Identification de vêtements dans des images : de la segmentation d'instances à la classification multi-étiquettes faiblement supervisée ; Clothing identification in images : from instance segmentation to weakly supervised multi-label classification
Titel:
Identification de vêtements dans des images : de la segmentation d'instances à la classification multi-étiquettes faiblement supervisée ; Clothing identification in images : from instance segmentation to weakly supervised multi-label classification
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Pour l’industrie textile et de la mode, les images de vêtements sont essentielles à différentes fins : décisionnelles, collaboratives, promotionnelles, pour tous les types de produits : intemporels, saisonniers, tendance, et à toutes les phases de leur cycle de vie : de la conception à la vente. Il est donc nécessaire de faciliter leur accès et leur recherche parmi un grand nombre d’images candidates. Cela repose le plus souvent sur l’apposition de mots clefs afin de les indexer et de les référencer. Il est alors fondamental d’automatiser la saisie manuelle de ces mots clefs lors de tout dépôt ou collecte d’images. Cette opération chronophage est source d’erreurs ou de descriptions incomplètes des données. De plus, elle est irréalisable pour des cas de collecte ou d’analyse à grande échelle. En apprentissage supervisé, l’attribution d’une étiquette (c.-à-d. un mot clef) se transpose en un problème de classification. Sans information sur la composition de l’image, la classification se fait sur l’image dans sa globalité. Pour avoir des prédictions plus fines, l’approche retenue dans cette thèse se décompose en deux étapes : localisation de chacun des vêtements pour les différencier, puis caractérisation plus fine du contenu de chaque détection. La localisation et la caractérisation sont indépendantes et peuvent être effectuées par différents types de méthodes. Les méthodes de segmentation d’instances, qui sont la forme de localisation la plus fine, ont été retenues. En effet, ces approches permettent d’estimer, sous la forme d’un masque, l’ensemble des pixels constituant un objet donné. Elles offrent de plus l’avantage de différencier les objets d’une même étiquette, ce qui permet une caractérisation indépendante par la suite. Une étude des méthodes de segmentation d’instances a ainsi été réalisée pour le cas particulier des images de vêtements. Nous disposons de données annotées et recourrons donc à des méthodes de segmentation issues de l’apprentissage supervisé, qui reposent sur un étiquetage connu a priori et ...