|
![](images/spacer.gif) |
Mercredi 17 Avril
Heure: |
00:59 - 16:00 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Extraction de règles pour l'annotation automatique et problèmes d'incomplétude lexicale |
Description: |
Damien Nouvel Les quantités d'informations textuelles à analyser sont de plus en plus importantes et nécessitent de mettre au point des techniques robustes afin de les traiter. Dans ce contexte, les travaux présentés portent sur deux problématiques distinctes : la reconnaissance des entités nommées (REN) et l'incomplétude lexicale. Pour la REN, une approche s'appuyant sur la fouille de données sera exposée, appliquée à des transcriptions d'émissions radiodiffusées ou télévisuelles. Celle-ci propose deux contributions originales : l'utilisation de techniques de fouille de données pour la REN (extraction de motifs séquentiels hiérarchiques de segments comme règles d'annotation) et la formulation de la REN comme positionnement de balises d'annotation (marqueurs, instructions). Les performances obtenues dans le cadre de la campagne Etape seront présentées. Pour ce qui concerne l'incomplétude lexicale, des travaux récents réalisés dans le cadre du projet EDyLex seront exposés. Ils montrent la possibilité d'acquérir automatiquement de nouvelles entrées (hors entités nommées) pour ajout au lexique, par utilisation de ressources externes et de règles de dérivation ou de composition. |
Heure: |
12:15 - 13:30 |
Lieu: |
Salle B107, bâtiment B, Université de Villetaneuse |
Résumé: |
Relations to improve motion understanding |
Description: |
Cristina Manfredotti Many domains in the real world are richly structured, containingseveral distinct objects interacting with each other. This is the caseof many problems as, for example, multi-target tracking, activityrecognition, automatic surveillance and traffic monitoring. The commonground of these types of problems is the necessity of recognizing andunderstanding the scene, the activities that are going on, who are theactors, their role and estimate their positions. The explicitrepresentation of the interconnected behaviors of agents can providebetter models for capturing key elements of the activities in thescene.We develop a tracking framework that takes into account interactionsbetween objects allowing the recognition of complex activities. Incontrast to classic approaches that consider distinct phases oftracking and activity recognition, our framework performs these twotasks simultaneously. In particular, we adopt a Bayesian standpointwhere the system maintains a joint distribution of the positions, theinteractions and the possible activities. This turns out to beadvantageous, as information about the ongoing activities can be usedto improve the prediction step of the tracking, while, at the sametime, tracking information can be used for online activityrecognition. Moreover, the explicit recognition of the relationshipsbetween interacting objects improves the understanding of theirdynamic domain. Experimental results in two different settings showthat our approach 1) decreases the error rate and improves theidentity maintenance of the positional tracking and 2) identifies thecorrect activity with higher accuracy than standard approaches.In order to automatically learn thee transition models we propose amulti-layer framework, called LEMAIO that makes use of hierarchicalabstraction. LEMAIO can learn models of activities involving multipleinteracting objects from time sequences of data concerning theindividual objects. Experiments in the sea navigation domain yieldedlearned models that were then successfully applied to activityrecognition, activity simulation and multitarget tracking. |
|
|