Nouveau modèle pour la datation automatique de photographies à partir de caractéristiques visuelles

Nous presentons, dans cet article, une methode de datation de photographies par l’usage du contenu visuel de celles-ci. Nous nous sommes inspires de travaux recents de la vision par ordinateur. Nous avons ameliore la methode de classification utilisee dans ces travaux en depassant une limite intrinseque de leur approche. En effet, ils considerent la datation d’images comme un probleme de classification multi-classes, pour lequel une classe represente un ensemble d’annees, mais ignorant l’ordre relatif sous-jacent a l’information temporelle. Dans leur approche soit une prediction est bonne (periode valide) soit elle est mauvaise (periode invalide) mais aucune difference n’est faite entre se tromper d’une decennie ou de plusieurs. Nos travaux, s’appuient sur des avancees recentes en classification ordinale. Nous considerons les dates comme des attributs a la fois ordonnes et relatifs et nous proposons un cadre specifique pour les manipuler.

[1]  Alexei A. Efros,et al.  Dating Historical Color Images , 2012, ECCV.

[2]  Andrea Esuli,et al.  Evaluation Measures for Ordinal Regression , 2009, 2009 Ninth International Conference on Intelligent Systems Design and Applications.

[3]  Yiannis S. Boutalis,et al.  CEDD: Color and Edge Directivity Descriptor: A Compact Descriptor for Image Indexing and Retrieval , 2008, ICVS.

[4]  Ling Li,et al.  Ordinal Regression by Extended Binary Classification , 2006, NIPS.

[5]  Eibe Frank,et al.  A Simple Approach to Ordinal Classification , 2001, ECML.

[6]  Chih-Jen Lin,et al.  LIBSVM: A library for support vector machines , 2011, TIST.

[7]  Charles Elkan,et al.  The Foundations of Cost-Sensitive Learning , 2001, IJCAI.

[8]  Jaime S. Cardoso,et al.  Learning to Classify Ordinal Data: The Data Replication Method , 2007, J. Mach. Learn. Res..

[9]  Ricardo Campos,et al.  Temporal Web Image Retrieval , 2012, SPIRE.

[10]  Yiannis S. Boutalis,et al.  FCTH: Fuzzy Color and Texture Histogram - A Low Level Feature for Accurate Image Retrieval , 2008, 2008 Ninth International Workshop on Image Analysis for Multimedia Interactive Services.

[11]  Krista A. Ehinger,et al.  SUN database: Large-scale scene recognition from abbey to zoo , 2010, 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.

[12]  Antonio Torralba,et al.  Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope , 2001, International Journal of Computer Vision.

[13]  Vladimir N. Vapnik,et al.  The Nature of Statistical Learning Theory , 2000, Statistics for Engineering and Information Science.

[14]  Gérard Dreyfus,et al.  Single-layer learning revisited: a stepwise procedure for building and training a neural network , 1989, NATO Neurocomputing.

[15]  Yi-Ping Hung,et al.  Ordinal hyperplanes ranker with cost sensitivities for age estimation , 2011, CVPR 2011.

[16]  Antonio Torralba,et al.  Ieee Transactions on Pattern Analysis and Machine Intelligence 1 80 Million Tiny Images: a Large Dataset for Non-parametric Object and Scene Recognition , 2022 .

[17]  Marc El-Bèze,et al.  Query Expansion and Classification of Retrieved Documents , 1998, TREC.

[18]  Frédéric Jurie,et al.  Dating Color Images with Ordinal Classification , 2014, ICMR.

[19]  John Platt,et al.  Probabilistic Outputs for Support vector Machines and Comparisons to Regularized Likelihood Methods , 1999 .

[20]  Vladimir Naumovich Vapni The Nature of Statistical Learning Theory , 1995 .