Au dela des limites du modèle par sac-de-mots

Cette dissertation explore et repousse les limites de la reconnaissance visuelle basée sur les modèles par sac-de-mots. Un cadre de travail pour la reconnaissance, à la pointe de la recherche, basé sur des primitives locales et des méthodes non linéaires à noyaux, est développé et évalué, puis de possibles extensions sont explorées. Tout d abord, une évaluation à grande échelle des méthodes par sac-de-mots est réalisée pour la classification d images et de vidéos. Ensuite, des contraintes géométriques souples, adaptées aux représentations non-ordonnées, sont proposées afin de réduire l influence de la présence d un fond encombré. Enfin, nous étudions les modéles hiérarchiques de classes pour la reconnaissance d objets. En premier lieu, la construction de hiérarchies de classes à partir de données visuelles est évaluée. En second lieu, nous investiguons l extraction de hiérarchies sémantiques de classes à partir de réseaux lexicaux.This dissertation explores and extends the limits of bag-of-features based visual recognition. A state-of-the-art recognition framework based on local features and non-linear kernel methods is developed and evaluated, then possible extensions are explored. We start with a large-scale evaluation of an image and video classification framework. State-of-the-art recognition results are achieved by combining different feature channels. To tackle object class recognition in difficult, real-world conditions, we study the influence of background correlations and clutter on bag-of-features based methods. Subsequently, weak geometrical constraints over the orderless representation are proposed to reduce background clutter and improve classification performance. Finally, we study class hierarchies in the context of object recognition. First, the construction of class hierarchies from visual data is evaluated. Second, we investigate the extraction of semantic class hierarchies from lexical networks.GRENOBLE1-BU Sciences (384212103) / SudocSudocFranceF