Aller au contenu

Gérer des contenus multimédia

Modélisation des données

Objectif : représenter les données par un modèle qui permettra de trouver une structure logique et interne aux médias.

Les activités humaines produisent un très grand nombre de données multimédias (textes, images, vidéos, sons). Il faut trouver des façons d’organiser toutes ces données afin de s’y retrouver. Les mathématiques fournissent des outils tels l’algèbre linéaire et les statistiques permettant de créer des modèles intelligibles et consistants.

Utilisations d’un modèle :

  • comprendre les données déjà existantes;
  • prédire des données futures.

Exemple d’applications :

  • compression de données;
  • classification des médias.

Classification

Objectifs : organiser les données sous formes de classes homogènes selon des caractéristiques spécifiques.

Avec le développement technologique et scientifique actuel, un nombre gigantesque de données circule chaque jour dans les intranets et sur internet. Il faut des méthodes pour comprendre la signification de ces données, de les classer et parfois même les compresser. La classification sert à naviguer dans les bases de données et à faciliter une recherche d’informations.

La classification fait intervenir plusieurs disciplines scientifiques :

  • mathématiques;
  • statistique;
  • intelligence artificielle;
  • psychologie;
  • etc

Recherche par le contenu

Objectif : rechercher des images, sons ou vidéos à partir des caractéristiques visuelles et/ou sonores.

Les collections électroniques et Internet hébergent beaucoup d’images et d’informations multimédia.  Les moteurs existants se basent exclusivement sur le texte pour indexer les documents, ce qui présente une multitude d’inconvénients. Par exemple, les images ne sont pas toujours annotées avec du texte, ensuite même si elles le sont, ce texte peut être subjectif : deux personnes différentes peuvent associer des mots différents à la même image. Finalement, une image peut contenir plusieurs d’objets, chacun ayant une longue liste d’attributs, ce qui défie la description avec des mots : « une image vaut mille mots ».

Pour pallier à ce problème, certains chercheurs se sont dit « pourquoi ne pas laisser les images parler d’elles mêmes? ». 

1. L’usager commence par sélectionner une ou plusieurs images exemples qui décrivent ce qu’il veut obtenir

2. Le système se charge ensuite de trouver toutes les images qui lui ressemblent.

3. Une fois les résultats obtenus, un processus de raffinement est ensuite déclenché peut être répété jusqu’à ce que l’usager soit satisfait.

     a) L'usager choisi un exemple positif (ce qu’il veut) et un négatif (ce qu’il ne veut pas).

     b) Le système se charge ensuite de trouver toutes les images qui ressemblent à l’exemple positif tout en éliminant celles qui ressemblent à l’exemple négatif.