, « Pl@ ntNet app in the era of deep learning, ICLR 2017 Workshop Track-5th International Conference on Learning Representations, 2017.
, Fruit recognition using color and texture features, Journal of Emerging Trends in Computing and Information Sciences, vol.1, issue.2, pp.90-94, 2010.
, A Plant Identification System using Shape and Morphological Features on Segmented Leaflets : Team IITK, CLEF 2012. » In : CLEF, 2012.
, « Inria's participation at imageclef 2013 plant identification task, CLEF (Online Working Notes/Labs/Workshop) 2013, 2013.
, « Surf : Speeded up robust features, European conference on computer vision, pp.404-417, 2006.
, « Bark Recognition to Improve Leaf-based Classification in Didactic Tree Species Identification, VISAPP 2017-12th International Conference on Computer Vision Theory and Applications, 2017.
, « Segmentation Algorithm on Smartphone Dual Camera : Application to Plant Organs in the Wild, ICMV 2017-The 10th International Conference on Machine Vision, 2017.
, « Segmentation algorithm on smartphone dual camera : application to plant organs in the wild, Tenth International Conference on Machine Vision (ICMV 2017). T. 10696. International Society for Optics, p.106960
, « Visualization of Leaf Botanical Features Extracted from AlexNet Convolutional Layers, IAMPS 2018-6th edition of the International Workshop on Image Analysis Methods for the Plant Sciences, 2018.
, « Bark and leaf fusion systems to improve automatic tree species recognition, Ecological Informatics, 2018.
DOI : 10.1016/j.ecoinf.2018.05.007
, « The morphological approach to segmentation : the watershed transformation, Optical Engineering-New York-Marcel Dekker Incorporated, vol.34, pp.433-433, 1992.
, « Recognition of plants by leaf image using moment invariant and texture analysis, International Journal of Innovation and Applied Studies, vol.3, pp.237-248, 2013.
, Flore complète de la France et de la Suisse, Librairie Generale, 1908.
, « A Comparison of Multiscale Local Binary Pattern Variants for Bark Image Retrieval, Advanced Concepts for Intelligent Vision Systems, pp.764-775, 2015.
, « A computational approach to edge detection, Readings in Computer Vision, pp.184-203, 1987.
, IFSC/USP at ImageCLEF 2012 : Plant Identification Task. » In : CLEF (Online Working Notes/Labs/Workshop), 2012.
, « Segmentation and interpretation of natural images for tree leaf identification on smartphones ». working paper or preprint, 2013.
, « Segmentation et interprétation d'images naturelles pour l'identification de feuilles d'arbres sur smartphone, 2013.
, Guiding active contours for tree leaf segmentation and identification, CLEF 2011, Conference on Multilingual and Multimodal Information Access Evaluation, p.1, 2011.
URL : https://hal.archives-ouvertes.fr/hal-00622274
, « Reves participation-tree species classification using random forests and botanical features, Conference and Labs of the Evaluation Forum (CLEF), p.1, 2012.
, « Late information fusion for multi-modality plant species identification, Conference and Labs of the Evaluation Forum. 2013, page(s): Working-Notes
, Understanding leaves in natural images-a modelbased approach for tree species identification, Computer Vision and Image Understanding, vol.117, pp.1482-1501, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00872878
, « Bicos : A bilevel co-segmentation method for image classification, Computer Vision (ICCV), pp.2579-2586, 2011.
, « Plant leaf recognition using texture and shape features with neural classifiers, Pattern Recognition Letters, vol.58, pp.61-68, 2015.
, A comparative study of fine-grained classification methods in the context of the lifeclef plant identification challenge, CLEF : Conference and Labs of the Evaluation forum. T. 1391, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01182788
, « Plant species recognition based on bark patterns using novel Gabor filter banks, Proceedings of the 2003 International Conference on. T. 2. IEEE, pp.1035-1038, 2003.
, « Plant identification with deep convolutional neural network : Snumedinfo at lifeclef plant identification task, Working notes of CLEF 2015 conference, 2015.
, Flore descriptive et illustrée de la
, , 1903.
, « Interactive Cosegmentation Using Global and Local Energy Optimization, IEEE Trans. Image Processing, vol.24, pp.3966-3977, 2015.
, « Detection and classification of apple fruit diseases using complete local binary patterns, Computer and Communication Technology (ICCCT), 2012 Third International Conference on, pp.346-351
, « Fruit and vegetable recognition by fusing colour and texture features of the image using machine learning, International Journal of Applied Pattern Recognition, vol.2, issue.2, pp.160-181, 2015.
, Guide de la faune et de la flore, 2017.
, « Two-frame motion estimation based on polynomial expansion, Scandinavian conference on Image analysis, pp.363-370, 2003.
, « Color characterization comparison for machine vision-based fruit recognition, International Conference on Intelligent Computing, pp.258-270, 2015.
, « Content specific feature learning for fine-grained plant classification, Working notes of CLEF 2015 conference, 2015.
, Guide des écorces des arbres d'Europe-Reconnaître et comparer les espèces, 2012.
, Plant identification in an open-world (lifeclef 2016) ». In : CLEF 2016-Conference and Labs of the Evaluation forum, pp.428-439, 2016.
, « LifeCLEF Plant Identification Task, CLEF working notes 2015, 2015.
, The imageclef 2013 plant identification task ». In : CLEF, 2013.
, Lifeclef plant identification task, CLEF2014 Working Notes. Working Notes for CLEF 2014 Conference, pp.598-615, 2014.
, Tree Leaves Extraction in Natural Images : Comparative Study of Preprocessing Tools and Segmentation Methods, vol.24, pp.1549-1560, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01176699
, « Texture features and KNN in classification of flower images, IJCA, Special Issue on RTIPPR, issue.1, pp.21-29, 2010.
, « LBP Histogram Selection based on Sparse Representation for Color Texture Classification, pp.476-483
, « Region-of-interest based flower images retrieval, Acoustics, Speech, and Signal Processing, 2003.
, IEEE, p.589, 2003.
, « An interactive flower image recognition system, Multimedia Tools and Applications, vol.53, pp.53-73, 2011.
, « Visual pattern recognition by moment invariants, IRE transactions on information theory, vol.8, pp.179-187, 1962.
, « Bark classification based on gabor filter features using rbpnn neural network, Neural Information Processing, pp.80-87, 2006.
, « Bark classification based on textural features using artificial neural networks, Advances in Neural Networks, pp.355-360, 2006.
, « SIFT, BoW Architecture and one-against-all Support Vector Machine. » In : CLEF (Working Notes), 2013.
, Recognition of apple fruit in natural environment, Optik-International Journal for Light and Electron Optics, vol.127, pp.1354-1362, 2016.
, Implicit biodiversity monitoring from mobile search logs, Proceedings of the ACM Multimedia Conference, 2016.
, LifeCLEF 2016 : multimedia life species identification challenges, International Conference of the Cross-Language Evaluation Forum for European Languages, pp.286-310, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01373781
, Lifeclef 2017 lab overview : multimedia species identification challenges, International Conference of the Cross-Language Evaluation Forum for European Languages, pp.255-274, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01629191
, Snakes : Active contour models, vol.1, pp.321-331, 1988.
, Indoor and outdoor depth imaging of leaves with time-of-flight and stereo vision sensors : Analysis and comparison, ISPRS journal of photogrammetry and remote sensing, vol.88, pp.128-146, 2014.
, Berrin Yanikoglu et Gozde Unal. « Plant image retrieval using color, shape and texture features, The Computer Journal, vol.54, pp.1475-1490, 2010.
, Abnormal mass classification in breast mammography using rotation invariant LBP, Electrical Engineering and Information Communication Technology (ICEEICT), pp.1-5, 2016.
, Robotic harvesting of rosa damascena using stereoscopic machine vision, World Applied Sciences Journal, vol.12, pp.231-237, 2011.
, « Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, pp.1097-1105, 2012.
, MICA at ImageClef 2013 Plant Identification Task. » In : CLEF (Working Notes), 2013.
, Complex background leaf-based plant identification method based on interactive segmentation and kernel descriptor, pp.3-8
, Automatic recognition of flower species in the natural environment, Image and Vision Computing, vol.61, pp.98-114, 2017.
, « Fast computation of moment invariants, Pattern Recognition, vol.24, pp.807-813, 1991.
, « Review on fruit harvesting method for potential use of automatic fruit harvesting systems, Procedia Engineering, vol.23, pp.351-366, 2011.
, « AE-Automation and emerging technologies : Weed leaf image segmentation by deformable templates, Journal of agricultural engineering research, vol.80, pp.139-146, 2001.
, Berrin Yan?ko?lu et Erchan Aptoula. « Openset plant identification using an ensemble of deep convolutional neural networks, 2016.
, « Narrow band region-based active contours and surfaces for 2D and 3D segmentation, Computer Vision and Image Understanding, vol.113, pp.946-965, 2009.
, « Matching shapes with self-intersections : Application to leaf classification, IEEE Transactions on Image Processing, vol.13, pp.653-661, 2004.
, « Intelligent scissors for image composition, Proceedings of the 22nd annual conference on Computer graphics and interactive techniques, pp.191-198, 1995.
, « Fast approximate nearest neighbors with automatic algorithm configuration, In : VISAPP (1), p.2, 2009.
, Semantic-based automatic structuring of leaf images for advanced plant species identification, Multimedia Tools and Applications, vol.75, pp.1615-1646, 2016.
, « Flower image segmentation based on color analysis and a supervised evaluation, Communications and Information Technology (ICCIT), 2012 International Conference on, pp.397-401
, NLab-UTokyo at ImageCLEF 2013 Plant Identification Task. » In : CLEF (Working Notes). Citeseer, 2013.
, « Survey on LBP based texture descriptors for image classification, Expert Systems with Applications, vol.39, issue.3, pp.3634-3641, 2012.
, A Robust Descriptor for Color Texture Classification Under Varying Illumination, pp.378-388
, A combination of deep learning and handdesigned feature for plant identification based on leaf and flower images, Asian Conference on Intelligent Information and Database Systems, pp.223-233
, « A visual vocabulary for flower classification, Computer Vision and Pattern Recognition, 2006.
, IEEE Computer Society, pp.1447-1454
, « Delving into the Whorl of Flower Segmentation, pp.1-10
, Automated flower classification over a large number of classes, Computer Vision, Graphics & Image Processing, pp.722-729, 2008.
, « A comparative study of texture measures with classification based on featured distributions, Pattern recognition, vol.29, pp.51-59, 1996.
, « Multiresolution gray-scale and rotation invariant texture classification with local binary patterns, IEEE Transactions on pattern analysis and machine intelligence, vol.24, pp.971-987, 2002.
, « A threshold selection method from gray-level histograms, IEEE transactions on systems, man, and cybernetics 9, vol.1, pp.62-66, 1979.
, Wlab of university of szeged at lifeclef 2014 plant identification task, Working notes of CLEF 2014 conference, 2014.
, « Color texture classification by integrative co-occurrence matrices, Pattern recognition, vol.37, pp.965-976, 2004.
, Automatic segmentation and yield measurement of fruit using shape analysis, International Journal of Computer Applications, vol.45, pp.19-24, 2012.
, « Localization of spherical fruits for robotic harvesting, Machine Vision and Applications, vol.13, pp.70-79, 2001.
, « Iterative feature selection for color texture classification, Image Processing, p.509, 2007.
, A new benchmark image test suite for evaluating colour texture classification schemes, Multimedia Tools and Applications, vol.70, pp.543-556, 2014.
, Interactive foreground extraction using iterated graph cuts, ACM transactions on graphics (TOG), pp.309-314
, Flore de France, ou Description des plantes qui croissent spontanément en France, pp.1893-1913
, Imagenet large scale visual recognition challenge, International Journal of Computer Vision, vol.115, pp.211-252, 2015.
, Automatic Recognition of Blooming Flowers, Proceedings-International Conference on Pattern Recognition. T. 1, vol.1, pp.0-7695, 2004.
, Automatic recognition of wild flowers, Proceedings. 15th International Conference on. T. 2. IEEE, pp.507-510, 2000.
, Automatic recognition of wild flowers, Systems and Computers in Japan, vol.34, pp.90-101, 2003.
, A general system of floral diagrams, 1916.
, Visual Explanations from Deep Networks via Gradient-Based Localization, pp.618-626
, « An Isotropic 3x3 Image Gradient Operator, 2014.
, Topological structural analysis of digitized binary images by border following, Computer vision, graphics, and image processing, vol.30, pp.32-46, 1985.
, « Computer-vision-based tree trunk recognition, 2014.
, Going deeper with convolutions, Proceedings of the IEEE conference on computer vision and pattern recognition, pp.1-9, 2015.
, « Measurement of 3-D locations of fruit by binocular stereo vision for apple harvesting in an orchard, ASAE Annual Meeting, p.1, 2002.
, « Leaf segmentation, its 3d position estimation and leaf classification from a few images with very close viewpoints, International Conference Image Analysis and Recognition, pp.937-946, 2009.
, « An overview of statistical learning theory, IEEE transactions on neural networks, vol.10, pp.988-999, 1999.
, « Object cosegmentation, Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on, pp.2217-2224
DOI : 10.1109/cvpr.2011.5995530
, Bark texture feature extraction based on statistical texture analysis, Intelligent Multimedia, Video and Speech Processing, pp.482-485, 2004.
, Leaf image retrieval with shape features, International Conference on Advances in Visual Information Systems, pp.477-487, 2000.
DOI : 10.1007/3-540-40053-2_42
, « Automated identification of tree species from images of the bark, leaves and needles, 16th Computer Vision Winter Workshop. Citeseer, p.67, 2011.
, State of the World's Plants 2017, Rapp. tech. Royal Botanic Gardens, 2017.
, Bark : A Field Guide to Trees of the Northeast, 2011.
, « A leaf recognition algorithm for plant classification using probabilistic neural network ». In : Signal Processing and Information Technology, IEEE International Symposium on. IEEE, pp.11-16, 2007.
, In situ 3D segmentation of individual plant leaves using a RGB-D camera for agricultural automation, Sensors 15, vol.8, pp.20463-20479, 2015.
, « Recognition of clustered tomatoes based on binocular stereo vision, Computers and Electronics in Agriculture, vol.106, pp.75-90, 2014.
, Fruit classification using computer vision and feedforward neural network, Journal of Food Engineering, vol.143, pp.167-177, 2014.
DOI : 10.1016/j.jfoodeng.2014.07.001
, « On-tree fruit recognition using texture properties and color data, Intelligent Robots and Systems, pp.263-268, 2005.
DOI : 10.1109/iros.2005.1545592
, Evaluation of model-based interactive flower recognition, Proceedings of the 17th International Conference on. T. 2. IEEE, pp.311-314, 2004.
, , p.22
, Différentes familles de texture d'écorce selon Michael Wojtech [Woj11] avec mise en évidence des structures (dessin)
, Exemple de lenticelles de différentes formes : rondes, allongées
, Euonymus europaeus b) sont confondus avec des fleurs à cause de leur aspect très coloré. Les chatons de Carpinus betulus c) et les bourgeons de fleurs de Viburnum tinus d) sont confondus avec des fruits
, Fleur (à gauche) et fruit (à droite) de Platanus x hispanica. Fleur (à gauche) et fruit (à droite) de Betula pendula
, Exemple de question pour le formulaire de distinction entre les fruits et les fleurs
, Résultats pour l'auto-évaluation du niveau botanique de l'utilisateur, p.31
, Exemple de fleurs et de fruits bien reconnus par les utilisateurs, p.31
, Option fausse préférentiellement choisie entre le fruit et la fleur, p.31
, Option correcte préférentiellement choisie, mais grande incertitude, p.32
, Guide de la faune et de la flore, p.34
, Interface des outils ID-Botanica (gauche) et Key to Nature (droite), p.34
, Captures d'écran des applications pour smartphone Quelle est cette fleur ? a), p.36
, Captures d'écran de l'outil de reconnaissance de plantes de l'application
,
, Captures d'écran de l'application Pl@ntNet lors des différentes étapes d'identification d'une plante
, Captures d'écran de l'application LeafSnap UK lors des différentes étapes d'identification d'un arbre
, Captures d'écran de l'application Folia présentant les interfaces d'interaction utilisateur
, Interface pour la segmentation d'une feuille, avec un marqueur interne et des marqueurs externes, les bassins versants générés
,
, Boîte englobante (cadre extérieur) autour de la fleur à segmenter et détection, puis correction, des points de départ de la création du contour
, Utilisation de l'algorithme des ciseaux intelligents [MB95] pour la segmentation d'une feuille, avec ajout de trois ancres lorsque le contour extrait ne suit pas bien le bord de la feuille
, Une première segmentation est calculée à partir de la ROI tracée par l'utilisateur (rectangle vert). L'utilisateur peut ensuite rajouter des parties manquantes (points rouges) et indiquer des parties n'appartenant pas à l'objet d'intérêt (points bleus), Les différentes étapes de la segmentation d'une feuille avec GrabCut
, Illustration de l'ajustement des paramètres de la courbe rhodonea pour la segmentation d'une fleur
, Les différents organes de Acer campestre sont parfois difficiles à isoler de l'arrière
, Illustration des résultats de l'algorithme de segmentation 3D issue de [TKC09] avec une des images sources, les points 3D appairés et les feuilles segmentées, p.49
, Application d'un modèle paramétrique déformable de feuille pour la segmentation
, Illustration de l'utilisation de l'aspect circulaire des fruits pour la segmentation
, , p.53
, Détection des dents sur le contour de la feuille avec deux valeurs de seuil différentes pour les maxima de courbure, p.53
, Illustration de la discrétisation de l'espace colorimétrique RGB avec 4 bins par canal
, Vocabulaire de couleurs appris pour la reconnaissance de fruits ou de fleurs
, Visualisation des points SIFT sur différents organes végétaux, p.56
,
, Les fleurs (rangée du haut) ne ressemblent pas toujours à des fleurs, et les fruits (rangée du bas) ne sont pas toujours d'aspect circulaire et coloré, p.61
, Exemples d'écorces de Quercus ilex à différents âges, d'abord lisses puis crevassées
, Quercus nigra, Similarité inter-classes entre les arbres Acer platanoide, Populus nigra
, Les différentes familles de structures d'écorce basées sur des critères visuels, avec des dessins mettant en évidence les structures distinctives des écorces, p.69
, Exemple de recadrage d'une image d'écorce (image initiale à gauche et image recadrée à droite)
, Visualisation du nombre d'images de la base pour chaque espèce, p.70
, Betula pendula b) Fagus silvatica, c) Picea abies, d) Pinus silvestris, e) Quercus robus et f) Robinia pseudacacia, Exemple d'images de la base NewBarkTex. a), vol.87
, Taux de classification sur la base de données NewBarkTex avec le vecteur complet pour deux valeurs de quantification de l'histogramme H, p.88
, Taux de classification sur la base de 101 classes d'écorces avec différents descripteurs de textures
, Architecture du CNN AlexNet, illustration issue de, p.90
, Architecture du CNN GoogLeNet, p.91
, de couleur et de texture des fruits (les trois images de gauche) et des fleurs (les trois images de droite) des arbres présents en France métropolitaine
, La première ligne présente les images en entrée de l'algorithme de Dong et al. [Don+15] avec en vert les marques sur le fond et en rouge les marques sur l'objet. La seconde ligne expose les résultats de segmentation de l'objet pour chaque image d'entrée. C'est la cinquième image qui présente un arrière-plan différent, p.96
, Schéma des deux caméras en face arrière de l'iPhone 7 Plus, p.97
, Captures d'écran de l'application permettant de prendre en photo un organe avec chacune des deux caméras arrières de l'iPhone 7 Plus, ainsi que l'interface permettant de dessiner la trace utilisateur sur l
, Exemples de photos prises avec a) la caméra "grand-angle", b) la caméra "téléobjectif", c) la trace utilisateur et d) l'image "téléobjectif" segmentée manuellement
, Image téléobjectif initiale a) avec la trace utilisateur b) et le masque de fond c)
, Exemples de patchs conservés (verts) ou rejetés (rouges) pour la classe objet, p.100
, image initiale a) avec un patch pour n = 11 en niveau de gris b) et en couleur c)
, Autre exemples de carte de texture de l'image initiale a) avec un patch pour n = 11 en niveau de gris b) et en couleur c)
, Comparaison des cartes de texture entre des patchs en niveau de gris avec n = 11 a) et n = 5 b), et des patchs couleurs avec n = 11 c) et n = 5 d), p.103
, Exemples d'images initiales (a, c, e) avec le contour de la trace utilisateur en bleu, et les cartes de similarité de couleurs associées, vol.104
, Image initiale avec la trace utilisateur en bleu a), carte de similarité de couleurs b), carte de MLP avant suppression des patchs du fond ayant une couleur trop similaire à l'objet d'intérêt c), et carte de MLP après suppression des patchs d)
, Exemples de cartes de MLP obtenues à partir des images "téléobjectif" et des traces utilisateur (contour bleu)
, , p.106
, Illustration de CC M LP avec l'image "téléobjectif" en a), l'image binaire en sortie du MLP D M LP binary b), les composantes connexes c), la composante connexe intersectant la trace utilisateur d) et la segmentation manuelle e, p.106
, Visualisation des indices c) pour comparer une région segmentée ? seg b) par rapport à la vérité terrain ? obj a). Illustration issue de, p.107
, Résultats de segmentation d) différents en fonction de la trace utilisateur en entrée a) avec la carte de MLP b) et CC M LP c)
, Influence de la dilatation de la trace utilisateur sur la méthode CC M LP, p.109
, Influence de l'érosion de la trace utilisateur sur la méthode CC M LP, p.109
, Extraction des points d'intérêts SURF sur l'image grand-angle en haut et l'image téléobjectif en bas a) sur l'ensemble de l'image b) et restreint au centre c)
, Mise en correspondance des 30 paires de points caractéristiques présentant les meilleurs appariements
, Visualisation c) de l'application sur l'image grand-angle de la matrice d'homographie calculée entre l'image grand-angle a) et l'image téléobjectif b)
,
, Flux optique entre l'image téléobjectif et l'image grand-angle transformée dans l'espace géométrique de l'image téléobjectif
, Image grand-angle b) et téléobjectif c) d'un petit fruit, suscitant une détection et un appariement des points d'intérêt en partie sur le fond a). La matrice d'homographie étant incorrecte, la transformation géométrique de l'image grand-angle ne centre pas l'objet d'intérêt d), donnant donc une carte de profondeurs e) non pertinente
, Appariement des points caractéristiques restreints sur la trace utilisateur, p.116
, Le calcul de la transformation géométrique entre les images a) et b) permet de générer l'image c) où l'objet d'intérêt est centré, permettant de calculer l'image de profondeur d) grâce à la norme du flux optique calculé entre a) et c)
, 117 4.28 Influence de la surface de la trace utilisateur sur la carte de profondeurs sur la moyenne des pixels de la carte de profondeurs à l'intérieur de la trace utilisateur
, Influence de la surface de la trace utilisateur sur la carte de profondeurs sur l'écart-type des pixels de la carte de profondeurs à l'intérieur de la trace utilisateur
, Quercus cerris) photographié sous deux angles légèrement différents
, Cartes de profondeur obtenues pour la paire d'images de la Figure 4.30, p.120
, Fleur de grenadier (Punica granatum) photographiée avec différentes focales, p.121
, Résultats de cartes de profondeur pour les images de la Figure 4.32, p.122
, Évolution du modèle de contour actif initialisé sur la trace utilisateur a)
, L'image est en niveau de gris pour une meilleure visualisation, p.125
, Contribution de la carte de profondeurs par rapport à la carte de MLP seule. a) Image initiale, b) Carte de profondeurs D P , c) Carte de MLP
,
, Variation des indices de mesures de qualité de segmentation en fonction du poids de la carte de profondeurs
,
, Correspondances entre les différentes classes des organes et les espèces, genres et familles associés
, Les différents traitements avant l'extraction des moments de Hu avec l'image initiale a), l'image seuillée b) et les contours extraits c), p.137
, Deux inflorescences de même couleur pour lesquelles l'information de texture pourrait les différencier
, Calcul du LBP pour le pixel central
, Répartition des images dans les différentes classes
, Image initiale (à gauche) et deux images augmentées par transformation de perspective
, Image initiale (à gauche) et image transformée (à droite) avec la visualisation du bruit ajouté
, Histogramme "sommé" des canaux H pour les fruits et les fleurs segmentés de la base de données d'apprentissage non augmentée
, Évolution du taux de classification global des fruits et des fleurs classifiés uniquement avec l'histogramme de teintes H en fonction de la taille de celui-ci
, Évolution du taux de classification par classe des fruits et des fleurs classifiés uniquement avec l'histogramme de teintes H en fonction de la taille de celui
, Exemple de confusion entre les fruits et les fleurs de l'espèce Betula pendula, p.149
, Exemple de confusion entre les fruits des espèces Acer pseudoplatanus et Acer saccharinum
, Matrice de confusion issue de la prédiction des espèces, p.151
, Détail de la matrice de confusion sur la prédiction des espèces (Figure 5.14) pour les espèces appartenant au genre Quercus
, Matrice de confusion issue de la prédiction des genres, p.152
, Détail de la matrice de confusion sur la prédiction des genres (Figure 5.16) pour les genres appartenant à la famille des Betulaceae, p.152
, Fleurs de genres différents Alnus, Betula, Carpinus et Corylus appartenant à la même famille Betulaceae
, Matrice de confusion issue de la prédiction des familles, p.153
, Évolution du taux de classification pour la classification des classes de fruits-fleurs a), et pour la prédiction sur les espèces b), les genres c), les familles d)
, c) d), et leur image retaillée associée e), f), g), h) pour mettre en entrée
, Les différentes étapes de traitement pour l'identification de la feuille par l'application Folia
, Taux de reconnaissance des vecteurs F l , F b et F l,b avec le classifieur de Folia, p.163
,
, Combinaison A posteriori du vecteur de feuille F l et du vecteur d'écorce F b, p.165
, Matrice de confusion issue de la classification des feuilles grâce au classifieur de Folia
, Matrice de confusion issue de la classification des écorces grâce au classifieur SVM un contre tous
, Variabilité de la marge des feuilles du houx commun (Ilex aquifolium, p.169
, Matrice de confusion issue de la classification avec le classifieur SVM des vecteurs de feuille et d'écorce concaténés
, Matrice de confusion issue de la combinaison a posteriori des vecteurs de feuille et d'écorce
, Exemples d'écorces de Betula pendulas commençant à un jeune âge et devenant de plus en plus âgées
, Exemples d'images d'écorces de Quercus Ilex présentant une grande variété de textures
, Illustration par Frédéric PHAN des couches de convolutions du CNN AlexNet, p.188
, Leaf (scan and scan-like)" de la base de données PlantCLEF
, Leaf (scan and scan-like)" de la base de données PlantCLEF avec du bruit gaussien sur les bords de manière à conserver le ratio de la forme des feuilles
,
, Sélection de feuilles pour visualiser les différentes couches de convolutions, p.192
, Visualisation des images en sortie des noyaux de convolution des cinq couches de convolution du CNN AlexNet sur une image de feuille (Acer monspessulanum)
, Classification des filtres actifs et non actifs pour la première couche de
, Filtres de la deuxième couche de convolutions séparant les contours des feuilles selon certaines orientations
, Visualisation du même filtre de la couche de convolution 3 pour différentes feuilles avec des formes de base différentes
, Visualisation de filtres caractéristiques de la quatrième couche de convolution du réseau AlexNet
, Visualisation du même filtre de la couche de convolution 5 pour différentes feuilles lobées ou non
, Feuille de Acer monspessulanum utilisée pour la visualisation des couches de convolutions
, Visualisation de la sortie des filtres de convolution de la couche numéro 3 du réseau AlexNet
, Détection des filtres de convolution actifs grâce à la méthode de binarisation
, Résultat de la détection de filtres actifs par calcul de la valeur moyenne des pixels
, Résultat de la détection de filtres actifs par calcul de l'écart-type de l'histogramme
, Résultat de détection des filtres actifs avec la méthode basée sur le seuillage d'Otsu
, Exemple d'espèces avec une caractéristique de base tronquée, p.203
, Niveau d'activation des filtres de la troisième couche de convolution pour des feuilles présentant une base tronquée
, Autres exemples de niveaux d'activation pour la troisième couche de convolution
, 205 7.22 Cartes de plausibilité obtenues à partir des présences théoriques des espèces (0 en blanc et 1 en vert foncé). Illustrations issues de, p.212
, 24 1.5 Les différentes formes de bases de feuille, Liste des tableaux 1.1 Description des différents fruits et de leurs propriétés morphologiques.. .. 21 1.2 Les différentes formes générales de feuille
, Taux de classification sur la base d'écorces NewBarkTex avec différents vecteurs de caractéristiques
, Comparaison des résultats de classification sur la base de 101 classes d'écorces avec
, Mesure de qualité de la segmentation avec la méthode CC, p.108
, Mesures de qualité de segmentation pour les méthodes CC M LP et AC M LP prenant en compte uniquement la carte de MLP calculée sur les images dites téléobjectifs
, Comparaison des résultats de CC M LP et (AC M LP avec GAC pour la segmentation de feuilles
, Mesure de qualité de segmentation pour la segmentation via contour actif avec des poids ? et adaptés aux images
, Résultats de classification par SVM des fruits et des fleurs avec et sans augmentation de données
, Résultats de classification par MLP des fruits et des fleurs avec et sans augmentation de données
, Résultats de classification par MLP des fruits et des fleurs avec prédiction sur les espèces, les genres et les familles
, Performances des CNN AlexNet et GoogLeNet sur des images non segmentées
, Performances des CNN AlexNet et GoogLeNet sur des images segmentées avec, et sans, augmentation de données
, Évolution des taux de classification pour chaque espèce avant et après raffinement pour le vecteur d'écorce complet
, Résumé des taux de classification pour les différentes méthodes de combinaison des vecteurs de feuilles et d'écorces
, Résumé des taux de classification pour les différentes méthodes de combinaison des vecteurs de feuilles, d'écorces et de fruits-fleurs, p.180
, Résumé des taux de classification pour les combinaisons a posteriori des vecteurs de feuilles, d'écorces et de fruits-fleurs en prenant en compte la prédiction sur l'espèce ou sur le genre