Soutenance de mi-parcours  Automatique spotting des logos  dans les images de documentsEtudiant :                     Enca...
Plan          Présentation du projet              Objectifs              Architecture du système              Descript...
Présentation du projetObjectifs   Automatique spotting des logos dans les images de documents      • Encapsulation des gra...
Objectif 1Graph embedding • Une méthode pour transformer, des graphes attribués, en vecteurs   numériques         Recherc...
Objectif 2     Système d’indexation des images de documents          Architecture fonctionnelle      Mode« Apprentissage »...
Mode Apprentissage « Learning »             Mode       « Apprentissage »                                                  ...
Mode Spotting                                                                                                             ...
Présentation du projetDescription de l’existantVectoGraph Un logiciel en C++ développé par [J.Y.Ramel RFAI, LI] permettant...
Avancement du projet          9
PlanningPrévisionnel               10
Objectifs     Automatique spotting des logos dans les images de documents         • encapsulation des graphes (Graph Embed...
Modules développésLa classe : Graph                                    Graph.java                                      • P...
Modules développésLa classe : PreLearning                               <<use>>            Graph.java                     ...
Modules développésLa classe : Learning                                      Learning.java   listNumNodesAttributes        ...
Modules développésLa classe : GraphEmbedded                                                             Graph.java  listNo...
Modules développésDiagramme de classes       spottingLogo.model                                        spottingLogo.logic ...
Architecture technique      du système          17
Planning prévisionnelPlanning respecté                        18
Gestion de projet               19
MERCI POUR VOTRE   ATTENTION      20
Prochain SlideShare
Chargement dans…5
×

Automatique spotting des logos dans les images de documents (mid project presentation) (final year project - Zakaria MELK)

628 vues

Publié le

Publié dans : Formation
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
628
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
14
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Automatique spotting des logos dans les images de documents (mid project presentation) (final year project - Zakaria MELK)

  1. 1. Soutenance de mi-parcours Automatique spotting des logos dans les images de documentsEtudiant : Encadrants : Muhammad Muzzamil LuqmanZakaria MELK Jean-Yves Ramel Dimosthenis Karatzas PFE 2011-2012 ID : 5
  2. 2. Plan  Présentation du projet  Objectifs  Architecture du système  Description de l’existant  Avancement du projet  Planning  Modules développés 2
  3. 3. Présentation du projetObjectifs Automatique spotting des logos dans les images de documents • Encapsulation des graphes (Graph Embedding ) • Système d’indexation des images de documents • Tabacco800 : - 1290 images de documents - Complexité réelle Tobacco800 database 3
  4. 4. Objectif 1Graph embedding • Une méthode pour transformer, des graphes attribués, en vecteurs numériques  Recherche de sous-graphe par encapsulation explicite de graphes : Application à la localisation de contenu dans les images de documents graphiques, Luqman, M., Brouard, T., Ramel, J., & Llados, J. (2011).  Fuzzy Multilevel Graph Embedding, , Luqman, M., Ramel, J., Llados, J. & Brouard, T.. (2011). 10 9 1,97 0,03 1 0 0 3 0 0 0 0 3 0 0 0 3 0 0 0 3 0 2 1 0 0 0 0 1 0 2 0 2,31 0,69 0 0 3 0 0 0 1 1 1 0 0 0 3 0 0 2 1 4
  5. 5. Objectif 2 Système d’indexation des images de documents Architecture fonctionnelle Mode« Apprentissage » Base de données Mode « Spotting» Logo Résultats 5
  6. 6. Mode Apprentissage « Learning » Mode « Apprentissage » Base de données Prétraitement des graphes Entrée Lajout des attributs de vraissemblance et de lhomogéinité local au graphe Une collection dimages de documents Extraction des cliques (sous-graphes de 2 noeuds) Prétraitement des images Un ensemble dopérations pour améliorer la qualité des images initiales (ex: Binarisation, segmentation, ...) Encapsulation explicite des graphes dans des vecteurs numériques (VFCs) Affecter un vecteur, appelé Vecteur Flou de Caractéristiques, à chaque clique dordre 2 (les vecteurs doivent être de même Vectorisation dimension pour toutes les cliques du même graphe)La décomposition de limage en un ensemble dobjets énumérés (vecteurs, courbe, arcs, ...) Groupement des VFCs en classes (Clustering) un algo de clustering Construction de graphe Une représentation des objets repérés lors de la vectorisation sous forme dun graphe évalué (ajout des Sortie attributs des nœuds et des arcs) La mise en Œuvre dun La création dun index classificateur •Image vs graphe vs cliques vs (vecteurs + classes) 6
  7. 7. Mode Spotting Résultats Logo Entrée Un logo sélectionné dans limage de document Extraction des cliques (sous-graphes de 2 noeuds) Prétraitement de limage sélectionnée Encapsulation explicite des graphes dans des vecteurs Un ensemble dopérations pour améliorer la qualité du logo sélectionné (ex: Binarisation, segmentation, ...) numériques (VFCs) Affecter un vecteur, appelé Vecteur Flou de Caractéristiques, à chaque clique dordre 2 (les vecteurs doivent être de même dimension pour toutes les cliques du même graphe) VectorisationLa décomposition du logo en un ensemble dobjets énumérés Classification des VFCs (vecteurs, courbe, arcs, ...) Classifier les VFCs selon les classes déjà calculées lors de la phase dapprentissage en utilisant un classificateur Construction de grapheUne représentation des objets repérés lors de la vectorisation Recherche dans lindexsous forme dun graphe évalué (ajout des attributs des noeuds calculer le score des combinaisons des cliques correspondant à la requête et des arcs) . Un score de 1 signifie que le sous-graphe trouvé correspond à 100% à limage requête Prétraitement du graphe Sortie Lajout des attributs de vraissemblance et de lhomogéinité Localiser le sous-graphe requête dans les graphes résultat (Colorier la local au graphe zone recherchée dans les images en sortie) 7
  8. 8. Présentation du projetDescription de l’existantVectoGraph Un logiciel en C++ développé par [J.Y.Ramel RFAI, LI] permettant à partir d’une image « bmpmonochrome » de donner une représentation sous forme d’un graphe Weka Un logiciel développé en Java qui offre un contenu scientifique important surtout pour les chercheurs dans le domaine de l’apprentissage automatique. 8 8
  9. 9. Avancement du projet 9
  10. 10. PlanningPrévisionnel 10
  11. 11. Objectifs Automatique spotting des logos dans les images de documents • encapsulation des graphes (Graph Embedding ) : Une méthode pour transformer, des graphes attribués, en vecteurs numériques 10 9 1,97 0,03 1 0 0 3 0 0 0 0 3 0 0 0 3 0 0 0 3 0 2 1 0 0 0 0 1 0 2 0 2,31 0,69 0 0 3 0 0 0 1 1 1 0 0 0 3 0 0 2 1 • Système d’indexation des images de documents 11
  12. 12. Modules développésLa classe : Graph Graph.java • Parseur GXL Doc1.gxl (GXL java API) • Calcul de degré des nœuds AG1 = (V1,E1,Uv,UE) Doc2.gxl • Ajout de la AG2 = (V2,E2,Uv,UE) Entrée ressemblance des Sortie AG3 = (V3,E3,Uv,UE) arcs pour les … nœuds … • Ajout de la AGe = (Ve,Ee,Uv,UE) ressemblance des AGm = (Vm,Em,Uv,UE) DocE.gxl nœuds pour les arcs DocM.gxl • Fonctions pour le calcul de la ressemblance • … 12
  13. 13. Modules développésLa classe : PreLearning <<use>> Graph.java PreLearning.java • Lecture des graphes contenus dans un répertoire • Ajout de la ressemblance pour chaque Sortie listNumNodesAttributes Entrée graph listNumEdgesAttributes directoryPath listSymbNodesAttributes • Construire pour chaque attribut la listSymbEdgesAttributes liste de ses valeurs dans tous les graphes • … 13
  14. 14. Modules développésLa classe : Learning Learning.java listNumNodesAttributes • getInitCrispInterval Sortie listNodesFuzzyIntervals Entrée listEdgesFuzzyIntervals listNumEdgesAttributes • getFuzzyTrapzInterval listSymbNodesAttributes • Utilisation de la listNodesCrispIntervals listSymbEdgesAttributes librairie « nrc.fuzzy » listEdgesCrispIntervals • … 14
  15. 15. Modules développésLa classe : GraphEmbedded Graph.java listNodesFuzzyIntervals listEdgesFuzzyIntervals listNodesCrispIntervals listEdgesCrispIntervals GraphEmbedded.java FSMV1 • EmbeddingNumericAttributes FSMV2 Entrée Sortie • EmbeddingSymbolicAttributes FSMV3 • setSignature …. FSMVe FSMVm AG1 = (V1,E1,Uv,UE) AG2 = (V2,E2,Uv,UE) AG3 = (V3,E3,Uv,UE) … AGe = (Ve,Ee,Uv,UE) AGm = (Vm,Em,Uv,UE) FSMV (Fuzzy Structural Multilevel Feature Vector) 15
  16. 16. Modules développésDiagramme de classes spottingLogo.model spottingLogo.logic Attributes GraphEmbedded Graph 1…* ErrConst PreLearning <<use>> <<use>> Interval Learning 1…* 16
  17. 17. Architecture technique du système 17
  18. 18. Planning prévisionnelPlanning respecté 18
  19. 19. Gestion de projet 19
  20. 20. MERCI POUR VOTRE ATTENTION 20

×