Exploitation de hiérarchies pour la classification automatique d'images

Étant donné des images organisées en groupes (classes), les méthodes de classification d'images visent à construire (par apprentissage automatique) un modèle qui permettra de prédire la classe de nouvelles images.

Partant de travaux existants notamment développés au sein de l'unité de Systèmes et Modélisation, ce travail visera à étudier, implémenter et évaluer différents algorithmes originaux de classification d'images qui exploitent les corrélations ou hiérarchies existantes entre classes. Plusieurs milliers d'images structurées hiérarchiquement (ImageNet et IRMA) seront utilisées pour l'évaluation empirique des algorithmes proposés.

(figures taken from ImageNet)

Profil:

Étudiant(e) ingénieur/(bio)informaticien(e) intéressé(e) par l'apprentissage automatique (voir le cours du Prof. Wehenkel), la vision par ordinateur, le développement de nouveaux algorithmes, le traitement de grands volumes de données.

Bibliographie:

* J. Deng et al. ImageNet: A Large-Scale Hierarchical Image Database IEEE Computer Vision and Pattern Recognition (CVPR), 2009.

* C. Vens et al. Decision trees for hierarchical multi-label classification, Machine Learning 2008

* Ivica Dimitrovski. Hierarchical Annotation of Medical Images, Jožef Stefan Institute, SIKDD08.

* Pierre Geurts et al. OK3: Méthode d’arbres à sortie noyau pour la prédiction de sorties structurées et l’apprentissage de noyau, CAP 2006/ICML2006

* Raphaël Marée et al. Random Subwindows for Robust Image Classification, IEEE Computer Vision and Pattern Recognition (CVPR), 2005.

Renseignements: