Bourzam, NassimBougdah, IssamEddineBOUCHEHAM ,Bachir2025-04-152025-04-152022http://dspace.univ-skikda.dz:4000/handle/123456789/4566Avec 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.frThesis