Rôle du contre-exemple dans le retour de pertinence en recherche d'images

L'information visuelle est publiée dans le World Wide Web et les collections électroniques sous différentes formes incluant les images et la vidéo. Afin d'aider les usagers à localiser les images voulues en un minimum de temps, et donc leur permettre de tirer profit de toute cette quantité d'informations, plusieurs systèmes de recherche d'images ont vu le jour. Nous pensons que la clé de la réussite de tout système de recherche est d'identifier et de prendre en charge les besoins de chaque usager ainsi que ses spécificités. Cependant, plusieurs systèmes existants n'ont pas accordé l'importance méritée à cette question. Les questions relatives à la recherche d'images sont nombreuses, telles que l'estimation des caractéristiques et des métadonnées, la définition des mesures de similarité, le retour de pertinence (relevante feedback) et l'indexation. Dans ce mémoire, nous nous intéressons au problème de retour de pertinence et comment il peut aider à la prise en charge des besoins de l'usager. Contrairement aux méthodes classiques qui ne considèrent que l'exemple, nous introduisons une nouvelle approche permettant d'exploiter à la fois l'exemple et le contre-exemple pour formuler et raffiner les requêtes. Cela est traduit en un modèle mathématique qui nous permet d'effectuer une sélection automatique des caractéristiques dépendemment [i.e. dépendamment] de la requête, et donc de mieux répondre aux besoins de l'usager. Finalement, nous présentons un moteur de recherche que nous avons implémenté afin de valider le modèle proposé