Indexation par le contenu pour la recherche et la navigation dans de très grandes bases d'images satellitaires

par Amina Ben Hamida

Projet de thèse en STIC Traitement de l'Information

Sous la direction de Patrick Lambert.

Thèses en préparation à l'Université Grenoble Alpes en cotutelle avec l'Ecole Nationale d'ingénieurs de Sfax (ENIS) , dans le cadre de École doctorale sciences et ingénierie des systèmes, de l'environnement et des organisations (Chambéry) , en partenariat avec Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance (laboratoire) depuis le 01-10-2015 .


  • Résumé

    Dans le domaine multimédia, et en particulier pour la compréhension automatique du contenu des images, le « deep learning », ou apprentissage profond, est actuellement en train de supplanter toutes les autres approches. L'exposé envisagé se propose d'explorer comment le deep learning peut être utilisé dans le cas de l'imagerie hyperspectrale. Plus précisément, nous proposons une nouvelle architecture à base de réseau neuronal convolutionnel où les premières couches du réseau présente une structure tri-dimensensionnelle permettant de traiter conjointement les dimensions spatiales et la dimension fréquentielle. Cette approche est testée sur les images AVIRIS de l'université de Pavia. Nous étudions l'influence des paramètres du réseau et montrons que le traitement conjoint fréquence/espace fournit de meilleures performances qu'un traitement marginal de chaque composante, tout en réduisant le nombre de paramètres du réseau profond.

  • Titre traduit

    Content based image retrieval for search and navigation of very large data bases of satellite images


  • Résumé

    In the media field, particularly for the automatic understanding of the image content, the "deep learning" or profound learning, is now supplanting all other approaches. The charge taken will explore how deep learning can be used in the case of hyperspectral imaging. Specifically, we propose a new architecture based on neural network convolution where the first network layers has a tri-dimensensionnelle structure to jointly address the spatial dimensions and the frequency dimension. This approach is tested on AVIRIS images of the University of Pavia. We study the influence of parameters of the network and show that the combined treatment frequency / space provides better performance than a marginal treatment of each component, while reducing the number of parameters of the deep network.