Évaluation des noyaux de graphes

Protocole d’évaluation

Nous allons décrire le protocole utilisé dans le cadre de nos expérimentations en commençant par les bases d’images et d’objets. Puis nous verrons l’outil d’expérimentation utilisé (ReTIN). Enn nous verrons la méthode choisie pour comparer les résultats.

Description des bases

Lors des expériences, nous avons utilisé 5 bases d’images orientées recherche d’objet et une base d’objets 3D. Pour toutes les bases que nous allons présenter nous avons pris le soin de calculer les matrices de Gram pour les noyaux non Mercer que nous avons utilisés(le maximum et la somme de maximum). Ces matrices se sont toujours révélées dénies positives quelle que soit la base. 

COLUMBIA

La base est constituée de 6000 images détaillant 100 objets diérents sous diverses vues. Ces vues sont obtenues par des rotations axiales verticales. L’arrière-plan est le même pour tous les objets : un fond noir(g. 5.1).

COLUMBIA+ANN

COLUMBIA+ANN est une base de donnée de 600 images construites. Les images sont le résultat d’une fusion entre deux images de deux bases de données diérentes : COLUMBIA,ANN. Une vue de paysage issue de ANN forme l’arrière-plan de l’image. On superpose une image d’un objet de COLUMBIA, privé de son fond noir sur cet arrièreplan. Pour construire cette base, 12 vues de 50 objets de COLUMBIA ont été placées sur des images aléatoires de ANN. Ainsi cette base permet de tester si une technique est capable de chercher un objet sans s’appuyer uniquement sur des informations issues de l’arrière-plan. Cette base contient donc 50 catégories diérentes constituées de 12 images chacune. 72 5.1 Protocole d’évaluation Figure 5.2  Exemples d’images issues de la base COLUMBIA+ANN Figure

Exemples d’images issues de Caltech

Caltech

La base Caltech est une base issue des challenges PASCAL. Cette base contient 4620 images et les catégories suivantes : avions, voitures, visages, motos, arrières-plans de routes et arrières-plans génériques.

VOC

Les bases VOC sont des bases d’images généralistes standardisées autour de la recherche d’objets dans le cadre des challenges PASCAL. Les expériences ont été menées autour de la base VOC de 2006. La base contient 5304 images regroupées en diverses catégories d’objets tels que : bicyclettes, autobus, chats, voitures, vaches, chiens, chevaux, motos, gens, moutons. 

Birds

La base Birds est une petite base de 600 images, composée de six catégories correspondant à des espèces distinctes d’oiseaux. Figure 5.4  Exemples d’images issues de VOC2006.

Eros 3D

La base est issue du projet EROS-3Dhttp://eros3d.ensea.fr/. Elle contient des objets 3D représentant des ÷uvres d’art ou moules : moules de statuettes, vases, statuettes, fragments de statuettes ou d’autres objets d’archéologie. Elles contient 700 objets et les catégories suivantes : déesses mères, Venus, vases … 

Outil d’expérimentation RETIN

ReTIN(g.5.8) est un logiciel du laboratoire ETIS visant à mettre en place un cadre pour la recherche interactive dans des bases de données. Au départ créé pour des bases d’images, il a été étendu à d’autres documents multimédia objets 3D, vidéos … Il utilise des bases de données sur lesquelles les phases d’extraction et d’indexation ont été effectuées. Il est possible de tester diérentes méthodes à base de SVM pour la recherche d’images. On peut l’utiliser de manière graphique (g.5.10 et g.5.9) pour une réelle recherche interactive ou en ligne de commande an de simuler des recherches interactives d’utilisateur. La gure 5.9 présente l’interface de ReTIN pour les objets 3D. La partie bleue permet de voir la base. À droite se situe l’emplacement pour la visualisation de l’attribut d’un objet. En bas, se trouvent les propositions d’objets à étiqueter de la part de ReTIN. Session de recherche sous ReTIN Une session de recherche avec l’interface graphique de ReTIN se lance en eectuant une sélection d’images labellisées (positivement ou négativement). Si on a une seule requête, l’outil renvoie une première réponse ordonnée selon la distance par ordre croissant avec cette requête. En interne, il essaie de trouver une séparation des deux classes(positives et négatives). L’utilisateur a de nouveau la possibilité de labelliser des images de la base. ReTIN ayant un algorithme d’apprentissage dit recherche active, il propose de plus une sélection d’images à l’utilisateur ayant pour but d’accélérer la détermination de la frontière par l’algorithme d’apprentissage. Une fois le choix d’exemples négatifs et positifs eectué, le système recalcule les frontières et l’ordre des images.