Description
Date depot: 2 avril 2024
Titre: Content-based image retrieval: handling missing metadata via knowledge graphs
Directrice de thèse:
Florence CLOPPET (LIPADE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision
Resumé: Au cours des dernières décennies, nous avons assisté à une croissance exponentielle de la production d'images, reflétant l'expansion rapide des médias numériques et de la création de contenu visuel. Avec les progrès technologiques et l'amélioration de l'accessibilité, nous pouvons nous attendre à ce que cette tendance se poursuive, transformant la tâche de vision par ordinateur en un défi lié aux données volumineuses (big data). Cependant, la production d'une grande quantité de données ne permet pas automatiquement l'exploitation réelle de leur valeur intrinsèque pour les domaines d'expertise. Dans ce contexte, l'indexation d'images joue un rôle critique en assurant une recherche efficace, en permettant une recherche basée sur le contenu et en s'adaptant à différents contextes, même lorsqu'il s'agit de bases de données d'images ayant bénéficié d'une étape approfondie de curation par des experts.
L'objectif de cette thèse est de combiner les recherches actuelles en vision par ordinateur et en intelligence artificielle (IA) pour obtenir des représentations visuelles précises afin de mettre en œuvre un cadre efficace de recherche d'images basé sur le contenu (CBIR). La générabilité des méthodes développées par l'IA peut être évaluée dans deux domaines différents : l'imagerie médicale et l'histoire de la photographie.
Résumé dans une autre langue: In recent decades, we have seen an exponential growth in image production, reflecting the rapid expansion of digital media and visual content creation. As technology advances and accessibility improves, we can expect this trend to continue, turning the computer vision task into a big data challenge. However, the production of a large amount of data does not automatically allow the real exploitation of its intrinsic value for expert domains. In this context, image indexation plays a critical role in ensuring efficient retrieval, enabling content-based search, and adapting to different contexts, even when dealing with expert-curated image databases.
The aim of this thesis is to combine current research in computer vision and artificial intelligence (AI) to obtain accurate visual representations in order to implement an efficient Content-Based Image Retrieval (CBIR) framework. The generazibility of the AI developed methods may be evaluated in two different domains: medical imaging and historical photography.