize a stack of encoder-decoder networks. The proposed deep learning techniques are applied to tackle the image classification problem. The bag-of-words model is adopted due to its strengths in image modeling through the use of local image descriptors and spatial pooling schemes. Deep learning with spatial aggregation is used to learn a hierarchical visual dictionary for encoding the image descriptors into mid-level representations. This method achieves leading image classification performances for object and scene images. The learned dictionaries are diverse and non-redundant. The speed of inference is also high. From this, a further optimization is performed for the subsequent pooling step. This is done by introducing a differentiable pooling parameterization and applying the error backpropagation algorithm. This thesis represents one of the first attempts to synthesize deep learning and the bag-of-words model. This union results in many challenging research problems, leaving much room for further study in this area

L'intelligence artificielle connait une résurgence ces dernières années. En cause, la capacité croissante à rassembler et à stocker un nombre considérable de données digitalisées. Ces immenses bases de données permettent aux algorithmes de machine learning de répondre à certaines tâches par apprentissage supervisé. Parmi les données digitalisées, les images demeurent prépondérantes dans l’environnement moderne. D'immenses datasets ont été constitués. De plus, la classification d'image a permis l’essor de modèles jusqu'alors négligés, les réseaux de neurones profonds ou deep learning. Cette famille d'algorithmes démontre une grande facilité à apprendre parfaitement des datasets, même de très grande taille. Leurs capacités de généralisation demeure largement incomprise, mais les réseaux de convolutions sont aujourd'hui l'état de l'art incontesté. D'un point de vue recherche et application du deep learning, les demandes vont être de plus en plus exigeantes, nécessitant de fournir un effort pour porter les performances des réseaux de neurone au maximum de leurs capacités. C'est dans cet objectif que se place nos recherches dont les contributions sont présentées dans cette thèse. Nous nous sommes d'abord penchés sur la question de l'entrainement et avons envisagé d’accélérer celui ci grâce à des méthodes distribuées. Nous avons ensuite étudié les architectures dans le but de les améliorer sans toutefois trop augmenter leurs complexités. Enfin nous avons particulièrement étudié la régularisation de l'entrainement des réseaux. Nous avons envisagé un critère de régularisation basée sur la théorie de l'information que nous avons déployé de deux façons différentes
Artificial intelligence is experiencing a resurgence in recent years. This is due to the growing ability to collect and store a considerable amount of digitized data. These huge databases allow machine learning algorithms to respond to certain tasks through supervised learning. Among the digitized data, images remain predominant in the modern environment. Huge datasets have been created. moreover, the image classification has allowed the development of previously neglected models, deep neural networks or deep learning. This family of algorithms demonstrates a great facility to learn perfectly datasets, even very large. Their ability to generalize remains largely misunderstood, but the networks of convolutions are today the undisputed state of the art. From a research and application point of view of deep learning, the demands will be more and more demanding, requiring to make an effort to bring the performances of the neuron networks to the maximum of their capacities. This is the purpose of our research, whose contributions are presented in this thesis. We first looked at the issue of training and considered accelerating it through distributed methods. We then studied the architectures in order to improve them without increasing their complexity. Finally, we particularly study the regularization of network training. We studied a regularization criterion based on information theory that we deployed in two different ways

Les progrès de la recherche et de la prise en charge des maladies neuromusculaires de l’enfance ont prolongé la survie des patients. L’évaluation s’impose donc pour le suivi des patients et aussi en recherche clinique car les premiers essais cliniques tant attendus commencent à paraître. Une métrologie rigoureuse et adaptée est alors indispensable parce qu'il n'est possible ni de se contenter d’une quantification approximative ni d'utiliser des outils non adaptés à des pathologies évolutives. Nous résumons l’état des connaissances sur la métrologie appliquée à l’évaluation fonctionnelle motrice des patients atteints de maladies neuromusculaires et proposons une revue de la littérature sur les outils disponibles avec des analyses précises de leurs propriétés métrologiques. La Mesure de Fonction Motrice, développée à partir de 1998, présente des qualités intéressantes en termes de validité et de fiabilité. Nous avons analysé sa sensibilité au changement dans différentes populations de patients adultes et enfants. Nous proposons ensuite, une classification en grades de sévérité d’atteinte fonctionnelle motrice, le NM-score. Les études de validation ont confirmé son intérêt, sa facilité d'utilisation, sa validité et sareproductibilité. Le NM-Score permet de décrire précisément et de façon discriminante les patients en termes de fonction motrice pour la position debout et les transferts, la motricité axiale ou proximale et la motricité distale. S’intéresser à l’évaluation et à la mesure en médecine, c’est faire preuve d’une rigueur indispensable aux décisions de soins touchant des personnes vulnérables aux besoins spécifiques
Advances in the research and treatment of childhood neuromuscular diseases have led to longer patient survivals. Evaluation is thus required not only in clinical practice for patient follow-up but also in medical research because the results of long-awaited clinical trials are beginning to emerge. A rigorous and appropriate metrology is then necessary because rough estimates or the use of improper assessment tools are no more satisfactory. We summarize here the current knowledge on the metrology applied to motor function assessment of patients with neuromuscular diseases. We propose a review of the literature on the tools available to monitor motor function with detailed analyses of their metrological properties. Developped since 1998, the Motor Function Measure presents interesting properties in terms of validity and reliability. We analyzed its sensitivity to change in different patient populations of adults and children. We then propose, the NM-Score, a classification in levels of severity of motor function decline.Validation studies have confirmed the interest of this score as well as its ease of use, validity,and reproducibility. The NM-Score is able to describe the patients precisely and discriminantly in terms of motor function for standing position and transfers, axial / proximal motor function and distal motor function. Being interested in evaluation and measurement in medicine is a sign of rigor necessary for decision-making regarding vulnerable persons with special need

Notre thèse s’inscrit dans le cadre spatiotemporel des images satellitaires, l’analyse du gros volume d'images devient de plus en plus difficile avec l'apparition des capteurs à très hautes résolutions spatiales, spectrales et temporelles. Afin de pouvoir situer notre thèse en rapport avec la littérature, nous avons étudié les principales étapes du pipeline de grand volume de données et nous avons travaillé sur deux contributions principales qui sont le stockage et le traitement des données. Parmi les objectifs de notre thèse est de développer une architecture adaptée pour notre système du point de vue stockage et traitement. Pour la mise en place de cette plateforme nous avons développé un cluster local maître-esclave. Dans la première contribution, il s’agit de la proposition d’un système de stockage physique intelligent et qui tient compte des données hétérogènes, on a étudié plusieurs méthodes de stockage de données massives et des méthodes de représentation des données en se basant sur le système de fichier distribué de hadoop hdfs et les avantages de Nosql permettant de stocker, récupérer et interroger les données massives. Nous avons essayé de les adapter à notre contexte des images satellitaires en se basant sur notre architecture physique ensuite les tester avec une collection de données satellitaires. La deuxième contribution de notre thèse est le traitement des images satellitaires massives après les avoir stockés dans le but de les classifier, où il s’agit de développer une approche de classifications des images satellitaires par apprentissage des labels existants en utilisant les techniques de l’apprentissage profond et les plateformes Spark et Tensorflow
Our work forming part of the spatiotemporal remote sensing images, the analysis of the large volume of images is becoming more difficult with the appearance of sensors with very high spatial, spectral and temporal resolutions. In order to be able to situate our thesis in relation to the literature, we studied the main stages of the large volume data pipeline and we focused on two main contributions which are data storage and data processing. Among the objectives of our thesis is to develop a suitable architecture for our system from the perspective of storage and processing. For the implementation of this platform we developed a local master-slave cluster with several machines including one dedicated for the master node and the others for the slave nodes. The first contribution is the idea of a physical storage system that is intelligent and takes into account heterogeneous data. For this, several methods of big data storage and data representation methods based on the hadoop distributed file system (HDFS) and the benefits of Nosql allowing to store, retrieve and query massive data were investigated. We tried to adapt them to our context of satellite images based on our physical architecture and then test them with in-house satellite data collection.The second contribution of our thesis is the processing of massive satellite images after having stored them in order to classify them, where the aim is to develop an approach to classify satellite images by learning the existing truth-labels. We used deep learning techniques and more particularly the adaptation of the Unet and Vggnet algorithms based on the Apache Spark and Tensorflow platform

L'indexation des images est une étape indispensable pour valoriser un fond d'archive professionnel ou des collections d'images personnelles. Le "documentaliste" se doit de décrire précisément chaque document collecté dans la perspective de le retrouver. La difficulté est alors d'interpréter les contenus visuels et de les associer entre eux afin de couvrir différentes catégories qui peuvent être souvent très subjectives. Dans ce travail, nous nous inspirons du principe de l'apprentissage actif pour aider un utilisateur dans cette tâche de structuration de collections d'images. A partir de l'analyse des contenus visuels des images, différentes stratégies de sélection active sont développées afin d'aider un utilisateur à identifier et cerner des catégories pertinentes selon son point de vue. Nous proposons d'exprimer ce problème de classification d'images avec apprentissage actif dans le cadre du Modèle des Croyances Transférables (MCT). Ce formalisme facilite la combinaison, la révision et la représentation des connaissances que l'on peut extraire des images et des classes existantes à un moment donné. La méthode proposée dans ce cadre permet ainsi une représentation détaillée de la connaissance, notamment en représentant explicitement les cas d'appartenances à aucune ou à de multiples catégories, tout en quantifiant l'incertitude (liée entre autre au fossé sémantique) et le conflit entrainé par l'analyse des images selon différentes modalités (couleurs, orientations). Une interface homme-machine a été développée afin de valider notre approche sur des jeux de tests de référence, des collections d'images personnelles et des photographies professionnelles issues de l'Institut National de l'Audiovisuel. Une évaluation a été conduite auprès d'utilisateurs professionnels et a montré des résultats très positifs en termes d'utilité, d'utilisabilité et de satisfaction
Image annotation is an essential task in professional archives exploitation. Archivsits must describe every image in order to make easier future retrieval tasks. The main difficulties are how to interpret the visual contents, how to bring together images whitch can be associated in same categories, and how to deal with the user's subjectivity. In this thesis, we use the principle of active learning in order to help a user who wants organize with accuracy image collections. From the visual content analysis, complementary active learning strategies are proposed to the user to help him to identify and put together images in relevant categories according to his oppinion. We choose to express this image classification problem with active learning by using the Transferable Belief Model (TBM), an elaboration on the Dempster-Shafer theory of evidence. The TBM allows the combination, the revision and the representation of the knowledge which can be extracted from the visual contents and the previously identified categories. Our method proposed in this theoritical framework gives a detailed modeling of the knowledge by representing explicitly cases of multi-labeling, while quantifying uncertainty (related to the semantic gap) and conflict induced by the analysis of the visual content in different modalities (colors, textures). A human-machine interface was developed in order to validate our approach on reference tests, personal images collections and professional photos from the National Audiovisual Institute. An evaluation was driven with professional users and showed very positive results in terms of utility, of usability and satisfaction

Les travaux de cette thèse concernent la détection des changements dans des séries chronologiques de photographies de paysages prises depuis le sol. Ce contexte de comparaison d'images successives est celui que rencontrent les géographes de l'environnement qui ont recours aux observatoires photographiques du paysage. Ces outils d'analyse et d'aide à la décision sont des bases de données de photographies constituées selon une méthodologie stricte de rephotographie de la même scène, à des pas de temps réguliers. Le nombre de clichés est parfois très important, et l'analyse humaine fastidieuse et relativement imprécise, aussi un outil automatisant la comparaison de photos de paysage deux à deux pour mettre en évidence les changements serait une aide considérable dans l'exploitation des observatoires photographiques du paysage. Bien entendu, les variations dans l'éclairement, la saisonnalité, l'heure du jour, produisent fatalement des clichés entièrement différents à l'échelle du pixel. Notre objectif était donc de concevoir un système robuste face à ces changements mineurs, mais capable de détecter les changements pertinents de l'environnement. De nombreux travaux autour de la détection des changements ont été effectués pour des images provenant de satellites. Mais l'utilisation d'appareils photographiques numériques classiques depuis le sol pose des problèmes spécifiques comme la limitation du nombre de bandes spectrales et la forte variation de profondeur dans une même image qui induit des apparences différentes des mêmes catégories d'objets en fonction de leurs positions dans la scène. Dans un premier temps, nous avons exploré la voie de la détection automatique des changements. Nous avons proposé une méthode reposant sur le recalage et la sur-segmentation des images en superpixels. Ces derniers sont ensuite décrits par leur niveau de gris moyen ainsi que par leur texture au travers d'une représentation sous la forme d'histogrammes de textons. La distance de Mahalanobis entre ces descripteurs permet de comparer les superpixels correspondants entre deux images prises à des dates différentes. Nous avons évalué les performances de cette approche sur des images de l'observatoire photographique du paysage constitué lors de la construction de l'autoroute A89. Parmi les méthodes de segmentation utilisées pour produire les superpixels, les expérimentations que nous avons menées ont mis en évidence le bon comportement de la méthode de segmentation d'Achanta. La pertinence d'un changement étant fortement liée à l'application visée, nous avons exploré dans un second temps une piste faisant intervenir l'utilisateur. Nous avons proposé une méthode interactive de détection des changements reposant sur une phase d'apprentissage. Afin de détecter les changements entre deux images, l'utilisateur désigne, grâce à un outil de sélection, des échantillons constitués d'ensembles de pixels correspondant à des zones de changement et à des zones d'absence de changement. Chaque couple de pixels correspondants, c'est-à-dire situés au même endroit dans les deux images, est décrit par un vecteur de 16 valeurs principalement calculées à partir de l'image des dissemblances. Cette dernière est obtenue en mesurant, pour chaque couple de pixels correspondants, la dissemblance des niveaux de gris de leurs voisinages. Les échantillons désignés par l'utilisateur permettent de constituer des données d'apprentissage qui sont utilisées pour entraîner un classifieur. Parmi les méthodes de classification évaluées, les résultats expérimentaux montrent que les forêts d'arbres décisionnels donnent les meilleurs résultats sur les séries photographiques que nous avons utilisées
This work deals with change detection from chronological series of photographs acquired from the ground. This context of consecutive images comparison is the one encountered in the field of integrated geography where photographic landscape observatories are widely used. These tools for analysis and decision-making consist of databases of photographic images obtained by strictly rephotographing the same scene at regular time intervals. With a large number of images, the human analysis is tedious and inaccurate. So a tool for automatically comparing pairs of landscape photographs in order to highlight changes would be a great help for exploiting photographic landscape observatories. Obviously, lighting variations, seasonality, time of day induce completely different images at the pixel level. Our goal is to design a system which would be robust to these insignificant changes and able to detect relevant changes of the scene. Numerous studies have been conducted on change detection from satellite images. But the utilization of classic digital cameras from the ground raise some specific problems like the limitation of the spectral band number and the strong variation of the depth in a same image which induces various appearance of the same object categories depending on their position in the scene. In the first part of our work, we investigate the track of automatic change detection. We propose a method lying on the registration and the over-segmentation of the images into superpixels. Then we describe each superpixel by its texture using texton histogram and its gray-level mean. A distance measure, such as Mahalanobis distance, allows to compare corresponding superpixels between two images acquired at different dates. We evaluate the performance of the proposed approach on images taken from the photographic landscape observatory produced during the construction of the French A89 highway. Among the image segmentation methods we have tested for superpixel extraction, our experiments show the relatively good behavior of Achanta segmentation method. The relevance of a change is strongly related to the intended application, we thus investigate a second track involving a user intervention. We propose an interactive change detection method based on a learning step. In order to detect changes between two images, the user designates with a selection tool some samples consisting of pixel sets in "changed" and "unchanged" areas. Each corresponding pixel pair, i.e., located at the same coordinates in the two images, is described by a 16-dimensional feature vector mainly calculated from the dissimilarity image. The latter is computed by measuring, for each corresponding pixel pair, the dissimilarity of the gray-levels of the neighbors of the two pixels. Samples selected by the user are used as learning data to train a classifier. Among the classification methods we have tried, experimental results indicate that random forests give the better results for the tested image series

L'indexation des images est une étape indispensable pour valoriser un fond d'archive professionnel ou des collections d'images personnelles. Le "documentaliste" se doit de décrire précisément chaque document collecté dans la perspective de le retrouver. La difficulté est alors d'interpréter les contenus visuels et de les associer entre eux afin de couvrir différentes catégories qui peuvent être souvent très subjectives. Dans ce travail, nous nous inspirons du principe de l'apprentissage actif pour aider un utilisateur dans cette tâche de structuration de collections d'images. A partir de l'analyse des contenus visuels des images, différentes stratégies de sélection active sont développées afin d'aider un utilisateur à identifier et cerner des catégories pertinentes selon son point de vue. Nous proposons d'exprimer ce problème de classification d'images avec apprentissage actif dans le cadre du Modèle des Croyances Transférables (MCT). Ce formalisme facilite la combinaison, la révision et la représentation des connaissances que l'on peut extraire des images et des classes existantes à un moment donné. La méthode proposée dans ce cadre permet ainsi une représentation détaillée de la connaissance, notamment en représentant explicitement les cas d'appartenances à aucune ou à de multiples catégories, tout en quantifiant l'incertitude (liée entre autre au fossé sémantique) et le conflit entrainé par l'analyse des images selon différentes modalités (couleurs, orientations). Une interface homme-machine a été développée afin de valider notre approche sur des jeux de tests de référence, des collections d'images personnelles et des photographies professionnelles issues de l'Institut National de l'Audiovisuel. Une évaluation a été conduite auprès d'utilisateurs professionnels et a montré des résultats très positifs en termes d'utilité, d'utilisabilité et de satisfaction.

Zwei Dresdner Xylographen schufen um 1900 feine Illustrationen mit Radfahrmotiven, die in Tourenbüchern, Zeitungen für Radfahrerinnen und Radfahrer abgedruckt wurden: Gustav Hermann Bauer und Heinrich Emil Trautmann, beide lebten und arbeiteten zur selben Zeit in Dresden-Plauen.

A partir d'une répertoire d'images provenant du monde ibéro-américain, la thèse développe un étude typologique et morphologique de la rhétorique visuelle de ces représentations d'une culture mondialisée. Le travail consiste en un articulation des analyses micro-historiques et macro-historiques qui permet d'éclairer les rapports entre le local et le global et la fonction mnémonique des images. L'approche sémiotique , iconologique et aussi anthropologique cherche à montrer les diverses modalités de transformation des images et le métissage visuel ou hybridation iconique dans leur passage de l'Europe à l'Amérique. Le travail de catégorisation et indexation par mots clés a permis d'identifier une série de dispositifs visuels d'encadrement de l'image dans l'image et une série de métaphores et symboles associés au rituel eucharistique. Le montage d'images et la configuration d'Atlas est l'instrument utilisé afin de visualiser les résultats de la recherche conformément aux oppositions structurelles de base identifiées dans le travail de classification
Through the study of a collection of images from the ibero-american world the thesis develops a typological and morphological study of the visual rhetoric of one of the first globalized cultures. The task consists of an articulation between the micro-historical and the macro-historical analysis, that allows to enlighten the connections between global and local, anc observe the commemorative function of those représentations of the colonial past. The approach is semiotic and iconological , but it is also anthropological. It tries to portray the diverse modalities of transformation of the images and their visual cross-breeding or hybridization in their passage from one continent to the other. The categorization and indexatioi with keywords allowed to identify certain visual framing devices of an image within the image and a séries of metaphors and symbols associated with the Eucharistie ritual. The Atlas configuration ,was the instrument used for the visualization of the results according to the basic structural oppositions identified during the process of classification

Die Reformation hat mit einer neuen Art Bücher die Welt verändert. Diese Bücher waren schmaler, handlicher, deutschsprachig und häufig bebildert. Die Bilder in diesen Büchern erfüllten viele Aufgaben, beginnend beim Versuch, komplexe theologische Lehren darzustellen und endend mit der höhnischen Verspottung des ideologischen Gegners. Diese Ausstellung zeigt Beispiele solcher Bilder.

The presentation shows sample paths of stochastic processes in form of animations. Those stochastic procsses are usually used to model financial quantities like exchange rates, interest rates and stock prices. In the second part the solution of the Black-Scholes PDE using the finite difference method is illustrated
Der Vortrag zeigt Animationen von Realisierungen stochstischer Prozesse, die zur Modellierung von Groessen im Finanzbereich haeufig verwendet werden (z.B. Wechselkurse, Zinskurse, Aktienkurse). Im zweiten Teil wird die Loesung der Black-Scholes Partiellen Differentialgleichung mittels Finitem Differenzenverfahren graphisch veranschaulicht

Martin Luthers Kritik am Ablasswesen stand am Anfang eines tiefgreifenden Prozesses, der Europa für immer veränderte. Der Streit um die rechte Gestalt der Kirche entwickelte sich zu einer Umformung aller gesellschaftlichen, politischen und kulturellen Verhältnisse. Aber nicht nur das Bild der Welt wandelte sich, sondern auch, wie die Welt abgebildet wurde. Diesen doppelten Bildwechsel versucht die Ausstellung am Beispiel zeitgenössischer Buchillustrationen aus dem Bestand der Universitätsbibliothek darzustellen. Dabei steht weniger die große Kunst Dürers, der beiden Cranachs oder Altdorfers im Fokus des Interesses, sondern vielmehr die Indienstnahme der Illustration durch die Reformation. Gezeigt werden zu verschiedenen Themen die Veränderungen der Buchillustration durch die Reformation. In Auseinandersetzung mit den aus dem Spätmittelalter überlieferten Bildmotiven entwickelten die evangelischen Illustratoren ein neues Verständnis des religiösen Bildes, das sich in die vier grundlegenden Bildtypen manifestierte.

La médecine physique et de réadaptation (MPR) s’est développée autour d’une approche globale de l’individu et des multiples conséquences des déficiences et incapacités résultant d’un problème de santé. La détermination de ces conséquences nécessite le recours à l’évaluation, concept largement utilisé en médecine lors de la pratique clinique, la thérapeutique, la recherche… Cette évaluation, qui repose elle-même sur la nécessaire évaluation de l’outil de mesure et de ses modalités d’utilisation, constitue le corps de notre travail de thèseLa vision MPR s’est construite sur la Classification internationale du fonctionnement, du handicap et de la santé (CIF) qui fournit un cadre biopsychosocial pour la description des états de santé, pouvant ainsi servir à la définition du mesuré. Les liens étroits entre MPR et CIF nous ont amenés à nous interroger sur les différentes manières de développer des outils d’évaluation adaptés à chacune des dimensions de la CIF : la fonction, l’activité et la participation.À travers différents états de santé, nous avons donc exploré ces trois dimensions cliniques en utilisant des méthodes valides en métrologie, via trois outils de mesure : (1) de la fonction neurologique chez des enfants ayant eu un accident vasculaire cérébral néonatal, (2) d’activité physique et cognitive chez des patients hospitalisés en soins de suite et de réadaptation et (3) de la participation d’enfants ayant une maladie neuromusculaire. Les résultats et leur interprétation placent la participation comme critère principal des actions en MPR tout en soulignant l’importance de maitriser la limite de chaque outil de mesure bien avant de valoriser de leurs avantages
Physical and Rehabilitation Medicine (PRM) has been developed around a holistic approach of the individual and the multiple consequences of impairments and disabilities resulting from a health problem. Determining these consequences requires the use of assessment, which is a concept widely used in medicine in clinical practice, therapy, research, and which is based on the use of measuring tools. The PRM vision was built on the International Classification of Functioning, Disability and Health (ICF) which is a biopsychosocial framework for the description of the health state, which can thus be used to define of the measured. The close links between PRM and ICF led us to question the different ways of developing assessment tools adapted to each of the dimensions of the ICF: function, activity and participation. We have therefore through various health states, explored these three dimensions in clinical practice using valid methods in metrology, via three measurement tools: (1) neurological function in French-speaking children with a neonatal stroke, (2) a score of physical and cognitive activity in patients hospitalized in follow-up care and rehabilitation, (3) participation of children with neuromuscular disease. The results and their interpretation stemming from this work, clearly place participation as the main criterion for actions in PRM while highlighting the importance of mastering the limits of measurement tools before taking into account their advantages

Anlässlich seines 80. Geburtstags am 28. Dezember 2014 hat sich Dieter Goltzsche entschlossen, einen Teil seines buchkünstlerischen Werkes der SLUB Dresden und damit seiner Heimatstadt Dresden zu schenken. Er lebt und arbeitet seit 1958 in Berlin, geprägt haben ihn jedoch seine Dresdner Lehrer Hans Theo Richter und Max Schwimmer in der Hochschule für Bildende Künste.