{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/7955"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/7955","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Recherche d'images et classification par mots visuels et descripteurs flous","abstract":"L'approche Bag of Visual Words (ou Bag of Features) décrit une image comme un ensemble de descripteurs locaux à l'aide d'un histogramme. Chaque groupe de l'histogramme représente l'importance d'un motif visuel (appelé mot visuel) dans l'image. Cette méthode d'indexation a été fréquemment utilisée pour la recherche et le classement d'images, mais les choix de représentation cruciaux, tels que les schémas de pondération, n'ont pas été étudiés de manière approfondie dans les œuvres existantes. Dans ce travail, nous présentons une implémentation améliorée de l'approche Bag of Visual Words. Notre implémentation est basée sur les points clés SIFT (Scale Invariant Features Transform) et utilise un modèle Fuzzy comme alternative aux schémas de pondération connus, afin de refléter les poids réels des mots visuels. Tout d'abord, nous proposons une méthode d'indexation pour une tâche de recherche basée sur le contenu qui vise à récupérer une grande collection d'images et à renvoyer une liste classée d'objets en réponse à une image de requête. D'autre part, nous considérons le problème de la reconnaissance de la catégorie sémantique d'une image. Pour cela, nous appliquons la méthode d'indexation proposée et utilisons un classificateur bayésien naïf. Les expériences réalisées démontrent que le schéma de pondération floue surpasse les techniques de pondération des termes existantes pour la recherche d'images ainsi que pour la catégorisation d'images.","abstract_html":"L'approche Bag of Visual Words (ou Bag of Features) décrit une image comme un ensemble de descripteurs locaux à l'aide d'un histogramme. Chaque groupe de l'histogramme représente l'importance d'un motif visuel (appelé mot visuel) dans l'image. Cette méthode d'indexation a été fréquemment utilisée pour la recherche et le classement d'images, mais les choix de représentation cruciaux, tels que les schémas de pondération, n'ont pas été étudiés de manière approfondie dans les œuvres existantes. Dans ce travail, nous présentons une implémentation améliorée de l'approche Bag of Visual Words. Notre implémentation est basée sur les points clés SIFT (Scale Invariant Features Transform) et utilise un modèle Fuzzy comme alternative aux schémas de pondération connus, afin de refléter les poids réels des mots visuels. Tout d'abord, nous proposons une méthode d'indexation pour une tâche de recherche basée sur le contenu qui vise à récupérer une grande collection d'images et à renvoyer une liste classée d'objets en réponse à une image de requête. D'autre part, nous considérons le problème de la reconnaissance de la catégorie sémantique d'une image. Pour cela, nous appliquons la méthode d'indexation proposée et utilisons un classificateur bayésien naïf. Les expériences réalisées démontrent que le schéma de pondération floue surpasse les techniques de pondération des termes existantes pour la recherche d'images ainsi que pour la catégorisation d'images.","abstract_has_math":false,"creators":["Bouachir, Wassim"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences (informatique)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["Kardouchi, Mustapha","Belacel, Nabil"],"committee_chairs":[],"committee_members":[],"year":2010,"date_issued":"2010","date_published":"2010","updated_at":"2026-07-24T03:09:58Z","subjects":["Systèmes d'information","Fichiers d'images","Indexation automatique","Banques d'images","Algorithmes flous","Classification","Illustrations, images, etc","Théorie de la décision bayésienne","Informatique","Traitement d'images","Mathématiques"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 769769710"],"render_values":[{"text":"oclc: 769769710","href":null,"code":true}]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1560"],"render_values":[{"text":"umir:1560","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/7955","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Kardouchi, Mustapha","Belacel, Nabil"]},{"key":"dc:creator","label":"Author","values":["Bouachir, Wassim"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:10:29Z","2025-05-13T20:02:12Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:10:29Z","2025-05-13T20:02:12Z"]},{"key":"dc:date.issued","label":"Date","values":["2010"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (informatique)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Systèmes d'information","Fichiers d'images","Indexation automatique","Banques d'images","Algorithmes flous","Classification","Illustrations, images, etc","Théorie de la décision bayésienne","Informatique","Traitement d'images","Mathématiques"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 769769710"]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1560"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/7955"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["L'approche Bag of Visual Words (ou Bag of Features) décrit une image comme un ensemble de descripteurs locaux à l'aide d'un histogramme. Chaque groupe de l'histogramme représente l'importance d'un motif visuel (appelé mot visuel) dans l'image. Cette méthode d'indexation a été fréquemment utilisée pour la recherche et le classement d'images, mais les choix de représentation cruciaux, tels que les schémas de pondération, n'ont pas été étudiés de manière approfondie dans les œuvres existantes. Dans ce travail, nous présentons une implémentation améliorée de l'approche Bag of Visual Words. Notre implémentation est basée sur les points clés SIFT (Scale Invariant Features Transform) et utilise un modèle Fuzzy comme alternative aux schémas de pondération connus, afin de refléter les poids réels des mots visuels. Tout d'abord, nous proposons une méthode d'indexation pour une tâche de recherche basée sur le contenu qui vise à récupérer une grande collection d'images et à renvoyer une liste classée d'objets en réponse à une image de requête. D'autre part, nous considérons le problème de la reconnaissance de la catégorie sémantique d'une image. Pour cela, nous appliquons la méthode d'indexation proposée et utilisons un classificateur bayésien naïf. Les expériences réalisées démontrent que le schéma de pondération floue surpasse les techniques de pondération des termes existantes pour la recherche d'images ainsi que pour la catégorisation d'images."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic"]},{"key":"dc:title","label":"Title","values":["Recherche d'images et classification par mots visuels et descripteurs flous"]}]}],"canonical_facts":{"dc:contributor.advisor":["Kardouchi, Mustapha","Belacel, Nabil"],"dc:creator":["Bouachir, Wassim"],"dc:date.accessioned":["2024-12-20T18:10:29Z","2025-05-13T20:02:12Z"],"dc:date.available":["2024-12-20T18:10:29Z","2025-05-13T20:02:12Z"],"dc:date.issued":["2010"],"dc:description.abstract":["L'approche Bag of Visual Words (ou Bag of Features) décrit une image comme un ensemble de descripteurs locaux à l'aide d'un histogramme. Chaque groupe de l'histogramme représente l'importance d'un motif visuel (appelé mot visuel) dans l'image. Cette méthode d'indexation a été fréquemment utilisée pour la recherche et le classement d'images, mais les choix de représentation cruciaux, tels que les schémas de pondération, n'ont pas été étudiés de manière approfondie dans les œuvres existantes. Dans ce travail, nous présentons une implémentation améliorée de l'approche Bag of Visual Words. Notre implémentation est basée sur les points clés SIFT (Scale Invariant Features Transform) et utilise un modèle Fuzzy comme alternative aux schémas de pondération connus, afin de refléter les poids réels des mots visuels. Tout d'abord, nous proposons une méthode d'indexation pour une tâche de recherche basée sur le contenu qui vise à récupérer une grande collection d'images et à renvoyer une liste classée d'objets en réponse à une image de requête. D'autre part, nous considérons le problème de la reconnaissance de la catégorie sémantique d'une image. Pour cela, nous appliquons la méthode d'indexation proposée et utilisons un classificateur bayésien naïf. Les expériences réalisées démontrent que le schéma de pondération floue surpasse les techniques de pondération des termes existantes pour la recherche d'images ainsi que pour la catégorisation d'images."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier":["oclc: 769769710"],"dc:identifier.other":["umir:1560"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/7955"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Systèmes d'information","Fichiers d'images","Indexation automatique","Banques d'images","Algorithmes flous","Classification","Illustrations, images, etc","Théorie de la décision bayésienne","Informatique","Traitement d'images","Mathématiques"],"dc:title":["Recherche d'images et classification par mots visuels et descripteurs flous"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (informatique)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:09:58Z"}