Informations, donn´ ees et connaissances en interpr´ etation d’images
Isabelle Bloch
LTCI, CNRS, T´el´ecom ParisTech, Universit´e Paris-Saclay
isabelle.bloch@telecom-paristech.fr
2015
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 1 / 20
Traitement de l’information
Information
=
´
el´ement susceptible d’ˆetre cod´e pour ˆetre conserv´e, trait´e ou communiqu´e Mondes r´eels ou virtuels (ex : pr´ef´erences)
Notion g´en´erique
connaissances (classes d’objets) donn´ees (cas, faits, objets particuliers)
Types d’informations ´el´ementaires :
une situation particuli`ere, d´etermin´ee (donn´ees, faits) Pierre a 25 ans
une situation ind´etermin´ee dont on affirme l’existence ou dont on ´enonce une propri´et´e
Il existe des personnes de plus de 100 ans
des situations particuli`eres (ex : donn´ees statistiques, prototypes) des classes de situations (contraintes, r`egles g´en´eriques, connaissances)
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 2 / 20
Types d’imperfection :
ambigu¨ıt´e (on ne sait pas `a quoi se rapporte l’information) biais (erreur syst´ematique), bruit (erreur al´eatoire)
incompl´etude
impr´ecision, incertitude incoh´erence et conflit Les probl´ematiques :
repr´esenter l’information (la mettre sous forme utile) pr´eparer, am´eliorer
analyse, mise en ´evidence des ´el´ements utiles
synth`ese (description approch´ee, simplifi´ee, structur´ee) stocker, retrouver, expliciter l’information
exploiter l’information pour d´ecider et agir
fusion pour mieux d´ecider, d´ecision multi-crit`eres, multi-pr´ef´erences satisfaction de contraintes, planification
commande de syst`emes dynamiques, robotique interpr´etation de sc`enes
communiquer l’information
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 3 / 20
Information imparfaite et de nature multiple
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 4 / 20
Incertitude et impr´ ecision en traitement et interpr´ etation d’images
Elles sont dues :
au ph´enom`ene observ´e aux limites des capteurs
aux algorithmes de reconstruction au bruit
au manque de fiabilit´e au mode de repr´esentation
aux traitements d’images effectu´es aux connaissances et concepts manipul´es
⇒ informations incertaines, impr´ecises, partielles, ambigu¨es, biais´ees, conflictuelles
+caract`ere ´evolutif (monde dynamique)
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 5 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Incertitude et impr´ecision en traitement d’images et vision : exemples
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 6 / 20
Variabilit´e
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 7 / 20
Quelles solutions ?
Eliminer l’imperfection
ex : am´eliorer les capteurs La tol´erer
ex : programmes robustes, r´eparer les ´echecs Raisonner avec l’imperfection (consid´er´ee comme un type de connaissance ou d’information)
mod´eliser
raisonnement approximatif m´eta-connaissance
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 8 / 20
Repr´ esentations num´ eriques de connaissances imparfaites
Principales th´eories : probabilit´es
incertitude stochastique inf´erence par la r`egle de Bayes fonctions de croyance
fonctions de masse sur 2Ω incertitude subjective r`egle de Dempster ensemble flous, possibilit´es
incertitude qualitative, impr´ecision r`egles logiques
Attention !
ne mod´elisent pas exactement la mˆeme chose pas la mˆeme s´emantique,
pas le mˆeme pouvoir de repr´esentation pas le mˆeme pouvoir de raisonnement
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 9 / 20
Repr´ esentations symboliques de connaissances imparfaites
B Issues du domaine de l’intelligence artificielle :
point de vue cognitif : construire des mod`eles calculables de processus cognitifs (programmes simulants les performances humaines)
point de vue informatique et d’ing´enieur : affecter aux ordinateurs des tˆaches qui seraient consid´er´ees comme intelligentes si elles ´etaient effectu´ees par des humains (´etendre les capacit´es des ordinateurs)
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 10 / 20
Analogique → Symbolique
ensemble de conventions syntaxiques et s´emantiques pour d´ecrire un
´
el´ement de connaissance
repr´esentations logiques (expressivit´e d´epend de la logique)
compactes (seulement les propri´et´es et caract´eristiques pertinentes) ce qui est important est explicite
Exigences :
niveau ontologique : tous les concepts importants doivent ˆetre pris en compte
niveau ´epist´emique : on ne doit pas ˆetre oblig´e d’exprimer ce qui n’est pas connu
niveau computationnel : doit permettre un calcul efficace des propri´et´es exprim´ees
Exemple :
Concept : `a droite de
Propri´et´e : l’objet A est `a droite de l’objet B
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 11 / 20
Syst` emes ` a base de connaissances
Extension des syst`emes experts en permettant des modes diff´erents de repr´esentation des connaissances et de raisonnement
3 rˆoles distincts :
utilisateur : remplit la base de faits avec les donn´ees `a traiter expert : construit la base de connaissances
d´eveloppeur : construit le moteur d’inf´erence et la strat´egie de raisonnement
Connaissances
d´eclaratives (comment sont les choses) proc´edurales (comment on fait)
´
episodiques (exp´erience pr´ec´edente) m´eta (connaissances sur la connaissance)
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 12 / 20
Syst` emes ` a base de connaissances
Inf´erence
d´eduction : cons´equences
`
a partir de faits A→B, A
B contraposition : non-observations
A→B, ¬B
¬A abduction : causes expliquant les observations
A→B, B on inf`ereA
induction : r`egles `a partir d’observations r´eguli`eres
B `a chaque fois queA A→B
projection : cons´equences
`
a partir d’actions A→B, faireA
on attend B planification : actions `a partir des buts
A→B, on veut B faireA
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 12 / 20
Syst` emes ` a base de connaissances
Contrˆole
recherche de chemins entre les connaissances initiales et les buts chaˆınage avant
chaˆınage arri`ere Exemples de KBS :
r`egles de production, frames,
r´eseaux s´emantiques,
avec incertitude : Mycin, etc.
Exemples d’utilisation en vision : supervision de programmes interpr´etation d’images
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 12 / 20
Modes de raisonnement
Monotone : plus d’informations ⇒plus de conclusions (exemples : logique standard, propositionnelle, du premier ordre)
Non-monotone : une nouvelle information peut invalider des conclusions pr´ec´edentes
Sources de non-monotonie : hypoth`eses propri´et´es typiques
exceptions monde ferm´e
Logiques modales (n´ecessaire/possible)
Impr´ecision et incertitude : logiques floues et possibilistes
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 13 / 20
Mod` eles pour l’interpr´ etation d’images
D´evelopper des mod`eles math´ematiques pour repr´esenter les connaissances (contexte, expertise, organisation spatiale...), les informations contenues dans les images (g´eom´etrie, statistiques, forme, apparence...),
et les fusionner,
conduisant `a des algorithmes op´erationnels pour l’interpr´etation d’images.
Question du foss´e s´emantique.
Cas pathologiques.
Ad´equation aux besoins applicatifs.
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 14 / 20
Repr´ esentation
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 15 / 20
Raisonnement
Mise en correspondance de graphes (inexacte), recalage et instanciation de mod`eles (ontologies, graphes conceptuels...), probl`emes de satisfaction de contraintes, raisonnement spatial...
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 16 / 20
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 17 / 20
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 18 / 20
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 19 / 20
I. Bloch (Telecom ParisTech - LTCI) Interpr´etation d’images 2015 20 / 20