Knowledge-driven reverse geo-tagging for annotated images
Actuellement, la géo-localisation d’une image consiste à appliquer des algorithmes probabilistes sur les mots-clés la décrivant pour estimer la position de la scène qu’elle représente. Cependant, de tels algorithmes montrent des limites clairement identifiables. En particulier, l’estimation se fait...
Guardat en:
| Autors principals: | , , |
|---|---|
| Format: | Article ou chapitre numérique |
| Idioma: | Français |
| Publicat: |
2016
|
| Matèries: | |
| Accés en línia: | Accès Université d'Orléans et IFPM |
| Sumari: | Actuellement, la géo-localisation d’une image consiste à appliquer des algorithmes probabilistes sur les mots-clés la décrivant pour estimer la position de la scène qu’elle représente. Cependant, de tels algorithmes montrent des limites clairement identifiables. En particulier, l’estimation se fait toujours à l’échelle d’un point, les régions et pays étant réduits à leur barycentre. Dans cet article, nous nous concentrons sur ce problème en explorant une méthode sémantique qui identifie des entités géographique (issues du Linked Open Data) pour localiser une photo (qu’il s’agisse d’un point sur une carte ou un pays). L’avantage d’une telle approche vis-à-vis des méthodes numériques est notamment la possibilité d’étudier la pertinence géographique d’une image. |
|---|