Browsing by Author "BOUCHEHAM ,Bachir"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Classification d’Images dans le contexte de l’Image Mining : Une étude comparative selon plusieurs critères(Faculté des Sciences, 2024) HARBI ,Wissal; NEDJAR ,Soumaya; BOUCHEHAM ,BachirCe mémoire explore la tâche de classification de l’image dans le cadre de l’image mining. Cette dernière est un sous domaine du data mining. En effet, le Data mining se présente sous 3 formes : Le mining des données structurées, le mining du multimédia et enfin le Big Data. Le data mining (en français : fouille de données), est un processus d’extraction de connaissances utiles à partir de grandes quantités de données. Il vise à identifier des patterns, des tendances et des anomalies dans les données pour prendre des décisions éclairées. Dans le détail, il existe plusieurs types de Data mining : Le mining des données structurées dans les bases de données, le Mining du multimédia qui rassemble : Le mining de la vidéo, le mining du texte, le mining de l’audio, le mining du web, le mining des réseaux sociaux, le mining des times series, l’image mining et enfin, le Big Data. Les objectifs essentiels de ce mémoire sont axés autour des concepts suivants : Image Mining : L’Image Mining, ou fouille de l’image, est un domaine du Data Mining qui s’intéresse à l’analyse et à l’extraction de connaissances à partir d’images numériques. Il utilise des techniques de traitement d’image, de caractérisation des images, des techniques d’appariement des images et d’apprentissage automatique pour identifier des objets, des textures, des formes et des relations spatiales dans les images. Classification de l’image : La classification de l’image est une tâche fondamentale de l’Image Mining qui consiste à assigner une classe ou une étiquette à une image donnée parmi un ensemble de classes prédéfinies. Cette tâche est réalisée grâce à un classifieur. Elle est utilisée dans de nombreuses applications, telles que la reconnaissance d’objets, la détection d’anomalies, la recherche d’images par le contenu et l’analyse médicale basée image. Techniques de classification d’images : Il existe de nombreuses techniques de classification d’images, chacune avec ses propres avantages et inconvénients. Parmi les techniques les plus populaires, nous avons : les ré- 2 seaux de neurones artificiels, les arbres de décision, les Support Vector Machines (SVM) et pour finiK-Nearest Neighborr, le classifieur K-Nearest Neighbors (KNN) qui classe une image x en fonction de la classe des k images les plus proches d’elle dans l’espace des caractéristiques. Étude comparative des classifieurs d’images : L’étude comparative, réalisée dans le cadre de ce mémoire, analyse les performances de plusieurs classifieurs (17 classifieurs) d’images populaires sur différentes organisations des deux dataset utilisées Kimia (base médicale) et Wang (base générale), en utilisant différentes distances, différents espaces de couleur, différents descripteurs de l’image pour le classifieur KNN (K-Nearest Neighbor). Nous avons également utilisé un classifieur qui relève du Deep Learning (Les réseaux de neurones convolutifs : CNN). Les résultats essentiels tirés de cette étude sont : 1. Nous avons constaté que tous les paramètres utilisés ont une influence sur les résultats obtenus sur les deux Dataset : la distance, l’espace de couleur, L’attributs, le classifieur et arrangement des datasets utilsées. 2. Les résultats obtenus montrent que Les CNN sont beaucoup plus efficaces dans le cas d’images riches en concepts (base Wang) que dans les images pauvres en concepts (base Kimia). 3. Certaines images se prêtent beaucoup plus facilement à être classifiées que certaines sur la base de leur richesse et leur pauvreté en concepts.Item Recherche de l'Image par le Contenu Visuel: Une Approche par Apprentissage Profond (CNN)(Faculté des Sciences, 2022) Bourzam, Nassim; Bougdah, IssamEddine; BOUCHEHAM ,BachirAvec l'avènement des endoscopes médicaux, des satellites d'observation de la Terre et des téléphones personnels, la recherche d'images basée sur le contenu (CBIR) a attiré une attention considérable, déclenchée par sa large application, par exemple, l'analyse d'images médicales, la télédétection et la ré-identification de personnes. Cependant, la construction d'une extraction de caractéristiques efficace est toujours reconnue comme un problème difficile. Dans le deepn learning pour la recherche de l’image par le contenu, l’utilisation de ces techniques ont permis des progrès significatifs dans les domaines de traitement d'images pertinentes avec des résultats généralement pas toujours satisfaisants aux attentes des utilisateurs. Pour s'attaquer à cette problématique, nous proposons des solutions basées sur la VGG-16, cette méthode tentant de modéliser des données avec architectures complexes combinant différentes transformations non linéaires. Le VGG-16 est un réseau neuronal convolutif et également connu sous le nom de ConvNet, qui est une sorte de réseau neuronal artificiel utilisé comme algorithme pour mesurer le contraste de détection et de classification d'objets locaux d'une image. Il fut proposé par Karen Simonyan et Andrew Zisserman du Visual Géométrie Groupe Lab de l'Université d'Oxford en 2014, et a connu des succès notables dans divers domaines d’imagerie. Suite à celà, les créateurs de ce modèle ont évalué les réseaux et augmenté la profondeur en utilisant une architecture avec de très petits filtres de convolution (3 × 3), ce qui a montré une amélioration significative par rapport aux configurations de l'art antérieur. Ils ont poussé la profondeur à 16-19 couches de poids, ce qui en fait environ - 138 paramètres entraînables. VGG est basé sur la notion d'un réseau beaucoup plus profond avec des filtres plus petits. Aussi, VGG 16 est une architecture à 16 couches avec des couches convolutifs, une couche de regroupement, quelques couches convolutionnelles supplémentaires, une couche de regroupement, plusieurs couches de conversion supplémentaires, etc... Le résultat final est obtenu par VGG-16 sur la base Corel-10K. Nous comptons aussi étendre nos prospections de mesures de distance et mesures de similarité, montrent que le descripteur proposé est efficace, robuste et pratique en termes d'application CBIR