Michèle Rombaut

Publications (27)3.75 Total impact

• Article: Joint Prediction of Continuous and Discrete States in Time-Series Based on Belief Functions.

  Emmanuel Ramasso, Michèle Rombaut, Noureddine Zerhouni
  [show abstract] [hide abstract]
  ABSTRACT: Forecasting the future states of a complex system is a complicated challenge that is encountered in many industrial applications covered in the community of prognostics and health management. Practically, states can be either continuous or discrete: Continuous states generally represent the value of a signal while discrete states generally depict functioning modes reflecting the current degradation. For each case, specific techniques exist. In this paper, we propose an approach based on case-based reasoning that jointly estimates the future values of the continuous signal and the future discrete modes. The main characteristics of the proposed approach are the following: 1) It relies on the K-nearest neighbor algorithm based on belief function theory; 2) belief functions allow the user to represent his/her partial knowledge concerning the possible states in the training data set, particularly concerning transitions between functioning modes which are imprecisely known; and 3) two distinct strategies are proposed for state prediction, and the fusion of both strategies is also considered. Two real data sets were used in order to assess the performance in estimating future breakdown of a real system.
  IEEE transactions on systems, man, and cybernetics. Part B, Cybernetics: a publication of the IEEE Systems, Man, and Cybernetics Society 06/2012; · 3.01 Impact Factor
• Conference Proceeding: Spatio-temporal Block Model for Video Indexation Assistance.

  Alain Simac-Lejeune, Michèle Rombaut, Patrick Lambert
  KDIR 2010 - Proceedings of the International Conference on Knowledge Discovery and Information Retrieval, Valencia, Spain, October 25-28, 2010; 01/2010
• Conference Proceeding: IRIM at TRECVID 2010 : Semantic Indexing and Instance Search.

  David Gorisse, Frédéric Precioso, Philippe Henri Gosselin, Lionel Granjon, Denis Pellerin, Michèle Rombaut, Hervé Bredin, Lionel Koenig, Helene Lachambre, Elie el Khoury, Rémi Vieux, Boris Mansencal, Yifan Zhou, Jenny Benois-Pineau, Hervé Jégou, Stéphane Ayache, Bahjat Safadi, Georges Quénot, Alexandre Benoit, Patrick Lambert
  TRECVID 2010 workshop participants notebook papers, Gaithersburg, MD, USA, November 2010; 01/2010
• Source

  Available from: Alain Simac-Lejeune

  Conference Proceeding: Relevance of Interest Points for Eye Position Prediction on Videos.

  Alain Simac-Lejeune, Sophie Marat, Denis Pellerin, Patrick Lambert, Michèle Rombaut, Nathalie Guyader
  Computer Vision Systems, 7th International Conference on Computer Vision Systems, ICVS 2009, Liège, Belgium, October 13-15, 2009, Proceedings; 01/2009
• Conference Proceeding: Rushes summarization by IRIM consortium: redundancy removal and multi-feature fusion.

  Georges Quénot, Jenny Benois-Pineau, Boris Mansencal, Eliana Rossi, Matthieu Cord, Frédéric Precioso, David Gorisse, Patrick Lambert, Bertrand Augereau, Lionel Granjon, Denis Pellerin, Michèle Rombaut, Stéphane Ayache
  Proceedings of the 2nd ACM Workshop on Video Summarization, TVS 2008, Vancouver, British Columbia, Canada, October 31, 2008; 01/2008
• Source

  Available from: Costas Panagiotakis

  Article: Human action recognition in videos based on the Transferable Belief Model

  Emmanuel Ramasso, Costas Panagiotakis, Denis Pellerin, Michèle Rombaut
  [show abstract] [hide abstract]
  ABSTRACT: This paper focuses on human behavior recognition where the main problem is to bridge the semantic gap between the analogue observations of the real world and the symbolic world of human interpretation. For that, a fusion architecture based on the Transferable Belief Model framework is proposed and applied to action recognition of an athlete in video sequences of athletics meeting with moving camera. Relevant features are extracted from videos based on both the camera motion analysis and the tracking of particular points on athlete's silhouette. Some models of interpretation are used to link the numerical features to the symbols to be recognized which are running, jumping and falling actions. A Temporal Belief Filter is then used to improve the robustness of action recognition. The proposed approach demonstrates good performance when tested on real videos of athletics sports videos (high jumps, pole vaults, triple jumps and long jumps) acquired by moving camera and varying view angles. The proposed system is also compared to Bayesian Networks.
  Formal Pattern Analysis & Applications 12/2007; · 0.74 Impact Factor
• Source

  Available from: ArXiv

  Article: Un filtre temporel cr\'edibiliste pour la reconnaissance d'actions humaines dans les vid\'eos

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: In the context of human action recognition in video sequences, a temporal belief filter is presented. It allows to cope with human action disparity and low quality videos. The whole system of action recognition is based on the Transferable Belief Model (TBM) proposed by P. Smets. The TBM allows to explicitly model the doubt between actions. Furthermore, the TBM emphasizes the conflict which is exploited for action recognition. The filtering performance is assessed on real video sequences acquired by a moving camera and under several unknown view angles.
  08/2006;
• Source

  Available from: inist.fr

  Article: Reconnaissance de sauts d'athlète dans les vidéos : fusion du mouvement de caméra et de la trajectoire de points caractéristiques

  Emmanuel Ramasso, Denis Pellerin, Michèle Rombaut
  [show abstract] [hide abstract]
  ABSTRACT: La reconnaissance de l'activité humaine est un champ de recherches très actif dans la communauté du traitement d'image. Dans cet article, nous nous intéressons à la reconnaissance de l'action vue en tant que composante de l'activité. Pour cela, nous utilisons une méthode de fusion de données basée sur la théorie des fonctions de croyances et plus précisément le Modèle de Croyance Transférable. Les données utilisées sont, d'une part, l'estimation du mouvement de la caméra et, d'autre part, la position de points caractéristiques de la silhouette humaine. La méthode est testée pour reconnaître les actions course, saut et chute d'un athlète dans des vidéos de meeting d'athlétisme contenant diverses séquences de saut.
  20° Colloque sur le traitement du signal et des images, 2005 ; p. 997-1000.
• Article: Algorithmes Forward-Backward et décodage de Viterbi dans le cadre du Modèle des Croyances Transférables : Application à la classification de séquences vidéos

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: Nous présentons une version crédibiliste des Modèles de Markov Cachés, particulièrement les procédures « forward », « backward » et « Viterbi » définies dans le cadre du Modèle des Croyances Transférables de Smets. La reformulation est basée sur le Théorème de Bayes Généralisé ainsi que sur les travaux de Smets sur les Réseaux Evidentiels. Un critère basé sur le conflit est aussi proposé pour inférer des séquences. Les algorithmes proposés sont testés sur des vidéos d'athlétisme.
  21° Colloque GRETSI, 2007 ; p. 49-52.
• Source

  Available from: archives-ouvertes.fr

  Article: Modèle des Croyances Transférables : Représentation des connaissances, Fusion d’informations, Décision

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: Ce document propose une introduction au Modèle des Croyances Transférable (TBM : Transferable Belief Model) particulièrement adapté à la modélisation des connaissances sur l’état d’un système, à la fusion des informations concernant ce système et à la prise de décision sur son état. Les principes et mécanismes de base décrits dans ce document sont illustrés d’exemples simples facilitant la compréhension.
• Article: Automatic People Detection and Counting for Athletic Videos Classification

  Costas Panagiotakis, Emmanuel Ramasso, Georgios Tziritas, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: We propose a general framework that focuses on automatic individual/multiple people motion-shape analysis and on suitable features extraction that can be used on action/activity recognition problems under real, dynamical and unconstrained environments. We have considered various athletic videos from a single uncalibrated, possibly moving camera in order to evaluate the robustness of the proposed method. We have used an easily expanded hierarchical scheme in order to classify them to videos of individual and team sports. Robust, adaptive and independent from the camera motion, the proposed features are combined within Transferable Belief Model (TBM) framework providing a two level (frames and shot) video categorization. The experimental results of 97% individual/team sport categorization accuracy, using a dataset of more than 250 videos of athletic meetings indicate the good performance of the proposed scheme.
• Source

  Available from: archives-ouvertes.fr

  Article: Multi-labeled image classification by TBM active learning

  Hervé GOËAU, Michèle Rombaut, Denis Pellerin, Olivier Buisson
  [show abstract] [hide abstract]
  ABSTRACT: Abstract—The Transferable Belief Model (TBM) is well adapted for knowledge representation, especially for complex systems. In this contribution, the TBM is used as a basic tool of an assistance system for image collection classification. The first part of the system, which is completely automatic, models all available knowledge provided by the already labeled images in order to structure the unlabeled ones. The second part is a user assistance system that proposes an ordered list of images to be labeled according to a specific strategy as well as a possible label. Via a suitable interface, the user agrees or not with the proposal and the global knowledge is updated.
  Multi-labeled image classification by TBM active learning.
• Source

  Available from: Hervé Le Borgne

  Article: IRIM at TRECVID2009: High Level Feature Extraction

  Bertrand Delezoide, Hervé Le Borgne, Pierre-Alain Moëllic, David Gorisse, Frédéric Precioso, Feng Wang, Bernard Merialdo, Philippe Gosselin, Lionel Granjon, Denis Pellerin, [......], Hervé Jégou, Stéphane Ayache, Bahjat Safadi, Georges Quenot, Jonathan Fabrizio, Matthieu Cord, Hervé Glotin, Zhongqiu Zhao, Emilie Dumont, Bertrand Augereau
  [show abstract] [hide abstract]
  ABSTRACT: The IRIM group is a consortium of French teams working on Multimedia Indexing and Retrieval. This paper describes our participation to the TRECVID 2009 High Level Features detection task. We evaluated a large number of different descriptors (on TRECVID 2008 data) and tried different fusion strategies, in particular hierarchical fusion and genetic fusion. The best IRIM run has a Mean Inferred Average Precision of 0.1220, which is significantly above TRECVID 2009 HLF detection task median performance. We found that fusion of the classification scores from different classifier types improves the performance and that even with a quite low individual performance, audio descriptors can help.
  TREC online proceedings.
• Article: L'ordonnanceur crédibiliste pour la reconnaissance de séquences d'états dans le cadre du Modèle des Croyances Transférables

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: Nous présentons une méthode permettant de reconnaître des séquences d'états décrits par des fonctions de croyance temporelles dans le cadre du Modèle des Croyances Transférables (MCT). L'ordonnanceur crédibiliste sur lequel est basée la méthode repose sur le filtre temporel de fonctions de croyances présenté dans LFA 2006. Il assure une cohérence temporelle des états tout en lissant les croyances sur chacun des états. Une de ses caractéristiques vient de l'exploitation originale de l'information de conflit, dont une valeur est disponible par le MCT, pour piloter un mécanisme de rupture de modèle. Un critère est proposé pour l'inférence dans un contexte de séquences concurrentes. Ce critère est aussi utilisé pour créer une classe de rejet. L'expérimentation concerne la reconnaissance de sauts d'athlétisme dans des vidéos de sports réelles où nous comparons les performances de l'approche proposée à celles des Modèles de Markov Cachés.
• Source

  Available from: archives-ouvertes.fr

  Article: Algorithmes Forward-Backward et d'encodage de Viterbi dans le cadre du Modèle de Croyance Transférable : Application à la classification de séquences vidéos

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: Nous présentons une version crédibiliste des Modèles de Markov Cachés, particulièrement les procédures forward, backward et Viterbi définies dans le cadre du Modèle des Croyances Transférables de Smets. La reformulation est basée sur le Théorème de Bayes Généralisé ainsi que sur les travaux de Smets sur les Réseaux Evidentiels. Un critère basé sur le conflit est aussi proposé pour inférer des séquences. Les algorithmes proposés sont testés sur des vidéos d'athlétisme.
• Article: Un filtre temporel crédibiliste pour la reconnaissance d'actions humaines dans les vidéos

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: In the context of human action recognition in video sequences, a temporal belief filter is presented. It allows to cope with human action disparity and low quality videos. The whole system of action recognition is based on the Transferable Belief Model (TBM) proposed by P. Smets. The TBM allows to explicitly model the doubt between actions. Furthermore, the TBM emphasizes the conflict which is exploited for action recognition. The filtering performance is assessed on real video sequences acquired by a moving camera and under several unknown view angles.
• Source

  Available from: archives-ouvertes.fr

  Article: Vers la reconnaissance de motifs temporels

  Michèle Rombaut, Denis Pellerin, Emmanuel Ramasso
  [show abstract] [hide abstract]
  ABSTRACT: Nous cherchons à reconnaître des mouvements humains dans les vidéos. Dans ce papier nous explicitons les problèmes et nous proposons une méthode basée sur les fonctions de croyances.
• Source

  Available from: inpg.fr

  Article: A temporal belief filter improving human action recognition in videos

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: In the context of human action recognition in video sequences, a Temporal Belief Filter based on the Transferable Belief Model is proposed. It ensures a consistency in the temporal belief evolution. The filter is useful to cope with varying video quality and experiment conditions by smoothing belief on actions and solving conflict due to contradictory parameters. The proposed approach is validated on real video sequences with moving camera under several view angles.
• Source

  Available from: archives-ouvertes.fr

  Article: Modèles de Markov cachés crédibilistes en présence d'informations non distinctes

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: Dans le cadre de la reconnaissance de séquences temporelles, nous présentons une version crédibiliste des Modèles de Markov Cachés adaptée au cas où les observations peuvent être non indépendantes. Nous définissons pour cela les procédures forward, backward et Viterbi dans le cadre du Modèle des Croyances Transférables de Ph. Smets. La reformulation est basée sur le Théorème de Bayes Généralisé ainsi que sur les travaux de T. Denoeux concernant les opérateurs de combinaisons prudentes. Une application est proposée pour analyser des mouvements humains dans des vidéos d'athlétisme.
• Source

  Available from: archives-ouvertes.fr

  Article: Forward-Backward-Viterbi procedures in the Transferable Belief Model for state sequence analysis using belief functions

  Emmanuel Ramasso, Michèle Rombaut, Denis Pellerin
  [show abstract] [hide abstract]
  ABSTRACT: The Transferable Belief Model (TBM) relies on belief functions and enables one to represent and combine a variety of knowledge from certain up to ignorance as well as conflict inherent to imperfect data. A lot of applications have used this flexible framework however, in the context of temporal data analysis of belief unctions, a few work have been proposed. Temporal aspect of data is essential for many applications such as surveillance (monitoring) and Human-Computer Interfaces. We propose algorithms based on the mechanisms of Hidden Markov Models usually used for state sequence analysis in probability theory. The proposed algorithms are the ``credal forward", ``credal backward" and ``credal Viterbi" procedures which allow to filter temporal belief functions and to assess state sequences in the TBM framework. Illustration of performance is provided on a human motion analysis problem.