Distance metric learning for image and webpage comparison

Résumé : Cette thèse se focalise sur l'apprentissage de distance pour la comparaison d'images ou de pages Web. Les distances (ou métriques) sont exploitées dans divers contextes de l'apprentissage automatique et de la vision artificielle tels que la recherche des k plus proches voisins, le partitionnement, les machines à vecteurs de support, la recherche d'information/images, la visualisation etc. Nous nous intéressons dans cette thèse à l'apprentissage de fonction de distance paramétrée par une matrice symétrique semi-définie positive. Ce modèle, appelé (par abus) apprentissage de distance de Mahalanobis, consiste à apprendre une transformation linéaire des données telle que la distance euclidienne dans l'espace projeté appris satisfasse les contraintes d'apprentissage.Premièrement, nous proposons une méthode basée sur la comparaison de distances relatives qui prend en compte des relations riches entre les données, et exploite des similarités entre quadruplets d'exemples. Nous appliquons cette méthode aux attributs relatifs et à la classification hiérarchique d'images.Deuxièmement, nous proposons une nouvelle méthode de régularisation qui permet de contrôler le rang de la matrice apprise, limitant ainsi le nombre de paramètres indépendants appris et le sur-apprentissage. Nous montrons l'intérêt de notre méthode sur des bases synthétiques et réelles d'identification de visage.Enfin, nous proposons une nouvelle méthode de détection automatique de changement dans les pages Web, dans un contexte d'archivage. Pour cela, nous utilisons les relations de distance temporelle entre différentes versions d'une même page Web. La métrique apprise de façon entièrement non supervisée détecte les régions d'intérêt de la page et ignore le contenu non informatif tel que les menus et publicités. Nous montrons l'intérêt de la méthode sur différents sites Web.
Type de document :
Thèse
Image Processing. Université Pierre et Marie Curie - Paris VI, 2015. English. <NNT : 2015PA066019>
Liste complète des métadonnées


https://tel.archives-ouvertes.fr/tel-01135698
Contributeur : Abes Star <>
Soumis le : mercredi 18 mars 2015 - 15:07:05
Dernière modification le : lundi 28 novembre 2016 - 13:56:49
Document(s) archivé(s) le : lundi 22 juin 2015 - 07:09:21

Fichier

these_archivage_2308605o.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01135698, version 2

Collections

Citation

Marc Teva Law. Distance metric learning for image and webpage comparison. Image Processing. Université Pierre et Marie Curie - Paris VI, 2015. English. <NNT : 2015PA066019>. <tel-01135698v2>

Partager

Métriques

Consultations de
la notice

424

Téléchargements du document

684