Descripteurs de forme basés sur la densité de probabilité et apprentissage des similarités pour la recherche d'objets 3D

par Ceyhun Burak Akgül

Thèse de doctorat en Signal et images

Sous la direction de Francis Schmitt et de Bülent Sankur.

Soutenue en 2007

à Paris, ENST en cotutelle avec Boǧaziçi üniversitesi (Istanbul) .


  • Résumé

    L'objectif de la recherche par le contenu est de développer des moteurs de recherche permettant aux utilisateurs d'effectuer des requêtes par la similarité du contenu. Cette thèse aborde deux problèmes fondamentaux de la recherche d'objets 3D par le contenu : (1) Comment décrire une forme 3D pour en obtenir une représentation fiable qui facilite ensuite la recherche par similarité? (2) Comment superviser le processus de recherche afin d’apprendre les similarités inter-objets pour une recherche plus efficace et sémantique?Concernant le premier problème, nous développons un nouveau système de description de formes 3D basé sur la densité de probabilité d’attributs surfaciques locaux multivariés. Nous relevons des caractéristiques locales des points 3D et résumons l'information locale sous forme d'un descripteur global. Pour l'estimation de la densité de probabilité, nous utilisons la méthode d'estimation de densité par noyaux, associée avec un algorithme d'approximation rapide: la transformée de Gauss rapide. Les expériences sur diverses bases d'objets 3D montrent que les descripteurs basés sur la densité sont très rapides à calculer et très efficaces pour la recherche 3D par similarité. Concernant le deuxième problème, nous proposons un système d'apprentissage des similarités. Notre approche est basée sur la combinaison de scores de similarité multiples en optimisant une version convexe régularisée du critère de risque de mauvais classement empirique. Cette approche de fusion de scores à l'apprentissage des similarités peut être appliquée à divers problèmes de moteur de recherche. Dans ces travaux, nous démontrons son efficacité pour la recherche d'objets 3D.

  • Titre traduit

    Density-based shape descriptors and similarity learning for 3D object retrieval


  • Résumé

    Content-based retrieval research aims at developing search engines that would allow users to perform a query by similarity of content. This thesis deals with two fundamentals problems in content-based 3D object retrieval : (1) How to describe a 3D shape to obtain a reliable representative for the subsequent task of similarity search? (2) How to supervise the search process to learn inter-shape similarities for more effective and semantic retrieval? Concerning the first problem, we develop a novel 3D shape description scheme based on probability density of multivariate local surface features. We constructively obtain local characterizations of 3D points and then summarize the resulting local shape information into a global shape descriptor. For probability density estimation, we use the general purpose kernel density estimation methodology, coupled with a fast approximation algorithm: the fast Gauss transform. Experiments that we have conducted on several 3D object databases show that density-based descriptors are very fast to compute and very effective for 3D similarity search. Concerning the second problem, we propose a similarity learning scheme. Our approach relies on combining multiple similarity scores by optimizing a convex regularized version of the empirical ranking risk criterion. This score fusion approach to similarity learning is applicable to a variety of search engine problems. In this work, we demonstrate its effectiveness in 3D object retrieval.

Autre version

Cette thèse a donné lieu à une publication en 2008 par École nationale supérieure des télécommunications à Paris

Descripteurs de forme basés sur la densité de probabilité et apprentissage des similarités pour la recherche d'objets 3D


Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (161 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : 103 réf. bibliogr. Résumé étendu en français

Où se trouve cette thèse ?

  • Bibliothèque : Télécom ParisTech. Bibliothèque scientifique et technique.
  • Disponible pour le PEB
  • Cote : 7.345 AKGU
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.
Cette thèse a donné lieu à 1 publication .

Consulter en bibliothèque

Cette thèse a donné lieu à une publication en 2008 par École nationale supérieure des télécommunications à Paris

Informations

  • Sous le titre : Descripteurs de forme basés sur la densité de probabilité et apprentissage des similarités pour la recherche d'objets 3D
  • Dans la collection : ENST , 2007E026 , 0751-1353
  • Détails : 1 vol. (161 p.)
  • Notes : Thèse présentée pour obtenir le grade de docteur de l'Ecole nationale supérieure des télécommunications (France) et de l'Université de Bogazici (Turquie).
  • Annexes : Bibliogr. p. 155-161. Résumé étendu en français
La version de soutenance de cette thèse existe aussi sous forme papier.

Où se trouve cette thèse ?

Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.