Techniques d’Optimisation et d’Apprentissage pour la Recherche de l’Image par le Contenu Visuel
Loading...
Date
2026-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université du 20 Aout 1955-Skikda
Abstract
vec la croissance exponentielle de la taille des bases d’images, la recherche d’image par le
contenu (CBIR en Anglais) a gagné une importance croissante dans de nombreux domaines
liés à la vision par ordinateur. L’intérêt accru envers CBIR est dû à sa capacité à fournir des
outils puissants pour la gestion et la recherche des images à partir de bases d’images
volumineuses. CBIR est principalement basée sur l’utilisation du contenu visuel des images,
comme la couleur, la texture et la forme pour extraire des caractéristiques discriminantes qui
peuvent représenter les images efficacement. En particulier, la couleur et la texture sont
largement utilisées dans CBIR à cause de leur capacité de discrimination.
Au cours des années, la communauté de recherche en CBIR a investi des efforts énormes
pour rendre les systèmes CBIR de plus en plus efficaces et efficients. Ces efforts ont été
principalement concentrés sur le comblement de ce que l’on appelle le “fossé sémantique”.
Ce dernier est dû à l’écart entre les caractéristiques de bas niveau extraites des images et les
concepts sémantiques de haut niveau. La malédiction de la dimensionnalité est un autre
problème important qui survient lorsqu’on traite des espaces de caractéristiques de haute
dimension. Développer des représentations efficaces des caractéristiques de l’image est aussi
un défi considérable en CBIR. Dans ce contexte, les techniques d’optimisation et
d’apprentissage se sont révélées être pratiquement efficaces pour résoudre les problèmes liés
à la recherche d’image par le contenu.
À cet égard, nous présentons dans cette thèse plusieurs méthodes pour résoudre les principaux
défis auxquels le CBIR est confronté, tout en profitant des techniques d’optimisation et
d’apprentissage. Principalement, (i) Nous développons des représentations discriminantes
des caractéristiques reposant sur le contenu de couleur et de texture des images, ainsi que
d’autres représentations améliorées par des techniques d’optimisation. Cela vise à extraire
des caractéristiques robustes et discriminantes, et ainsi réduire le fossé sémantique. (ii) Nous
avons aussi utilisé des méthodes d’apprentissage profond avec des techniques d’optimisation
pour réduire les caractéristiques de dimension élevée. Dans les deux cas, des
métaheuristiques bien choisies sont utilisées.
Spécifiquement, nous proposons deux descripteurs d’image pour extraire des caractéristiques
manuelles robustes et efficaces, appelées (a) Orthogonal OCLBP (O-OCLBP) et (b)Résumé xix
Orthogonal IOCLBP (O-IOCLBP). Les descripteurs proposés sont respectivement deux
versions améliorées des descripteurs de couleur-texture: Opponent Color Local Binary
Patterns (OCLBP) et Improved Opponent Color Local Binary Patterns (IOCLBP). Dans les
deux méthodes proposées, nous utilisons un mécanisme de couleurs opposées orthogonales
au lieu de la topologie circulaire utilisée dans les méthodes OCLBP et IOCLBP. De plus,
nous introduisons une autre contribution qui s’appuie sur un mécanisme d’optimisation pour
pondérer dynamiquement les motifs des images extraites à travers plusieurs descripteurs de
texture, y compris Local Binary Pattern (LBP), Improved LBP (ILBP), Local Ternary
Patterns (LTP) et Modified LBP (MLBP). Plus précisément, la méthode proposée, appelée
(c) Dynamic Pattern Weighting (DPW) utilise l’algorithme de l’évolution différentielle
(Differential Evolution, DE) pour générer un vecteur de poids optimal pour chaque classe de
la base d’images pour être utilisé pour la pondération des motifs de l’image. D’autre part,
nous proposons trois approches pour réduire la dimension élevée des caractéristiques
extraites à partir des images histopathologiques. (d) Nous utilisons une technique
d’optimisation basée sur l’algorithme d’optimisation par essaim de particules (Particle
Swarm Optimization, PSO) pour réduire la dimension des caractéristiques ILBP extraites de
multiples espaces de couleur et combinées dans un vecteur de caractéristiques robuste, mais
au prix d’une dimension élevée. (e) Dans un développement ultérieur de cette contribution,
nous étendons l’approche précédente par l’utilisation d’une technique d’optimisation basée
sur l’algorithme sinus-cosinus (Sine Cosine Algorithm, SCA) pour réduire la dimension
d’autres caractéristiques de couleur et texture, à savoir LBPs-Combinés et OCLBPsCombinés. Nous utilisons aussi une base supplémentaire d’images histopathologiques pour
une évaluation plus approfondie de la méthode de réduction de dimension. F) Enfin, dans un
autre travail, nous appliquons l’apprentissage par transfert sur les réseaux de neurones
convolutifs pré-entraînés ResNet18 et GoogLeNet pour extraire des caractéristiques de haut
niveau. Par la suite, nous utilisons un mécanisme de réduction de dimensionnalité basé sur
SCA pour optimiser ces caractéristiques basées sur l’apprentissage.
Dans l’ensemble, toutes les méthodes proposées marquent un progrès significatif dans la
résolution des problèmes clés dans CBIR. Soulignons que les résultats obtenus montrent une
performance supérieure comparée à celles de certaines méthodes existantes
Description
Keywords
Techniques d’Optimisation