Recherche, modélisation et indexation d'images, basées sur le retour de pertinence et la sémantique

Cette thèse à publications présente l’ensemble de nos contributions relatives à la recherche et l’indexation d’images. Dans la première partie, nous présentons une étude bibliographique sur la recherche d’images dans sa généralité, tout en mettant l’accent sur celle orientée vers le World Wide Web. Nous étudions les besoins de l’usager et les applications possibles d’un moteur de recherche, puis nous analysons chacune des questions relatives à la recherche d’images, allant de l’estimation des caractéristiques à l’indexation, en passant par les mesures de similarité, le retour de pertinence et la sélection des caractéristiques. Nous étudions les techniques existantes, leurs avantages et leurs limitations ainsi que les moteurs qui les ont adoptées, et nous faisons quelques propositions. Cette étude nous a permis de dégager certains problèmes qui nécessitent une intervention urgente. Les parties restantes de la thèse s’attaquent à certains de ces problèmes. La deuxième partie aborde le retour de pertinence et la sélection des caractéristiques. Nous proposons un modèle qui, contrairement aux méthodes classiques qui n’utilisent que l’exemple, combine l’exemple et le contre-exemple afin d’améliorer la précision de la recherche. Nous prouvons que ce modèle permet de mieux répondre aux besoins de l’usager et capter son jugement quand à l’importance de chacune des caractéristiques. La troisième partie présente une amélioration de ce travail. Étant basé sur un modèle probabiliste, ce nouveau modèle permet, entre autre, d’améliorer la modélisation des données, de bien interpréter les résultats et de mieux sélectionner les caractéristiques. Il permet également de prendre en charge les requêtes multi-classes ainsi que les requêtes par régions d’intérêt. La quatrième partie de la thèse est une généralisation où nous modélisons statistiquement la collection d’images pour des fins d’indexation, de navigation, de recherche et de résumé. L’index hiérarchique que nous obtenons permet