8.2 Représentation des classes des partitions à l’aide de métadonnées contextuelles issues
8.3.2 Combinaison des partitions temporelles et spatiales hiérarchiques
Nous proposons maintenant une classification hybride basée sur des classifications hiérarchiques temporelle et spatiale.
La conception d’une IHM efficace pour parcourir un arbre sur un appareil mobile est complexe. Ce type de structure est difficile à représenter et nécessite de nombreuses interactions pour parcourir les noeuds dans différents sens (en largeur ou en profondeur). De plus, dans notre cas, nous avons à disposition deux classifications hiérarchiques, ce qui rend le problème encore plus compliqué. La figure 8.2 ci-après détaille toutes les possibilités de parcours à partir d’un noeud de l’arbre temporel ou spatial. À partir d’un noeud temporel, il est possible de :
T
T
niveau détail choix à partir d’une imageT
T
T
S
Lieu différent Lieu différent Lieu associé commun Evénement commun Evénement Evénement commun Evénement commun Evénement communFigure 8.2: Graphe détaillant toutes les possibilités pour parcourir une collection à partir d’une classe des classifications hiérarchiques temporelle ou spatiale.
• descendre/monter dans l’arbre suivant le niveau de détail voulu ; • parcourir les événements suivants/précédents à un même niveau ;
• aller directement à l’événement suivant/précédent présentant un lieu différent ; • retrouver les images associées aux différents lieux de l’événement.
À partir d’un noeud spatial, l’alternative est de :
• descendre/monter dans l’arbre suivant le niveau de détail voulu ;
• retrouver les événements suivants/précédents comprenant les lieux du noeud.
Le nombre de choix pour parcourir la collection est ainsi élevé. Fournir toutes ces alternatives à un utilisateur semble difficile en particulier sur un appareil mobile. Notre objectif est de fournir une IHM plus simplifiée, en limitant les possibilités pour parcourir la collection.
Combinaison des classes temporelles et spatiales
Notre combinaison des deux classifications hiérarchiques consiste à proposer une hiérarchie de par- titions hybrides. Les classes spatiales et temporelles sont combinées comme suit:
• pour une classe temporelle donnée, nous la divisons en fonction des classes spatiales associées à
lieux de ses images ;
• Une classe spatiale est sélectionnée si tous ses fils contiennent au moins une image de la classe
temporelle (sélection des feuilles de l’arbre spatial si un tel noeud n’existe pas). Cela revient à rechercher les composantes spatiales les plus générales pour représenter au mieux les images de la classe temporelle. Une fois les composantes spatiales sélectionnées, nous les fusionnons en nous basant sur leurs métadonnées contextuelles (voir ci-après) ;
• la composante temporelle est représentée par plusieurs classes spatiales. L’utilisateur parcourt les
classes temporelles et a la possibilité pour chacune d’entres elles de voir directement les lieux que les composent. Ainsi, il peut choisir directement dans une classe temporelle, le lieu qui l’intéresse. La division d’une classe temporelle avec les classes spatiales qui la composent est définie à partir des métadonnées contextuelles de ces dernières. Après avoir sélectionné les classes spatiales, nous les définissons à partir de leurs métadonnées contextuelles comme explicité dans la section 8.2 et nous les fusionnons en réalisant les étapes suivantes :
• sélectionner le niveau l le plus général dans la hiérarchie des métadonnées tel que leurs labels
textuels inter-classes diffèrent ;
• regrouper les classes ayant des métadonnées identiques au niveau l dans une même classe.
Par exemple, si une composante temporelle contient les composantes spatiales suivantes :
m1 = {hEurope, France, Pays de la loire, {Loire Atlantique, Sarthe}i}
m2 = {hAmérique du Nord, {États Unis, Canada}i}
m3 = {hAmérique du Nord, États Unis, {New York, Vermont}i}
Alors, cette classe temporelle sera définie spatialement par les deux classes {Europe} et {Amérique
du Nord}. Les valeurs des labels sont différentes pour le niveau continent et les deux composantes
définies par l’Amérique du Nord sont regroupées ensemble. Chaque événement est bien défini par les différents lieux qui le composent.
L’algorithme 7 page 152 explicite en détail notre algorithme de construction de la partition hiérar- chique hybride.
Exemple d’une partition hiérarchique hybride à partir de la collection réelle
La figure 8.3 page 155 présente un exemple d’une partition hybride obtenue à partir de la collection réelle. Sur l’axe temporel, nous avons accès aux événements temporels de la collection, et pour chacun d’entre eux, les différents lieux les caractérisant. L’utilisateur parcourt sa collection, et pour chaque classe choisie, pose des contraintes simultanément sur un événement et un lieu. Une partition hybride est ensuite reconstruite en les prenant en compte. Notons que l’interface présentée est seulement un exemple pour comprendre notre algorithme. Les classes sont résumées à l’aide de leurs métadonnées contextuelles mais nous pouvons aussi envisager de les résumer à partir d’images représentatives de chaque événement (tout en limitant le nombre d’images à afficher). Le choix des images représentatives reste encore à définir.
Algorithme 7 Construction d’une partition hybride hiérarchique
initialisation : nous notonss et e respectivement les partitions temporelle et spatiale. qeest le noeud temporel courant de la partitione initialisé avec la racine de l’arbre.
L’ensemble d’imagesI est initialisé avec les images contenues dans qe(toutes les images
de la collection).
Nous rappelons quecqest l’ensemble des fils du noeudq.
pour chaque noeudqi∈ cqe tel qu’il existe au moins une imageI ∈ I faire
2.1.sélectionner dans l’arbres les noeuds qs∈ s tels que pour tout noeud q′ ∈ c
qs, il existe au moins
une imagei∈ I ∩ q′∩ qi;
2.2.construire le résumé spatial de chaque noeudqs, seulement à partir des imagesi ∈ I ∩ qs (le
résumé ne prend pas en compte les images deqsnon incluses dansI) ;
2.3.sélectionner le niveau l de la hiérarchie des métadonnées à partir duquel les résumés spatiaux
diffèrent et regrouper les résumés avec une valeur similaire sur le niveaul ;
2.4.diviser le noeudqi suivant le nombre de résumésr obtenus ;
fin pour
3.l’utilisateur choisit un résumér d’un événement q∈ cqe:qe = q et mettre à jour l’ensembleI à par-
tir des images comprises dans l’ensemble choisi par l’utilisateur (les images du noeudq représentées
parr) ;
4.retourner à l’étape 2.
Avantage d’une telle approche
Simplicité de l’IHM pour un appareil mobile
Le premier avantage de cette approche est la combinaison de la recherche temporelle/spatiale permet- tant de retrouver simplement une image. Pour chaque classe choisie, l’utilisateur fait un choix simultané sur un événement et un lieu de la collection : à chaque étape, les possibilités des classes à parcourir di- minuent rapidement. Les interactions sont simplifiées pour parcourir la collection : nous avons une seule partition hiérarchique à explorer et les images peuvent être retrouvées rapidemment.
Gain en visibilité grâce à une sémantique plus riche
On peut penser que la méthode pour diviser les événements temporels en différents lieux est similaire à une approche basée sur les métadonnées. Les classes avec des métadonnées contextuelles de même valeurs (sur un niveau donné) sont regroupées : le procédé serait identique à une approche avec un arbre de décision. Néanmoins dans notre cas, les classes sont obtenues à partir d’une approche statistique et leur définition, selon notre méthode (section 8.2), permet de lier les différentes valeurs des métadonnées, selon leur similarité temporelle ou spatiale. Par exemple, sur la figure 8.3 page 155, nous obtenons une classe étiquetée [Pays de la Loire, Bretagne], regroupant les valeurs de métadonnées de deux régions voisines. Un tel résultat n’est pas possible si l’on se base seulement sur une approche basée sur les métadonnées contextuelles. Un point essentiel de notre approche est ainsi un gain en visibilité grâce à une sémantique plus riche des métadonnées, tout en gardant les avantages de son caractère statistique.