1. Indexation de données
SS tree
• Demba SYLLA
• Rachid TALBI

2. Contexte
Indexation multidimensionnelle des données
multimédia
1

3. Introduction
Multimédia
• Arrivée des CD_ROM (1980) apparition du mot multimédia
• Il désignait les applications qui pouvait utiliser ou piloter différents
médias simultanément.
• Recherche informatique : mutlimédia  l’étude des média non textuels
Images , Vidéos, Son
2

4. Introduction
Base de données multimédia (MMDB)
• Initialement traitées comme des BD standards:
– Objet multimédia ↔ un seul item : champ d’une BDDR
– Recherche sur mots clés.
– Utilisation des relation entre objet.
– Recherche sur les mots dans les pages web (http://images.google.com)
3

5. Introduction
Spécificités des MMDB
• L’information portée par le multimédia est tout ce qui peut venir du
monde réel, alors que l’information portée par une base de données
classique ne peut être qu’une représentation symbolique de faits
limités a l’univers de la base de données.
•Le développeur d’une MMDB ne peut expliciter tous les aspects
des données qui seront importants pour l’utilisateur.
Informations
4

6. Introduction
Spécificités des MMDB
• Ex de requête impossible avec un SGDB “classique”:
récupérer toutes les images “qui ressemblent” à une image requête ??
•Besoin de recherche d’information sur le contenu des objets, non pas
sur leurs attributs. (recherche approximative/par contenu )
5

7. Introduction
Spécificités des MMDB
• Ex de requête impossible avec un SGDB “classique”:
récupérer toutes les images “qui ressemblent” à une image requête ??
•Besoin de recherche d’information sur le contenu des objets, non pas
sur leurs attributs. (recherche approximative/par contenu )
6

8. Indexation
• Décrire les images par leurs contenu à l’aide des descripteurs
relatifs aux indices visuels (couleurs, forme, texture,…).
Image BD
Indices
visuels
Descripteurs
Vecteur caractéristique
Couleur
Forme
V
Texture
7

9. Recherche approximative /par similarité
• L’idée clé dans la recherche de média est la recherche approximative
• Utilise la notion de proximité, de similarité, de distance entre objets
 Retrouver les vecteurs similaires à un vecteur de requête au sens
d’une mesure de similarité (distance entre eux)
8

10. Distance et mesure de similarité
• Avoir un outil quantitatif pour répondre à la question:
Est-ce que deux entités X et Y se ressemblent ?
• comparer des entités obtenir un scalaire indiquant la
proximité de ces entités
9

11. Distance
• Une distance d sur un ensemble E de vecteurs est une
application dans R+ vérifiant les axiomes suivantes:
 Séparation : d(x,y)=0 ↔ x=y
 Symétrie: d(x,y)=d(y,x)
 Inégalité triangulaire : d(x,z)<= d(x,y)+d(y,z)
10

12. Distance
• La similarité est basée sur la notion de distance entre deux points x, y:
 Distance euclidienne:
d(x,y) =
 Distance X2: pour comparer deux distributions
11

13. Approches de recherche par similarité
• Recherche à Ɛ près: (par intervalle)
V5
V3
Q (q,ε )= { v∈ BD/ sim(q,v) < ε }
q
V2
V4
V1
12

14. Approche de recherche par similarité
• Recherche des K plus proches voisins :
V5
V3
q
V2
V1
V4
K=2
13

15. Le SS-tree
• Arbre de recherche par similarité
 basé sur des sphères qui englobes les objets
 Le centre de la sphère est le centre de gravité des points
14

16. Le SS-tree
Utilisation de sphères
Centre d’une sphère=
centre De gravité des
points englobés
Représentation multidimensionnelle
15

17. Le SS-tree
représentation de l'arbre utilisé dans la mémoire
ou sur le disque
16

18. Le SS-tree
• Maintien le nombre des points dans les sous arbres
• La sphère représentée par son centre et le rayon
Avantages:
 Moins d’espace que le rectangle (R*-tree)
 Fanout plus élevé en raison du fait que l’espace de stockage requis est
plus petit
17

19. Le SS-tree
Avantages:
 Moins d’espace que le rectangle (R*-tree)
 Fanout plus élevé en raison du fait que l’espace de stockage requis est
plus petit
Inconvénients:
 SS-tree comporte plus de volume que le R-tree, ce qui augmente la
quantité de chevauchement
18

20. SR-tree
Idéalement, un noeud d'index devrait combiner l’espace de
stockage petit du SS-tree avec le volume petit du R *-tree,
d’où le SR-tree
19

21. SR-tree
• Utilise les sphères de délimitation du SS-tree et les rectangles
englobant du R-tree
20

22. SR-tree
• Le nœud d’index est l’intersection de ces deux
21

23. SR-tree
• Le nœud d’index est l’intersection de ces deux
22

24. SR-tree
Sur mémoire
23

25. SR-tree
• Structures:
 Nœud d'index maintient explicitement à la fois
o sphère délimitant
o rectangle englobant
 Center est barycentre pondéré de nœuds enfants
 Le rayon est le minimum des distances maximales de
o Sphères englobant des nœuds enfants
o Rectangles de délimitation de nœuds enfants
24

26. Questions ??