Search

More and more scientific documents are being avaible in digital libraries. Efficient indexing is of the utmost importance for ease of access to scientific knowledge. Keywords, that supplements this indexation, can't be annotated manually given the volume of document to process. Automatic keyword production is then an important issue. The commonly used evaluation protocol has many weaknesses which make the evaluation of the recent neural models less reliable. Our goal is to precisely identify these weaknesses and to provide solutions given three axis. First, we introduce KPTimes, a dataset from the news domain. It will allow us to analyse the generalisation ability of neural models. Suprisingly, the least performant model is the most generalisable one. Then, we perform a systematic comparison of state-of-the-art methods using a strict experimental setup. This comparison shows that baselines such as TF×IDF are still competitive and that reference keywords quality have a strong impact on evaluation reliability. Finally, we introduce a new extrinsic evaluation protocol based on information retrieval. It allow us to evaluate keyphrase usefulness, an issue that has been given very little attention until now. This evaluation will help us better identify important keywords for automatic keyword production and to guide future works., Le nombre de documents scientifiques dans les bibliothèques numériques ne cesse d'augmenter. Les mots-clés, permettant d'enrichir l'indexation de ces documents ne peuvent être annotés manuellement étant donné le volume de document à traiter. La production automatique de mots-clés est donc un enjeu important. Le cadre évaluatif le plus utilisé pour cette tâche souffre de nombreuses faiblesses qui rendent l'évaluation des nouvelles méthodes neuronales peu fiables. Notre objectif est d'identifier précisément ces faiblesses et d'y apporter des solutions selon trois axes. Dans un premier temps, nous introduisons KPTimes, un jeu de données du domaine journalistique. Il nous permet d'analyser la capacité de généralisation des méthodes neuronales. De manière surprenante, nos expériences montrent que le modèle le moins performant est celui qui généralise le mieux. Dans un deuxième temps, nous effectuons une comparaison systématique des méthodes états de l'art grâce à un cadre expérimental strict. Cette comparaison indique que les méthodes de référence comme TF×IDF sont toujours compétitives et que la qualité des mots-clés de référence a un impact fort sur la fiabilité de l'évaluation. Enfin, nous présentons un nouveau protocole d'évaluation extrinsèque basé sur la recherche d'information. Il nous permet d'évaluer l'utilité des mots-clés, une question peu abordée jusqu'à présent. Cette évaluation nous permet de mieux identifier les mots-clés importants pour la tâche de production automatique de mots-clés et d'orienter les futurs travaux.

L'indexation automatique est un procédé documentaire qui a évolué avec les nouvelles technologies du Web et des moteurs de recherche. Parmi ces nouveautés, les encarts informationnels, ou infoboxes, proposent aux internautes des condensés d'information. Notre recherche montre que les professeur(e)s documentalistes enseignent pour une grande majorité l'indexation automatique. Toutefois, même s'ils/elles ont quasiment tous observé ces infoboxes, ils/elles les étudient peu avec les élèves. Notre étude propose une mise à jour de la didactisation de la notion d'indexation automatique, avec une progression originale de son enseignement à travers les infoboxes pour tout le secondaire.

This work aims at developing a generic framework which is able to produce camera-based applications of information spotting in huge repositories of heterogeneous content document images via local descriptors. The targeted systems may take as input a portion of an image acquired as a query and the system is capable of returning focused portion of database image that match the query best. We firstly propose a set of generic feature descriptors for camera-based document images retrieval and spotting systems. Our proposed descriptors comprise SRIF, PSRIF, DELTRIF and SSKSRIF that are built from spatial space information of nearest keypoints around a keypoints which are extracted from centroids of connected components. From these keypoints, the invariant geometrical features are considered to be taken into account for the descriptor. SRIF and PSRIF are computed from a local set of m nearest keypoints around a keypoint. While DELTRIF and SSKSRIF can fix the way to combine local shape description without using parameter via Delaunay triangulation formed from a set of keypoints extracted from a document image. Furthermore, we propose a framework to compute the descriptors based on spatial space of dedicated keypoints e.g SURF or SIFT or ORB so that they can deal with heterogeneous-content camera-based document image retrieval and spotting. In practice, a large-scale indexing system with an enormous of descriptors put the burdens for memory when they are stored. In addition, high dimension of descriptors can make the accuracy of indexing reduce. We propose three robust indexing frameworks that can be employed without storing local descriptors in the memory for saving memory and speeding up retrieval time by discarding distance validating. The randomized clustering tree indexing inherits kd-tree, kmean-tree and random forest from the way to select K dimensions randomly combined with the highest variance dimension from each node of the tree. We also proposed the weighted Euclidean distance between two data points that is computed and oriented the highest variance dimension. The secondly proposed hashing relies on an indexing system that employs one simple hash table for indexing and retrieving without storing database descriptors. Besides, we propose an extended hashing based method for indexing multi-kinds of features coming from multi-layer of the image. Along with proposed descriptors as well indexing frameworks, we proposed a simple robust way to compute shape orientation of MSER regions so that they can combine with dedicated descriptors (e.g SIFT, SURF, ORB and etc.) rotation invariantly. In the case that descriptors are able to capture neighborhood information around MSER regions, we propose a way to extend MSER regions by increasing the radius of each region. This strategy can be also applied for other detected regions in order to make descriptors be more distinctive. Moreover, we employed the extended hashing based method for indexing multi-kinds of features from multi-layer of images. This system are not only applied for uniform feature type but also multiple feature types from multi-layers separated. Finally, in order to assess the performances of our contributions, and based on the assessment that no public dataset exists for camera-based document image retrieval and spotting systems, we built a new dataset which has been made freely and publicly available for the scientific community. This dataset contains portions of document images acquired via a camera as a query. It is composed of three kinds of information: textual content, graphical content and heterogeneous content.; Ce travail vise à développer un cadre générique qui est capable de produire des applications de localisation d'informations à partir d’une caméra (webcam, smartphone) dans des très grands dépôts d'images de documents numérisés et hétérogènes via des descripteurs locaux. Ainsi, dans cette thèse, nous proposons d'abord un ensemble de descripteurs qui puissent être appliqués sur des contenus aux caractéristiques génériques (composés de textes et d’images) dédié aux systèmes de recherche et de localisation d'images de documents. Nos descripteurs proposés comprennent SRIF, PSRIF, DELTRIF et SSKSRIF qui sont construits à partir de l’organisation spatiale des points d’intérêts les plus proches autour d'un point-clé pivot. Tous ces points sont extraits à partir des centres de gravité des composantes connexes de l‘image. A partir de ces points d’intérêts, des caractéristiques géométriques invariantes aux dégradations sont considérées pour construire nos descripteurs. SRIF et PSRIF sont calculés à partir d'un ensemble local des m points d’intérêts les plus proches autour d'un point d’intérêt pivot. Quant aux descripteurs DELTRIF et SSKSRIF, cette organisation spatiale est calculée via une triangulation de Delaunay formée à partir d'un ensemble de points d’intérêts extraits dans les images. Cette seconde version des descripteurs permet d’obtenir une description de forme locale sans paramètres. En outre, nous avons également étendu notre travail afin de le rendre compatible avec les descripteurs classiques de la littérature qui reposent sur l’utilisation de points d’intérêts dédiés de sorte qu'ils puissent traiter la recherche et la localisation d'images de documents à contenu hétérogène. La seconde contribution de cette thèse porte sur un système d'indexation de très grands volumes de données à partir d’un descripteur volumineux. Ces deux contraintes viennent peser lourd sur la mémoire du système d’indexation. En outre, la très grande dimensionnalité des descripteurs peut amener à une réduction de la précision de l'indexation, réduction liée au problème de dimensionnalité. Nous proposons donc trois techniques d'indexation robustes, qui peuvent toutes être employées sans avoir besoin de stocker les descripteurs locaux dans la mémoire du système. Cela permet, in fine, d’économiser la mémoire et d’accélérer le temps de recherche de l’information, tout en s’abstrayant d’une validation de type distance. Pour cela, nous avons proposé trois méthodes s’appuyant sur des arbres de décisions : « randomized clustering tree indexing” qui hérite des propriétés des kd-tree, « kmean-tree » et les « random forest » afin de sélectionner de manière aléatoire les K dimensions qui permettent de combiner la plus grande variance expliquée pour chaque nœud de l’arbre. Nous avons également proposé une fonction de hachage étendue pour l'indexation de contenus hétérogènes provenant de plusieurs couches de l'image. Comme troisième contribution de cette thèse, nous avons proposé une méthode simple et robuste pour calculer l'orientation des régions obtenues par le détecteur MSER, afin que celui-ci puisse être combiné avec des descripteurs dédiés. Comme la plupart de ces descripteurs visent à capturer des informations de voisinage autour d’une région donnée, nous avons proposé un moyen d'étendre les régions MSER en augmentant le rayon de chaque région. Cette stratégie peut également être appliquée à d'autres régions détectées afin de rendre les descripteurs plus distinctifs. Enfin, afin d'évaluer les performances de nos contributions, et en nous fondant sur l'absence d'ensemble de données publiquement disponibles pour la localisation d’information hétérogène dans des images capturées par une caméra, nous avons construit trois jeux de données qui sont disponibles pour la communauté scientifique.

This work aims at developing a generic framework which is able to produce camera-based applications of information spotting in huge repositories of heterogeneous content document images via local descriptors. The targeted systems may take as input a portion of an image acquired as a query and the system is capable of returning focused portion of database image that match the query best. We firstly propose a set of generic feature descriptors for camera-based document images retrieval and spotting systems. Our proposed descriptors comprise SRIF, PSRIF, DELTRIF and SSKSRIF that are built from spatial space information of nearest keypoints around a keypoints which are extracted from centroids of connected components. From these keypoints, the invariant geometrical features are considered to be taken into account for the descriptor. SRIF and PSRIF are computed from a local set of m nearest keypoints around a keypoint. While DELTRIF and SSKSRIF can fix the way to combine local shape description without using parameter via Delaunay triangulation formed from a set of keypoints extracted from a document image. Furthermore, we propose a framework to compute the descriptors based on spatial space of dedicated keypoints e.g SURF or SIFT or ORB so that they can deal with heterogeneous-content camera-based document image retrieval and spotting. In practice, a large-scale indexing system with an enormous of descriptors put the burdens for memory when they are stored. In addition, high dimension of descriptors can make the accuracy of indexing reduce. We propose three robust indexing frameworks that can be employed without storing local descriptors in the memory for saving memory and speeding up retrieval time by discarding distance validating. The randomized clustering tree indexing inherits kd-tree, kmean-tree and random forest from the way to select K dimensions randomly combined with the highest variance dimension from each node of the tree. We also proposed the weighted Euclidean distance between two data points that is computed and oriented the highest variance dimension. The secondly proposed hashing relies on an indexing system that employs one simple hash table for indexing and retrieving without storing database descriptors. Besides, we propose an extended hashing based method for indexing multi-kinds of features coming from multi-layer of the image. Along with proposed descriptors as well indexing frameworks, we proposed a simple robust way to compute shape orientation of MSER regions so that they can combine with dedicated descriptors (e.g SIFT, SURF, ORB and etc.) rotation invariantly. In the case that descriptors are able to capture neighborhood information around MSER regions, we propose a way to extend MSER regions by increasing the radius of each region. This strategy can be also applied for other detected regions in order to make descriptors be more distinctive. Moreover, we employed the extended hashing based method for indexing multi-kinds of features from multi-layer of images. This system are not only applied for uniform feature type but also multiple feature types from multi-layers separated. Finally, in order to assess the performances of our contributions, and based on the assessment that no public dataset exists for camera-based document image retrieval and spotting systems, we built a new dataset which has been made freely and publicly available for the scientific community. This dataset contains portions of document images acquired via a camera as a query. It is composed of three kinds of information: textual content, graphical content and heterogeneous content., Ce travail vise à développer un cadre générique qui est capable de produire des applications de localisation d'informations à partir d’une caméra (webcam, smartphone) dans des très grands dépôts d'images de documents numérisés et hétérogènes via des descripteurs locaux. Ainsi, dans cette thèse, nous proposons d'abord un ensemble de descripteurs qui puissent être appliqués sur des contenus aux caractéristiques génériques (composés de textes et d’images) dédié aux systèmes de recherche et de localisation d'images de documents. Nos descripteurs proposés comprennent SRIF, PSRIF, DELTRIF et SSKSRIF qui sont construits à partir de l’organisation spatiale des points d’intérêts les plus proches autour d'un point-clé pivot. Tous ces points sont extraits à partir des centres de gravité des composantes connexes de l‘image. A partir de ces points d’intérêts, des caractéristiques géométriques invariantes aux dégradations sont considérées pour construire nos descripteurs. SRIF et PSRIF sont calculés à partir d'un ensemble local des m points d’intérêts les plus proches autour d'un point d’intérêt pivot. Quant aux descripteurs DELTRIF et SSKSRIF, cette organisation spatiale est calculée via une triangulation de Delaunay formée à partir d'un ensemble de points d’intérêts extraits dans les images. Cette seconde version des descripteurs permet d’obtenir une description de forme locale sans paramètres. En outre, nous avons également étendu notre travail afin de le rendre compatible avec les descripteurs classiques de la littérature qui reposent sur l’utilisation de points d’intérêts dédiés de sorte qu'ils puissent traiter la recherche et la localisation d'images de documents à contenu hétérogène. La seconde contribution de cette thèse porte sur un système d'indexation de très grands volumes de données à partir d’un descripteur volumineux. Ces deux contraintes viennent peser lourd sur la mémoire du système d’indexation. En outre, la très grande dimensionnalité des descripteurs peut amener à une réduction de la précision de l'indexation, réduction liée au problème de dimensionnalité. Nous proposons donc trois techniques d'indexation robustes, qui peuvent toutes être employées sans avoir besoin de stocker les descripteurs locaux dans la mémoire du système. Cela permet, in fine, d’économiser la mémoire et d’accélérer le temps de recherche de l’information, tout en s’abstrayant d’une validation de type distance. Pour cela, nous avons proposé trois méthodes s’appuyant sur des arbres de décisions : « randomized clustering tree indexing” qui hérite des propriétés des kd-tree, « kmean-tree » et les « random forest » afin de sélectionner de manière aléatoire les K dimensions qui permettent de combiner la plus grande variance expliquée pour chaque nœud de l’arbre. Nous avons également proposé une fonction de hachage étendue pour l'indexation de contenus hétérogènes provenant de plusieurs couches de l'image. Comme troisième contribution de cette thèse, nous avons proposé une méthode simple et robuste pour calculer l'orientation des régions obtenues par le détecteur MSER, afin que celui-ci puisse être combiné avec des descripteurs dédiés. Comme la plupart de ces descripteurs visent à capturer des informations de voisinage autour d’une région donnée, nous avons proposé un moyen d'étendre les régions MSER en augmentant le rayon de chaque région. Cette stratégie peut également être appliquée à d'autres régions détectées afin de rendre les descripteurs plus distinctifs. Enfin, afin d'évaluer les performances de nos contributions, et en nous fondant sur l'absence d'ensemble de données publiquement disponibles pour la localisation d’information hétérogène dans des images capturées par une caméra, nous avons construit trois jeux de données qui sont disponibles pour la communauté scientifique.

L'éparpillement des connaissances dans une organisation fait peser des risques importants sur son fonctionnement. Perte de temps pour accéder, souvent partiellement, aux informations existantes, faible valorisation des connaissances pouvant entraîner des pertes de valeur scientifiques et donc financières, mauvais choix stratégiques, non prise en compte des risques juridiques et industriels, etc. Face à ces risques, il est important que les organisations se dotent d'outils permettant la mise à disposition et l'exploitation intelligente des ressources informationnelles qu'elles produisent ou qu'elles consultent. C'était l'objet de la mission qui m'a été confiée par la société Ostéobio, école et centre de recherche en ostéopathie, que d'élaborer un cahier des charges pour un projet de moteur de recherche qui permette de promouvoir l'utilisation d'un modèle de connaissance dans la recherche et l'exploitation des ressources scientifiques de l'entreprise. Après avoir présenté le contexte de cette mission et initié une réflexion sur ce qui définit la recherche d'informations, ce mémoire se propose de présenter les façons dont un moteur de recherche peut être au service de la connaissance dans une organisation. Il insiste particulièrement sur les notions d'indexation automatique des documents et de référentiel terminologique qui sont, pour l'auteur, les fondements de l'assistance intelligente à la recherche et l'exploitation d'informations.

Keyphrases are words or multi-word expressions that representthe content of a document. Keyphrases give a synopticview of a document and help to index it for informationretrieval. This Ph.D thesis focuses on domain-specificautomatic keyphrase annotation. Automatic keyphrase annotationis still a difficult task, and current systems do notachieve satisfactory results. Our work is divided in two steps.First, we propose a keyphrase candidate selection methodthat focuses on the categories of adjectives relevant withinkeyphrases and propose a method to rank them accordingto their importance within the document. This method, TopicRank,is a graph-based method that clusters keyphrasecandidates into topics, ranks the topics and extracts onekeyphrase per important topic. Our experiments show thatTopicRank significantly outperforms other graph-basedmethodsfor automatic keyphrase annotation. Second, we focuson domain-specific documents and adapt our previous work.We study the best practice of manual keyphrase annotationby professional indexers andmimic it with a newmethod, TopicCoRank.TopicCoRank adds a new graph representing thespecific domain to the topic graph of TopicRank. Leveragingthis second graph, TopicCoRank possesses the rare ability toprovide keyphrases that do not occur within documents. Appliedon four corpora of four specific domains, TopicCoRanksignificantly outperforms TopicRank.; Les termes-clés, ou mots-clés, sont des mots ou des expressionsqui représentent le contenu d’un document. Ilsen donnent une représentation synthétique et permettent del’indexer pour la recherche d’information. Cette thèse s’intéresseà l’indexation automatique par termes-clés de documentsen domaines de spécialité. La tâche est difficile à réaliseret les méthodes actuelles peinent encore à atteindre desrésultats satisfaisants. Notre démarche s’organise en deuxtemps. Dans un premier temps, nous nous intéressons à l’indexationpar termes-clés en général. Nous proposons uneméthode pour sélectionner des termes-clés candidats dansun document en nous focalisant sur la catégorie des adjectifsqu’ils peuvent contenir, puis proposons uneméthode pourles ordonner par importance. Cette dernière, TopicRank, sesitue en aval de la sélection des candidats. C’est une méthodeà base de graphe qui groupe les termes-clés candidatsvéhiculant le même sujet, projette les sujets dans un grapheet extrait un terme-clé par sujet. Nos expériences montrentque TopicRank est significativement meilleur que les précédentesméthodes à base de graphe. Dans un second temps,nous adaptons notre travail à l’indexation par termes-clésen domaines de spécialité. Nous étudions la méthodologied’indexation manuelle de documentalistes et la simulons àl’aide de TopicCoRank. TopicCoRank ajoute à TopicRank ungraphe qui représente le domaine de spécialité du document.Grâce à ce second graphe, TopicCoRank possède la rare capacitéà fournir des termes-clés qui n’apparaissent pas dansles documents. Appliqué à quatre domaines de spécialité, TopicCoRankaméliore significativement TopicRank.

Keyphrases are words or multi-word expressions that representthe content of a document. Keyphrases give a synopticview of a document and help to index it for informationretrieval. This Ph.D thesis focuses on domain-specificautomatic keyphrase annotation. Automatic keyphrase annotationis still a difficult task, and current systems do notachieve satisfactory results. Our work is divided in two steps.First, we propose a keyphrase candidate selection methodthat focuses on the categories of adjectives relevant withinkeyphrases and propose a method to rank them accordingto their importance within the document. This method, TopicRank,is a graph-based method that clusters keyphrasecandidates into topics, ranks the topics and extracts onekeyphrase per important topic. Our experiments show thatTopicRank significantly outperforms other graph-basedmethodsfor automatic keyphrase annotation. Second, we focuson domain-specific documents and adapt our previous work.We study the best practice of manual keyphrase annotationby professional indexers andmimic it with a newmethod, TopicCoRank.TopicCoRank adds a new graph representing thespecific domain to the topic graph of TopicRank. Leveragingthis second graph, TopicCoRank possesses the rare ability toprovide keyphrases that do not occur within documents. Appliedon four corpora of four specific domains, TopicCoRanksignificantly outperforms TopicRank.; Les termes-clés, ou mots-clés, sont des mots ou des expressionsqui représentent le contenu d’un document. Ilsen donnent une représentation synthétique et permettent del’indexer pour la recherche d’information. Cette thèse s’intéresseà l’indexation automatique par termes-clés de documentsen domaines de spécialité. La tâche est difficile à réaliseret les méthodes actuelles peinent encore à atteindre desrésultats satisfaisants. Notre démarche s’organise en deuxtemps. Dans un premier temps, nous nous intéressons à l’indexationpar termes-clés en général. Nous proposons uneméthode pour sélectionner des termes-clés candidats dansun document en nous focalisant sur la catégorie des adjectifsqu’ils peuvent contenir, puis proposons uneméthode pourles ordonner par importance. Cette dernière, TopicRank, sesitue en aval de la sélection des candidats. C’est une méthodeà base de graphe qui groupe les termes-clés candidatsvéhiculant le même sujet, projette les sujets dans un grapheet extrait un terme-clé par sujet. Nos expériences montrentque TopicRank est significativement meilleur que les précédentesméthodes à base de graphe. Dans un second temps,nous adaptons notre travail à l’indexation par termes-clésen domaines de spécialité. Nous étudions la méthodologied’indexation manuelle de documentalistes et la simulons àl’aide de TopicCoRank. TopicCoRank ajoute à TopicRank ungraphe qui représente le domaine de spécialité du document.Grâce à ce second graphe, TopicCoRank possède la rare capacitéà fournir des termes-clés qui n’apparaissent pas dansles documents. Appliqué à quatre domaines de spécialité, TopicCoRankaméliore significativement TopicRank.

International audience; Résumé : La contribution de ce travail s'inscrit dans un domaine multidisciplinaire faisant appel au traitement automatique du langage naturel pour construire l'indexation de contenus et développer la recherche d'informations et l'organisation des connaissances dans les réseaux sociaux professionnels. En expérimentation dans le domaine des nanosciences, des valorisations ont été observées par la ré-indexation sociale au travers de nouveaux concepts dans un questionnaire d'une étude spécifique, à savoir : (i) « Quelles sont les raisons pour lesquels le répondant a adhéré au Club nanoMétrologie ? » et (ii) « Qu'est-ce qu'il attend spécifiquement d'une telle structure collaborative ? ». A l'issu des traitements et analyses du questionnaire, des recommandations en matière d'aide à la décision ont pu être proposées pour le rapprochement des activités, des projets et des acteurs associant des compétences.

Im Projekt DBpedia werden unter anderem Informationen aus Wikipedia-Artikeln in RDF-Tripel umgewandelt. Dabei werden jedoch nicht die Artikeltexte berücksichtigt, sondern vorrangig die sogenannten Infoboxen, die Informationen enthalten, die bereits strukturiert sind. Im Rahmen einer Masterarbeit am Institut für Bibliotheks- und Informationswissenschaft der Humboldt-Universität zu Berlin wurde wiki2rdf entwickelt, eine Software zur regelbasierten Extraktion von RDF-Tripeln aus den unstrukturierten Volltexten der Wikipedia. Die Extraktion erfolgt nach Syntax-Parsing mithilfe eines Dependency-Parsers. Exemplarisch wurde wiki2rdf auf 68820 Artikel aus der Kategorie „Wissenschaftler“ der deutschsprachigen Wikipedia angewandt. Es wurden 244563 Tripel extrahiert., DBpedia is a project that among other things extracts RDF statements from articles of Wikipedia. However, it does not exploit full article texts but mainly the so-called infoboxes that contain information that is already structured. As a master thesis at Berlin School of Library and Information Science, wiki2rdf was developed, a tool for rule-based extraction of RDF triples from full unstructured Wikipedia article texts. Extraction is carried out after syntactical parsing using a dependency parser. wiki2rdf has been used for triple extraction from 68820 articles about scientists and humanists (category “Wissenschaftler”) in GermanWikipedia. 244563 triples werde extracted., Le projet DBpedia consiste, parmi d’autres, en la conversion d’articles de Wikipédia en triplets RDF. Toutefois, ne sont pas pris en compte les textes des articles, mais plutôt les encadrés d’information qui contiennent des informations déjà structurées. Wiki2rdf a été développé dans le cadre d’un mémoire de maîtrise à l’Institut de bibliothéconomie et sciences de l’information de l’Université Humboldt de Berlin. Il s’agit d’un logiciel pour l’extraction de triplets RDF de textes intégraux de Wikipédia non structurés. L’extraction se fait grâce à un analyseur de syntaxe et à l’aide d’un analyseur de dépendance. À titre d’exemple, wiki2rdf a été utilisé sur 68.820 articles provenant de la catégorie des « scientifiques » de la Wikipédia germanophone. 244 563 triplets ont ainsi été extraits.

The scale of multimedia collections has grown very fast over the last few years. Facebook stores more than 100 billion images, 200 million are added every day. In order to cope with this growth, methods for content-based image retrieval must adapt gracefully. The work presented in this thesis goes in this direction. Two observations drove the design of the high-dimensional indexing technique presented here. Firstly, the collections are so huge, typically several terabytes, that they must be kept on secondary storage. Addressing disk related issues is thus central to our work. Secondly, all CPUs are now multi-core and clusters of machines are a commonplace. Parallelism and distribution are both key for fast indexing and high-throughput batch-oriented searching. We describe in this manuscript a high-dimensional indexing technique called eCP. Its design includes the constraints associated to using disks, parallelism and distribution. At its core is an non-iterative unstructured vectorial quantization scheme. eCP builds on an existing indexing scheme that is main memory oriented. Our first contribution is a set of extensions for processing very large data collections, reducing indexing costs and best using disks. The second contribution proposes multi-threaded algorithms for both building and searching, harnessing the power of multi-core processors. Datasets for evaluation contain about 25 million images or over 8 billion SIFT descriptors. The third contribution addresses distributed computing. We adapt eCP to the MapReduce programming model and use the Hadoop framework and HDFS for our experiments. This time we evaluate eCP's ability to scale-up with a collection of 100 million images, more than 30 billion SIFT descriptors, and its ability to scale-out by running experiments on more than 100 machines., Les volumes de données multimédia ont fortement crus ces dernières années. Facebook stocke plus de 100 milliards d'images, 200 millions sont ajoutées chaque jour. Cela oblige les systèmes de recherche d'images par le contenu à s'adapter pour fonctionner à ces échelles. Les travaux présentés dans ce manuscrit vont dans cette direction. Deux observations essentielles cadrent nos travaux. Premièrement, la taille des collections d'images est telle, plusieurs téraoctets, qu'il nous faut obligatoirement prendre en compte les contraintes du stockage secondaire. Cet aspect est central. Deuxièmement, tous les processeurs sont maintenant multi-cœurs et les grilles de calcul largement disponibles. Du coup, profiter de parallélisme et de distribution semble naturel pour accélérer tant la construction de la base que le débit des recherches par lots. Cette thèse décrit une technique d'indexation multidimensionnelle s'appelant eCP. Sa conception prend en compte les contraintes issues de l'usage de disques et d'architectures parallèles et distribuées. eCP se fonde sur la technique de quantification vectorielle non structurée et non itérative. eCP s'appuie sur une technique de l'état de l'art qui est toutefois orientée mémoire centrale. Notre première contribution se compose d'extensions destinées à permettre de traiter de très larges collections de données en réduisant fortement le coût de l'indexation et en utilisant les disques au mieux. La seconde contribution tire profit des architectures multi-cœurs et détaille comment paralléliser l'indexation et la recherche. Nous évaluons cet apport sur près de 25 millions d'images, soit près de 8 milliards de descripteurs SIFT. La troisième contribution aborde l'aspect distribué. Nous adaptons eCP au paradigme Map-Reduce et nous utilisons Hadoop pour en évaluer les performances. Là, nous montrons la capacité de eCP à traiter de grandes bases en indexant plus de 100 millions d'images, soit 30 milliards de SIFT. Nous montrons aussi la capacité de eCP à utiliser plusieurs centaines de cœurs.

A l'heure où, dans l'entreprise, chaque collaborateur produit de plus en plus d'informations et souhaite accéder à une plateforme de recherche unique, les éditeurs de moteurs de recherche d'entreprise présentent leur logiciel comme une solution efficace, rapide et simple à installer. Qu'en est-il réellement ? L'efficience du moteur, qui plus est sémantique, ne dépend-elle pas d'une organisation documentaire qui régit la description et le classement des données et des documents interrogés ? Ce mémoire se propose d'explorer ces questions après avoir décrit les caractéristiques de l'information en entreprise et les spécificités du moteur de recherche d'entreprise par rapport à d'autres systèmes documentaires. Il explore l'interface et les mécanismes linguistiques mis en oeuvre afin d'établir en quoi le moteur est sémantique, puis il dégage ses limites. Le moteur est ensuite étudié sous l'angle du projet, de son équipe matricielle aux compétences diversifiées, face à des éditeurs qui choisissent aujourd'hui de positionner leur solution au plus près de l'information structurée. La dernière partie de ce travail illustre les enjeux liés à la gestion documentaire et à la gestion de projet qui ont émergé au cours du déploiement du moteur Exalead CloudView à la direction R&D de la société Diagnostica Stago.

Le mémoire traite des notions liées à l'accès à l'information dans le contexte des sites d'information de presse. A travers le projet d'amélioration de la recherche sur le site web du journal Libération, l'auteur analyse le vocabulaire contrôlé existant, le thésaurus, et propose sa transformation en taxonomie, un nouveau référentiel exploitable lors de la mise en place d'une taxonomie de navigation. L'auteur défend l'usage des vocabulaires contrôlés dans les systèmes informationnels d'aujourd'hui et notamment dans la structuration de la base de données de la presse d'actualité pour offrir des moyens d'accès aux internautes. Enfin, cette étude aboutit à une réflexion autour des nouveaux enjeux pour les documentalistes et les professionnels de l'information, liés aux technologies actuelles, et particulièrement au web sémantique, et à un repositionnement de leur statut face à la stratégie de l'entreprise tout en évoquant l'importance d'une bonne gestion de projet.

Between September 2008 and September 2009, IRD (Research Institute for Development) established a programme of scanning workshops within the SIST project (System for Scientific and Technical Information) of MAEE (French Ministry of Foreign and European Affairs). This initiative involved documentation centers and libraries of public institutions (Universities, Research Institutes) in several French-speaking African countries (Benin, Burkina Faso, Madagascar, Niger, Senegal, Tunisia).The programme enabled the purchase of scanning equipment (fast A4 scanners, PCs, dedicated software) and training teams to digitise documents (theses, articles, books) produced by the staff (researchers, engineers, students) of participating institutions. The Greenstone software was chosen to provide access, over the Internet, to the collections of digital materials. All teams were trained in the installation, administration and use of this tool.The collections made by the project participants consist of documents in pdf format. Metadata is made available either by incorporating existing bibliographic databases (usually in the CDS/ISIS format) or by direct input into the metadata fields of digital files. In the latter case, the metadata entries include document title, authors, publication date and subject.

École doctorale MATISSE : Mathématiques, Télécommunications, Informatique, Signal, Systèmes, Électronique; TV streams are structured : they consist of consecutive television programs (news , movies, magazines, etc.) and of inter-programs (commercial, trailer, sponsoring, etc.). As soon as they are broadcasted on the air, the TV streams lose unfortunately all information on their structure. The main problem of this thesis is to automatically recover, from the received linear audio/visual signals and using the possible available metadata provided by TV channels, the original structure of the TV streams, with the exact start and the exact end of each broadcasted program. This thesis presents a full system for automatic TV stream structuring that has been rigorously evaluated on four weeks of real TV streams, on two different TV channels. The system makes use of the repetition property of the inter-programs. A first segmentation step based on repeated video sequence detection is performed. Resulting segments (the occurrences of repeated sequences and the rest of the stream) are then classified in program segments or in inter-program segments. The proposed classification solution is based on Inductive Logic Programming. It makes use of neighboring relations between segments. Finally, detected program segments are labelled using metadata and those that belong to the same TV program are reunified. When metadata are not available, program segments of the same TV program can only be reunified based on visual and structure similarities.; Les flux de télévision sont structurés : ils sont en effet composés de programmes successifs (journaux, films, magazines, etc.) et entrecoupés par des inter-programmes (publicités, bandes annonces, parrainages, etc.). Dès que les flux sont diffusés sur les ondes, ils perdent malheureusement toute information de structure. La problématique de la délinéarisation automatique est de retrouver la structure des flux TV, avec en particulier le début précis et la fin précise de chaque programme, à partir des signaux audiovisuels reçus et des métadonnées éventuellement fournies par les chaînes TV. Cette thèse présente un système complet de délinéarisation automatique rigoureusement évalué sur quatre semaines de flux TV réels, pour deux chaînes de télévision différentes. Les travaux se basent sur la propriété de répétition des inter-programmes. Cette propriété est exploitée à travers la détection de toutes les répétitions d'un flux grâce à une technique de clustering des images clés du flux. Ces répétitions servent à la création de segments qui sont ensuite classés en segments de programme ou en segments d'inter-programme suivant les caractéristiques des répétitions et les relations entre les segments. Pour cela, le système utilise la programmation logique inductive. Une fois les segments classés, les segments de programme appartenant à un même programme sont étiquetés et réunifiés grâce aux métadonnées éventuelles. En l'absence de métadonnées, les segments de programme d'un même programme peuvent être seulement réunifiés grâce à des similarités visuelles.

This thesis deals with the biased subject of cognitive automation without really coming to a decision. A complete information processing system to support each step of a collective decision-making process (DMP) is proposed. The automation of the learning stage in a DMP is emphasized: the actionable knowledge, i.e. the knowledge relevant for action, becomes a data that can be manipulated by algorithms. The model that supports our interactive decision-making support system (IDMSS) widely relies on automated knowledge processing. Data-mining, multi criteria decision and optimization techniques are together required in our IDMSS that corresponds to a cybernetic interpretation of the model of decision by the economist Simon. The epistemic incertitude inherent to a decision-making is captured by the notion of decisional risk that analyses the discriminating factors between competing alternatives. Several attitudes in the control of decisional risk may be envisaged: the IDMSS can be used to validate, check or refute an opinion. In every case, the control of epistemic incertitude is not neutral w.r.t. the dynamics of the DMP. The instrumentation of the learning stage in the DMP leads to elaborate the actuator of a retroaction loop that enables to control the dynamics of the DMP. Our approach provides a new framework to formalize the relations between epistemic incertitude, decisional risk and decision stability concepts.An analysis of the fundamental concepts of actionable knowledge and of automated indexation that support our models and tools is proposed. The actionable knowledge concept acquires a new interpretation in this cybernetic framework: that is the knowledge manipulated by the IDMSS actuator to control the dynamics of a DMP. A brief synthesis of the most popular learning techniques in knowledge discovery is proposed. All these techniques are instantiated for the automated extraction of actionable knowledge in a multi criteria evaluation process. The problem of a video-club manager who tries to optimize his investments w.r.t. the preferences of his customers provides a relevant application that illustrates our whole information processing system., Cette thèse, sans prendre parti, aborde le sujet délicat qu'est l'automatisation cognitive. Elle propose la mise en place d'une chaîne informatique complète pour supporter chacune des étapes de la décision. Elle traite en particulier de l'automatisation de la phase d'apprentissage en faisant de la connaissance actionnable--la connaissance utile à l'action--une entité informatique manipulable par des algorithmes.Le modèle qui supporte notre système interactif d'aide à la décision de groupe (SIADG) s'appuie largement sur des traitements automatiques de la connaissance. Datamining, multicritère et optimisation sont autant de techniques qui viennent se compléter pour élaborer un artefact de décision qui s'apparente à une interprétation cybernétique du modèle décisionnel de l'économiste Simon. L'incertitude épistémique inhérente à une décision est mesurée par le risque décisionnel qui analyse les facteurs discriminants entre les alternatives. Plusieurs attitudes dans le contrôle du risque décisionnel peuvent être envisagées : le SIADG peut être utilisé pour valider, vérifier ou infirmer un point de vue. Dans tous les cas, le contrôle exercé sur l'incertitude épistémique n'est pas neutre quant à la dynamique du processus de décision. L'instrumentation de la phase d'apprentissage du processus décisionnel conduit ainsi à élaborer l'actionneur d'une boucle de rétroaction visant à asservir la dynamique de décision. Notre modèle apporte un éclairage formel des liens entre incertitude épistémique, risque décisionnel et stabilité de la décision.Les concepts fondamentaux de connaissance actionnable (CA) et d'indexation automatique sur lesquels reposent nos modèles et outils de TALN sont analysés. La notion de connaissance actionnable trouve dans cette vision cybernétique de la décision une interprétation nouvelle : c'est la connaissance manipulée par l'actionneur du SIADG pour contrôler la dynamique décisionnelle. Une synthèse rapide des techniques d'apprentissage les plus éprouvées pour l'extraction automatique de connaissances en TALN est proposée. Toutes ces notions et techniques sont déclinées sur la problématique spécifique d'extraction automatique de CAs dans un processus d'évaluation multicritère. Enfin, l'exemple d'application d'un gérant de vidéoclub cherchant à optimiser ses investissements en fonction des préférences de sa clientèle reprend et illustre le processus informatisé dans sa globalité.

Multimedia data bases, both personal and professional, are continuously growing and the need for automatic solutions becomes mandatory. Effort devoted by the research community to content-based image indexing is also growing, but the semantic gap is difficult to cross: the low level descriptors used for indexing are not efficient enough for an ergonomic manipulation of big and generic image data bases. The text present in a scene is usually linked to image semantic context and constitutes a relevant descriptor for content-based image indexing. In this thesis we present an approach to automatic detection of text from natural scenes, which tends to handle the text in different sizes, orientations, and backgrounds. The system uses a non linear scale space based on the ultimate opening operator (a morphological numerical residue). In a first step, we study the action of this operator on real images, and propose solutions to overcome these intrinsic limitations. In a second step, the operator is used in a text detection framework which contains additionally various tools of text categorisation. The robustness of our approach is proven on two different dataset. First we took part to ImagEval evaluation campaign and our approach was ranked first in the text localisation contest. Second, we produced result (using the same framework) on the free ICDAR dataset, the results obtained are comparable with those of the state of the art. Lastly, a demonstrator was carried out for EADS. Because of confidentiality, this work could not be integrated into this manuscript.; Les bases de données multimédia, aussi bien personnelles que professionnelles, se développent considérablement et les outils automatiques pour leur gestion efficace deviennent indispensables. L'effort des chercheurs pour développer des outils d'indexation basés sur le contenu sont très importants, mais le fossé sémantique est difficile à franchir : les descripteurs de bas niveau généralement utilisés montrent leurs limites dans des cadres applicatifs de plus en plus ouverts. Le texte présent dans les images est souvent relié au contexte sémantique et constitue un descripteur pertinent. Dans cette thèse nous proposons un système de localisation de texte dans des bases d'images génériques, qui tend à être robuste au changement d'échelle et aux déformations usuelles du texte enfoui. Notre système est basé sur un opérateur résiduel numérique, l'ouvert ultime. Dans une première partie nous étudions le comportement de cet opérateur sur des images réelles, et proposons des solutions pour pallier certaines limitations. Dans une seconde partie l'opérateur est inclus dans une chaîne de traitement et complété par différents outils de caractérisation du texte. Les performances de notre approche sont évaluées sur deux bases d'images. Premièrement, nous avons pris part à la campagne d'évaluation ImagEval, remportant la première place dans la catégorie "localisation de texte". Deuxièmement pour situer notre approche par rapport à l'état de l'art, nous avons effectué des tests avec la base d'évaluation I.C.D.A.R. Enfin, un démonstrateur a été réalisé pour EADS. Pour des raisons de confidentialité, ces travaux n'ont pas pu être intégrés à ce manuscrit.

Multimedia data bases, both personal and professional, are continuously growing and the need for automatic solutions becomes mandatory. Effort devoted by the research community to content-based image indexing is also growing, but the semantic gap is difficult to cross: the low level descriptors used for indexing are not efficient enough for an ergonomic manipulation of big and generic image data bases. The text present in a scene is usually linked to image semantic context and constitutes a relevant descriptor for content-based image indexing. In this thesis we present an approach to automatic detection of text from natural scenes, which tends to handle the text in different sizes, orientations, and backgrounds. The system uses a non linear scale space based on the ultimate opening operator (a morphological numerical residue). In a first step, we study the action of this operator on real images, and propose solutions to overcome these intrinsic limitations. In a second step, the operator is used in a text detection framework which contains additionally various tools of text categorisation. The robustness of our approach is proven on two different dataset. First we took part to ImagEval evaluation campaign and our approach was ranked first in the text localisation contest. Second, we produced result (using the same framework) on the free ICDAR dataset, the results obtained are comparable with those of the state of the art. Lastly, a demonstrator was carried out for EADS. Because of confidentiality, this work could not be integrated into this manuscript.; Les bases de données multimédia, aussi bien personnelles que professionnelles, se développent considérablement et les outils automatiques pour leur gestion efficace deviennent indispensables. L'effort des chercheurs pour développer des outils d'indexation basés sur le contenu sont très importants, mais le fossé sémantique est difficile à franchir : les descripteurs de bas niveau généralement utilisés montrent leurs limites dans des cadres applicatifs de plus en plus ouverts. Le texte présent dans les images est souvent relié au contexte sémantique et constitue un descripteur pertinent. Dans cette thèse nous proposons un système de localisation de texte dans des bases d'images génériques, qui tend à être robuste au changement d'échelle et aux déformations usuelles du texte enfoui. Notre système est basé sur un opérateur résiduel numérique, l'ouvert ultime. Dans une première partie nous étudions le comportement de cet opérateur sur des images réelles, et proposons des solutions pour pallier certaines limitations. Dans une seconde partie l'opérateur est inclus dans une chaîne de traitement et complété par différents outils de caractérisation du texte. Les performances de notre approche sont évaluées sur deux bases d'images. Premièrement, nous avons pris part à la campagne d'évaluation ImagEval, remportant la première place dans la catégorie "localisation de texte". Deuxièmement pour situer notre approche par rapport à l'état de l'art, nous avons effectué des tests avec la base d'évaluation I.C.D.A.R. Enfin, un démonstrateur a été réalisé pour EADS. Pour des raisons de confidentialité, ces travaux n'ont pas pu être intégrés à ce manuscrit.

A complete system able to find symbols in graphical document without a priori knowledge is proposed here. In a first place, this system is based on a structural method able to put in stress regions that may contain symbols. The document is represented by chain points that will be merged following a defined criteria. These merges allow potential symbols to be reconstructed. A descriptor is then calculated for each potential symbols, and the recognition can take place when the user submit a request. In order to speed up the retrieval, an indexing method based on BIRCH has been proposed by using a robust descriptor. Then we show that by combining filtering rules based on simple descriptors, we can rise the speed of the retrieval.; Nous proposons un système complet capable de retrouver des symboles dans des documents graphiques sans connaissance a priori. Nous nous basons sur une méthode de description structurelle qui permet de mettre en avant des régions pouvant contenir un symbole. A partir d'un découpage du document en chaînes de points, nous fusionnons successivement les régions entre elles en fonction d'un critère de densité et de convexité permettant la reconstruction de symboles potentiellement intéressant pour l'utilisateur. Un descripteur est ensuite calculé pour chacun de ses symboles, ce qui permet de faire une reconnaissance quand l'utilisateur soumet une requête. Afin de réduire le temps de réponse d'une requête nous avons développé une méthode d'indexation qui se base sur l'algorithme BIRCH en utilisant un descripteur robuste et discriminant. Puis nous montrons comment réduire davantage ce temps de réponse en combinant différentes règles de filtrage basées sur des descripteurs basiques.

This thesis deals with the biased subject of cognitive automation without really coming to a decision. A complete information processing system to support each step of a collective decision-making process (DMP) is proposed. The automation of the learning stage in a DMP is emphasized: the actionable knowledge, i.e. the knowledge relevant for action, becomes a data that can be manipulated by algorithms. The model that supports our interactive decision-making support system (IDMSS) widely relies on automated knowledge processing. Data-mining, multi criteria decision and optimization techniques are together required in our IDMSS that corresponds to a cybernetic interpretation of the model of decision by the economist Simon. The epistemic incertitude inherent to a decision-making is captured by the notion of decisional risk that analyses the discriminating factors between competing alternatives. Several attitudes in the control of decisional risk may be envisaged: the IDMSS can be used to validate, check or refute an opinion. In every case, the control of epistemic incertitude is not neutral w.r.t. the dynamics of the DMP. The instrumentation of the learning stage in the DMP leads to elaborate the actuator of a retroaction loop that enables to control the dynamics of the DMP. Our approach provides a new framework to formalize the relations between epistemic incertitude, decisional risk and decision stability concepts.An analysis of the fundamental concepts of actionable knowledge and of automated indexation that support our models and tools is proposed. The actionable knowledge concept acquires a new interpretation in this cybernetic framework: that is the knowledge manipulated by the IDMSS actuator to control the dynamics of a DMP. A brief synthesis of the most popular learning techniques in knowledge discovery is proposed. All these techniques are instantiated for the automated extraction of actionable knowledge in a multi criteria evaluation process. The problem of a video-club manager who tries to optimize his investments w.r.t. the preferences of his customers provides a relevant application that illustrates our whole information processing system.; Cette thèse, sans prendre parti, aborde le sujet délicat qu'est l'automatisation cognitive. Elle propose la mise en place d'une chaîne informatique complète pour supporter chacune des étapes de la décision. Elle traite en particulier de l'automatisation de la phase d'apprentissage en faisant de la connaissance actionnable--la connaissance utile à l'action--une entité informatique manipulable par des algorithmes.Le modèle qui supporte notre système interactif d'aide à la décision de groupe (SIADG) s'appuie largement sur des traitements automatiques de la connaissance. Datamining, multicritère et optimisation sont autant de techniques qui viennent se compléter pour élaborer un artefact de décision qui s'apparente à une interprétation cybernétique du modèle décisionnel de l'économiste Simon. L'incertitude épistémique inhérente à une décision est mesurée par le risque décisionnel qui analyse les facteurs discriminants entre les alternatives. Plusieurs attitudes dans le contrôle du risque décisionnel peuvent être envisagées : le SIADG peut être utilisé pour valider, vérifier ou infirmer un point de vue. Dans tous les cas, le contrôle exercé sur l'incertitude épistémique n'est pas neutre quant à la dynamique du processus de décision. L'instrumentation de la phase d'apprentissage du processus décisionnel conduit ainsi à élaborer l'actionneur d'une boucle de rétroaction visant à asservir la dynamique de décision. Notre modèle apporte un éclairage formel des liens entre incertitude épistémique, risque décisionnel et stabilité de la décision.Les concepts fondamentaux de connaissance actionnable (CA) et d'indexation automatique sur lesquels reposent nos modèles et outils de TALN sont analysés. La notion de connaissance actionnable trouve dans cette vision cybernétique de la décision une interprétation nouvelle : c'est la connaissance manipulée par l'actionneur du SIADG pour contrôler la dynamique décisionnelle. Une synthèse rapide des techniques d'apprentissage les plus éprouvées pour l'extraction automatique de connaissances en TALN est proposée. Toutes ces notions et techniques sont déclinées sur la problématique spécifique d'extraction automatique de CAs dans un processus d'évaluation multicritère. Enfin, l'exemple d'application d'un gérant de vidéoclub cherchant à optimiser ses investissements en fonction des préférences de sa clientèle reprend et illustre le processus informatisé dans sa globalité.

PériCulture est le nom d'un projet de recherche à l'Université de Montréal qui fait partie d'un projet plus vaste basé à l'Université de Sherbrooke. Ce dernier visait à former un réseau de recherche pour la gestion du contenu culturel numérique canadien. L'objectif général de la recherche de PériCulture était d'étudier les méthodes d'indexation de contenus culturels non textuels sur le Web, plus spécifiquement des images. Les résultats de la recherche présentés ici s'appuient sur des travaux précédents en indexation d'images et en indexation automatique (de texte), par l'étude des propriétés du texte associé à des images dans un environnement réseau. Le but était de comprendre la façon dont le texte associé à des images sur des pages Web (appelé péritexte) peut être exploité pour indexer les images correspondantes. Nous avons étudié cette question dans le contexte de pages Web sélectionnées, c'est à dire : des pages de contenu culturel canadien contenant des objets multimédia auxquels était associé du texte (plus que simplement les noms de fichiers et les légendes) et qui étaient bilingues (anglais et français). Nous avons identifié les mots-clés utiles à l'indexation situés à proximité de l'objet décrit. Les termes d'indexation potentiels ont été identifiés dans diverses balises HTML et dans le texte intégral (chacun étant considéré comme une source différente de péritexte). Notre étude a révélé qu'un grand nombre de termes d'indexation utiles sont disponibles dans le péritexte de nombreux sites Web ayant un contenu culturel, et ce péritexte de différentes sources a une utilité variable dans la recherche d’information. Nos résultats suggèrent que ces termes peuvent être exploités de différentes manières dans les systèmes de recherche d’information pour améliorer les résultats de recherche.

The aim of this work is to contribute efficient solutions to machine recognition of musical instruments both for the mono-instrumental and multi-instrumental cases. We tackle the problem following an automatic classification approach. Much effort is dedicated to obtain adequate instances of the different blocs constituting the system which we propose for instrument recognition. We adopt a hierarchical classification scheme based on computer-generated taxonomies of instruments and musical ensembles. The system utilises a novel feature selection technique producing an efficient description of audio signals which, in association with support vector machines, entails high recognition accuracy on sound excerpts translating the diversity of the musical performance and recording conditions found in the real world. Our proposal is thus able to recognise up to four instruments played concurrently in jazz music possibly involving percussion.; L'objet de cette thèse est de contribuer à améliorer l'identification automatique des instruments de musique dans des contextes réalistes, (sur des solos de musique, mais également sur des pièces multi-instrumentales). Nous abordons le problème suivant une approche de classification automatique en nous efforçant de rechercher des réalisations performantes des différents modules constituant le système que nous proposons. Nous adoptons un schéma de classification hiérarchique basé sur des taxonomies des instruments et des mélanges d'instruments. Ces taxonomies sont inférées au moyen d'un algorithme de clustering hiérarchique exploitant des distances probabilistes robustes qui sont calculées en utilisant une méthode à noyau. Le système exploite un nouvel algorithme de sélection automatique des attributs pour produire une description efficace des signaux audio qui, associée à des machines à vecteurs supports, permet d'atteindre des taux de reconnaissance élevés sur des pièces sonores reflétant la diversité de la pratique musicale et des conditions d'enregistrement rencontrées dans le monde réel. Notre architecture parvient ainsi à identifier jusqu'à quatre instruments joués simultanément, à partir d'extraits de jazz incluant des percussions.

The aim of this work is to contribute efficient solutions to machine recognition of musical instruments both for the mono-instrumental and multi-instrumental cases. We tackle the problem following an automatic classification approach. Much effort is dedicated to obtain adequate instances of the different blocs constituting the system which we propose for instrument recognition. We adopt a hierarchical classification scheme based on computer-generated taxonomies of instruments and musical ensembles. The system utilises a novel feature selection technique producing an efficient description of audio signals which, in association with support vector machines, entails high recognition accuracy on sound excerpts translating the diversity of the musical performance and recording conditions found in the real world. Our proposal is thus able to recognise up to four instruments played concurrently in jazz music possibly involving percussion., L'objet de cette thèse est de contribuer à améliorer l'identification automatique des instruments de musique dans des contextes réalistes, (sur des solos de musique, mais également sur des pièces multi-instrumentales). Nous abordons le problème suivant une approche de classification automatique en nous efforçant de rechercher des réalisations performantes des différents modules constituant le système que nous proposons. Nous adoptons un schéma de classification hiérarchique basé sur des taxonomies des instruments et des mélanges d'instruments. Ces taxonomies sont inférées au moyen d'un algorithme de clustering hiérarchique exploitant des distances probabilistes robustes qui sont calculées en utilisant une méthode à noyau. Le système exploite un nouvel algorithme de sélection automatique des attributs pour produire une description efficace des signaux audio qui, associée à des machines à vecteurs supports, permet d'atteindre des taux de reconnaissance élevés sur des pièces sonores reflétant la diversité de la pratique musicale et des conditions d'enregistrement rencontrées dans le monde réel. Notre architecture parvient ainsi à identifier jusqu'à quatre instruments joués simultanément, à partir d'extraits de jazz incluant des percussions.

Information Retrieval aims at enabling users to access the content of documents quickly and efficiently. In the medical domain, an increasing number of resources are available in electronic format, and there is a growing need for automatic solutions at several levels. Documents, and in particular texts, need to be selected and quality assessed to appear in catalogues; they need to be described with keywords and categorized withinmedical specialties to allow searches within the catalogues. These tasks are a challenge for Natural Language Processing, as they imply an "understanding" of the documents content by an automatic system. My PhD work has addressed this issue, and applied it to the automatisation of documentary tasks in a French online health catalogue, CISMeF. More specifically, this work has involved contributing to the enrichment of linguistic resources available in French for the medical domain, and developping systems for document watch and resource description. In this particular area, my focus was on MeSH automatic indexing with Main Heading/Sub Heading pairs., La Recherche d'Information a pour objectif de permettre aux utilisateurs d'accéder rapidement et efficacement au contenu d'une collection de document.Dans le domaine de la santé, le nombre de ressources électroniques disponibles augmente de manière exponentielle, et la nécessité de disposer de solutionsautomatiques se fait sentir à plusieurs étapes de la chaîne d'information. Les documents, en particulier les textes, doivent être sélectionnés selon des critères de qualité pour être inclus dans des catalogues; ils doivent également être décrits à l'aide de mots clés et catégorisés en spécialités médicales afin de faciliter les recherches effectuées dans les catalogues. Ces tachesconstituent un défi pour le Traitement Automatique de la Langue Naturelle car elles impliquent une "compréhension" du contenu des documents par un système automatique. Ce travail de thèse engage une réflexion sur la répartition des tâches documentaires entre l'homme et la machine dans le cadre particulier du Catalogue et Index des Sites Médicaux Francophones (CISMeF). A ce titre, il aborde l'automatisation des tâches documentaires dans le catalogue de santé en ligne CISMeF. Cette thèse apporte une contribution au développement de ressources linguistiques en français pour le domaine de la santé, et présente des systèmes de veille documentaire et de description automatiques de ressources de santé. Sur ce dernier point, l'accent a été mis sur l'indexation à l'aide de paires de descripteurs issues du thésaurus MeSH.

Information Retrieval aims at enabling users to access the content of documents quickly and efficiently. In the medical domain, an increasing number of resources are available in electronic format, and there is a growing need for automatic solutions at several levels. Documents, and in particular texts, need to be selected and quality assessed to appear in catalogues; they need to be described with keywords and categorized withinmedical specialties to allow searches within the catalogues. These tasks are a challenge for Natural Language Processing, as they imply an "understanding" of the documents content by an automatic system. My PhD work has addressed this issue, and applied it to the automatisation of documentary tasks in a French online health catalogue, CISMeF. More specifically, this work has involved contributing to the enrichment of linguistic resources available in French for the medical domain, and developping systems for document watch and resource description. In this particular area, my focus was on MeSH automatic indexing with Main Heading/Sub Heading pairs.; La Recherche d'Information a pour objectif de permettre aux utilisateurs d'accéder rapidement et efficacement au contenu d'une collection de document.Dans le domaine de la santé, le nombre de ressources électroniques disponibles augmente de manière exponentielle, et la nécessité de disposer de solutionsautomatiques se fait sentir à plusieurs étapes de la chaîne d'information. Les documents, en particulier les textes, doivent être sélectionnés selon des critères de qualité pour être inclus dans des catalogues; ils doivent également être décrits à l'aide de mots clés et catégorisés en spécialités médicales afin de faciliter les recherches effectuées dans les catalogues. Ces tachesconstituent un défi pour le Traitement Automatique de la Langue Naturelle car elles impliquent une "compréhension" du contenu des documents par un système automatique. Ce travail de thèse engage une réflexion sur la répartition des tâches documentaires entre l'homme et la machine dans le cadre particulier du Catalogue et Index des Sites Médicaux Francophones (CISMeF). A ce titre, il aborde l'automatisation des tâches documentaires dans le catalogue de santé en ligne CISMeF. Cette thèse apporte une contribution au développement de ressources linguistiques en français pour le domaine de la santé, et présente des systèmes de veille documentaire et de description automatiques de ressources de santé. Sur ce dernier point, l'accent a été mis sur l'indexation à l'aide de paires de descripteurs issues du thésaurus MeSH.

Après un rappel des notions fondamentales qui régissent la recherche d'information et les processus d'indexation. L'auteur évoque l'origine des langages documentaires, en s'attardant plus particulièrement sur les langages classificatoires. Il dresse ensuite une typologie de ces outils en étudiant l'évolution de leurs fonctions au contact des systèmes de gestion de contenus informatisés. Il s'attache plus particulièrement à définir les apports des moteurs de recherche linguistiques, pour la gestion des portails intranet. Puis, dans la seconde partie de ce mémoire, l'auteur s'intéresse à l'émergence de nouveaux outils de recherche et d'indexation : les ontologies, les taxinomies, et les topic maps. Il étudie leurs fonctionnalités en les mettant en perspective avec celles des langages classificatoires traditionnels, et recense leurs différents contextes d'utilisation. Puis, il examine de quelle manière ces outils permettent d'améliorer la pertinence des recherches, et l'accès aux informations utiles pour le personnel des entreprises. Il illustre ces apports par l'étude d'une taxinomie d'entreprise, conçue pour structurer et guider les recherches effectuées sur le portail Intralignes de la compagnie Air France.

Après avoir replacé les moteurs de recherche dans le contexte de la recherche d'information et des langages documentaires (notamment le thésaurus), compte tenu des mutations de ces dernières années (taxonomies, ontologies, Topic Maps), la première partie du mémoire se propose de décrire le fonctionnement de ces outils issus de la recherche en traitement automatique du langage (TALN). La définition du TALN, en soulignant les apports de chaque discipline impliquée avec un éclairage particulier sur la linguistique, est suivie d'une typologie des produits présents dans les grandes entreprises. Le fonctionnement des moteurs de recherche est décrit ensuite à travers les opérations effectuées par les moteurs de recherche linguistiques pour traiter la masse d'information textuelle lors de l'indexation. Cette description prend pour exemple un produit particulier : "K2 Enterprise" de la société Verity. La seconde partie retrace l'audit effectué afin de mettre en place des améliorations dans un portail d'entreprise dont la recherche est gérée par le moteur de recherche Verity K2 : la Cyberthèque de la Direction des Systèmes d'Information de la branche Banque de Détail de la Société Générale, portail de veille technologique et concurrentielle.

L'auteur définit dans un premier temps les fonctions du langage documentaire (normalisation, désambiguïsation, organisation des connaissances et structuration), et le fonctionnement de l'indexation automatique et des différents traitements linguistiques, statistiques et sémantiques. Puis il replace la problématique de la recherche d'information dans le contexte particulier de la presse et décrit les systèmes d'informations de Bayard, du Monde, des Échos et du Nouvel Observateur. Ensuite, en partant des besoins d'informations des journalistes, il tente de définir les rôles et les fonctions des langages documentaires face à l'utilisation des nouvelles technologies en fonction d'une typologie de l'indexation. Dans les systèmes d'informations presse, les outils d'indexation automatique et de recherche en texte intégral peuvent prendre en charge le traitement linguistique et sémantique, la classification automatique, etc. Pourtant le rôle des langages documentaires et la place de l'indexation humaine restent importants. Un usage sélectif de l'indexation manuelle permet une meilleure conceptualisation du sujet et une véritable structuration des documents en fonction des types d'information. L'intégration des langages améliore les performances de la recherche sémantique et permet une meilleure normalisation et désambiguïsation du langage naturel. Les fonctions d'organisation des connaissances, de médiation et d'aide à la recherche des langages documentaires viennent en complémentarité des classifications et de l'hypertexte. Le langage documentaire apparaît en complémentarité de la recherche en texte intégral. Même s'il devient de plus en plus invisible, intégré aux nouvelles technologies, ces fonctions sont préservées et demeurent indispensables.

Rapport de contrat.; Internet est devenu un vecteur important de la communication. Il permet la diffusion et l'échange d'un volume croissant de données. Il ne s'agit donc plus seulement de collecter des masses importantes " d'informations électroniques ", mais surtout de les répertorier, de les classer pour faciliter l'accès à l'information utile. Une information, aussi importante soit-elle, sur un site non répertorié, est méconnue. Il ne faut donc pas négliger la part du " Web invisible ". Le Web invisible peut se définir comme l'ensemble des informations non indexées, soit parce qu'elles ne sont pas répertoriées, soit parce que les pages les contenant sont dynamiques, soit encore parce que leur nature n'est pas ou difficilement indexable. En effet, la plupart des moteurs de recherche se basent sur une analyse textuelle du contenu des pages, mais ne peuvent prendre en compte le contenu des documents sonores ou visuels. Il faut donc fournir un ensemble d'éléments descripteurs du contenu pour structurer les documents afin que l'information soit accessible aux moteurs de recherche. S'agissant de documents sonores, le but de notre projet est donc, d'une part, d'extraire ces informations et, d'autre part, de fournir une structuration des documents afin de faciliter l'accès au contenu. L'indexation par le contenu de documents sonores s'appuie sur des techniques utilisées en traitement automatique de la parole, mais doit être distinguée de l'alignement automatique d'un texte sur un flux sonore ou encore de la reconnaissance automatique de la parole. Ce serait alors réduire le contenu d'un document sonore à sa seule composante verbale. Or, la composante non-verbale d'un document sonore est importante et correspond souvent à une structuration particulière du document. Par exemple, dans le cas de documents radiophoniques, on voit l'alternance de parole et de musique, plus particulièrement de jingles, pour annoncer les informations. Ainsi, nous pouvons considérer un ensemble de descripteurs du contenu d'un document radiophonique : segments de Parole/Musique, " sons clés ", langue, changements de locuteurs associés à une éventuelle identification de ces locuteurs, mots clés et thèmes. Cet ensemble peut être bien entendu enrichi. Extraire l'ensemble des descripteurs est sans doute suffisant pour référencer un document sur Internet. Mais il est intéressant d'aller plus loin et de donner accès à des parties précises du document. Chaque descripteur doit être associé à un marqueur temporel qui donne accès directement à l'information. Cependant, l'ensemble des descripteurs appartenant à des niveaux de description différents, leur organisation n'est pas linéaire dans le temps : un même locuteur peut parler en deux langues sur un même segment de parole, ou encore sur un segment de parole dans une langue donnée, plusieurs locuteurs peuvent intervenir. Il faut donc aussi être capable de fournir une structuration de l'information sur différents niveaux de représentation.

International audience; no abstract

The contribution of this thesis work is registered within a multidisciplinary field gathering the natural language processing, the documentary indexing in information system and the knowledge organization about written information. Its characteristic consists of the availability of automatic tools for information processing. The objective is to build a morpho-syntactic analysis Platform for the automatic indexing and the information retrieval. It is made up of an automatic indexing core (indexing process) which uses the noun phrases (or nominal syntagms) model like descriptors of textual information. These syntagms were organized according to Intensional/Extensional Logic approach (knowledges classification process). On the basis of the last property, we incorporate our approach for the information retrieval (information retrieval process). This analysis Platform in its logic operating will be a tool for investigation directed towards the organization and the knowledge management of written information. In our research, this aspect about the knowledge organization was led with an aim to make emerge the linguistic properties and the language processing in an experimental practice on the automatic documentary indexing. We showed the need to coordinate other sources and strategies in the browsing of these properties. It is the mode of reasoning and the operating technique of the speech objects specifically to the knowledge management (as a preliminary in the information retrieval). These two last aspects (mode and technique) integrated in the process of the presentation and the organization of the noun phrase offer relevant scenarii for the information retrieval., La contribution de ce travail de thèse s'inscrit au sein d'un domaine multidisciplinaire regroupant le traitement automatique du langage naturel, l'indexation dans un système d'information documentaire et l'organisation des connaissances autour de l'information écrite. Sa particularité consiste en la mise à disposition d'outils pour le traitement automatique de l'information.L'objectif est de construire une Plate-forme d'analyse morpho-syntaxique pour l'indexation automatique et la recherche d'information. Elle est composée d'un noyau d'indexation automatique (processus d'indexation) qui utilise le modèle des syntagmes nominaux comme descripteurs de l'information textuelle. Ces syntagmes sont organisés selon une approche Logique Intensionnelle/Extensionnelle (processus de classification des connaissances) qui permet d'ordonner les objets d'une classe et de distinguer les classes de connaissances. A la base de cette dernière propriété, nous construisons notre approche pour la recherche d'information (processus de recherche d'information). Cette Plate-forme d'analyse dans sa logique de fonctionnement sera un outil d'investigation orienté vers l'organisation et la gestion des connaissances écrites.Dans notre recherche, cet aspect sur l'organisation des connaissances a été conduit dans le but de faire émerger les propriétés linguistiques et le traitement du langage dans une pratique expérimentale sur l'indexation automatique documentaire. Nous avons montré la nécessité de coordonner d'autres sources et stratégies dans l'exploration de ces propriétés. Il s'agit du mode de raisonnement et de la technique d'exploitation des objets du discours spécifiques à la gestion des connaissances (comme étape préalable à la recherche d'information).Ces deux derniers aspects (mode et technique) intégrés dans le processus de la présentation et de l'organisation du syntagme nominal offrent des scénarii pertinents pour la recherche d'informations.

Rapport de contrat.; Internet est devenu un vecteur important de la communication. Il permet la diffusion et l'échange d'un volume croissant de données. Il ne s'agit donc plus seulement de collecter des masses importantes " d'informations électroniques ", mais surtout de les répertorier, de les classer pour faciliter l'accès à l'information utile. Une information, aussi importante soit-elle, sur un site non répertorié, est méconnue. Il ne faut donc pas négliger la part du " Web invisible ". Le Web invisible peut se définir comme l'ensemble des informations non indexées, soit parce qu'elles ne sont pas répertoriées, soit parce que les pages les contenant sont dynamiques, soit encore parce que leur nature n'est pas ou difficilement indexable. En effet, la plupart des moteurs de recherche se basent sur une analyse textuelle du contenu des pages, mais ne peuvent prendre en compte le contenu des documents sonores ou visuels. Il faut donc fournir un ensemble d'éléments descripteurs du contenu pour structurer les documents afin que l'information soit accessible aux moteurs de recherche. S'agissant de documents sonores, le but de notre projet est donc, d'une part, d'extraire ces informations et, d'autre part, de fournir une structuration des documents afin de faciliter l'accès au contenu. L'indexation par le contenu de documents sonores s'appuie sur des techniques utilisées en traitement automatique de la parole, mais doit être distinguée de l'alignement automatique d'un texte sur un flux sonore ou encore de la reconnaissance automatique de la parole. Ce serait alors réduire le contenu d'un document sonore à sa seule composante verbale. Or, la composante non-verbale d'un document sonore est importante et correspond souvent à une structuration particulière du document. Par exemple, dans le cas de documents radiophoniques, on voit l'alternance de parole et de musique, plus particulièrement de jingles, pour annoncer les informations. Ainsi, nous pouvons considérer un ensemble de descripteurs du contenu d'un document radiophonique : segments de Parole/Musique, " sons clés ", langue, changements de locuteurs associés à une éventuelle identification de ces locuteurs, mots clés et thèmes. Cet ensemble peut être bien entendu enrichi. Extraire l'ensemble des descripteurs est sans doute suffisant pour référencer un document sur Internet. Mais il est intéressant d'aller plus loin et de donner accès à des parties précises du document. Chaque descripteur doit être associé à un marqueur temporel qui donne accès directement à l'information. Cependant, l'ensemble des descripteurs appartenant à des niveaux de description différents, leur organisation n'est pas linéaire dans le temps : un même locuteur peut parler en deux langues sur un même segment de parole, ou encore sur un segment de parole dans une langue donnée, plusieurs locuteurs peuvent intervenir. Il faut donc aussi être capable de fournir une structuration de l'information sur différents niveaux de représentation.

International audience; A travers cette communication, nous présentons un nouveau logiciel, DataCIB, destiné à créer automatiquement un lien entre information scientifique et information technique. Le principe de ce programme consiste à créer dans des références bibliographiques de type scientifique un nouveau champ documentaire contenant des codes issus de la Classification Internationale des Brevets. Son fonctionnement est basé sur l'exploitation des mots clés décrivant le contenu thématique de ces références et leur rapprochement avec les index de catchwords de la classification spécifique à la Propriété Industrielle.Une première étude, présentée lors des précédentes Journées, en avait exposé la faisabilité technique et ses grands principes méthodologiques. Cette étude restée cependant limitée à l'utilisation d'un seul langage documentaire, à savoir les termes d'indexation contrôlée de la base Pascal de l'INIST. Le produit qui sera présenté en juin marque une évolution importante dans la méthode adoptée puisqu'il s'affranchit de toute construction préalable de tables de correspondance. Par conséquent, la même procédure d'établissement de liens peut être appliquée aux références issues de n'importe quelle banque de données bibliographiques, sans consentir aucun investissement préalable. Des exemples concrets illustreront cette démarche et montreront comment une simple présomption de liens entre science et technologie présente un intérêt potentiel important dans le cadre d'actions d'intelligence économique.

The development of Internet and other information technologies constitutes a new challenge for researchers in information retrieval. In this paper, we show that new techniques in natural language processing (such as chunk parsing, distributional analysis and anaphora resolution) can be useful to improve the performances of information retrieval systems., Le développement d'Internet et d'autres technologies de l'information représente un nouveau défi pour la recherche en informatique documentaire. Dans cet article, nous montrons que de nouvelles techniques de traitement automatique des langues (comme la segmentation en syntagmes non-récursifs, l'analyse distributionnelle et la résolution d'anaphores) peuvent contribuer à améliorer les performances des systèmes de recherche documentaire.

Numéro thématique dirigé par Benoît HABERT et intitulé :"Dépasser les sens iniques dans l'accès automatisé aux textes"; National audience; Semes are usually understood as semantic primitives, in order to describe meanings. As for F. Rastier, semes are contextually defined, and are the result of an interpretative path. This modelisation accounts for successes and limits of some statistical and distributional approaches. Some of the mathematical properties implied are not linguistically appropriate, so that the processing has to be defined on new bases. Text semantics also sheds new light on NLP tools and processes : dictionaries, taggers, corpus. A new clustering method is proposed as a means to modelize isotopies, and thus texts topics. These computed semantic classes are inherently different from the ones manually defined by experts.; Le sème est souvent compris comme une primitive utilisable pour décrire les sens des mots. Or, tel que le présente F. Rastier, il est défini par et dans un contexte, et apparaît comme le résultat de l'interprétation d'un texte. Cette conception du sème permet de comprendre les succès et les limites d'analyses statistiques ou distributionnelles de textes. Certaines propriétés mathématiques des modélisations se révèlent linguistiquement inadéquates ; choisir le cadre de la sémantique interprétative conduit alors à redéfinir les traitements par-delà le seul ajustement des paramètres. Cette perspective oriente également certains choix concernant les outils et les étapes du TAL : dictionnaires, analyseurs morpho-syntaxiques, corpus et étiquetage. Un nouveau mode de classification automatique est présenté, comme moyen de repérage et de représentation des isotopies et donc de la thématique d'un texte. Ces classes sémantiques calculées sont d'une autre nature que celles définies par des experts.

L'ADM-INDEX est un système utilisant les méthodes linguistiques (morphologie, syntaxe et sémantique) pour l'indexation et l'interrogation de comptes-rendus médicaux. Sa base de connaissances est une restructuration du système A.D.M. qui est une vaste base de connaissances médicales développée au Centre Hospitalier Régional de Rennes depuis 1972 et qui a été le premier videotex professionnel d'aide au diagnostic médical en France. Dans cet article, nous présentons d'une part la base de connaissances de l'ADM-INDEX qui est constituée d'un dictionnaire, d'un ensemble de règles et d'un thesaurus, et d'autre part, le processus d'indexation et de recherche d'informations. Un prototype du système est consultable sur World Wide Web, qui est le système multimédia le plus utilisé sur Internet. (Résumé d'auteur)