Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Segmentation Interactive
Processus de segmentation d'image où un utilisateur guide l'algorithme en fournissant des indications, comme des clics ou des traits, pour affiner les résultats en temps réel.
Clics Positifs et Négatifs
Méthode d'annotation où l'utilisateur clique sur les pixels appartenant à l'objet d'intérêt (positifs) et sur ceux de l'arrière-plan (négatifs) pour contraindre le modèle de segmentation.
Scribbles (Gribouillis)
Annotations sous forme de traits grossiers dessinés par l'utilisateur sur une image pour indiquer les régions de premier plan et d'arrière-plan, servant de contraintes pour l'algorithme.
Propagation de Graines
Technique où des points de départ (graines) fournis par l'utilisateur sont utilisés pour propager une étiquette de segmentation aux pixels voisins selon des critères de similarité.
GrabCut
Algorithme de segmentation interactif basé sur les coupes de graphes (graph cuts) qui utilise un modèle de mélange de Gaussiennes pour modéliser les couleurs de premier plan et d'arrière-plan.
Segmentation par Croissance de Régions (Region Growing)
Méthode itérative qui part d'un ou plusieurs points de départ (graines) et ajoute les pixels voisins qui satisfont un critère d'homogénéité, souvent défini par l'utilisateur.
Watershed Interactif
Application de l'algorithme de watershed (ligne de partage des eaux) où les marqueurs, définissant les bassins versants, sont placés manuellement par l'utilisateur pour contrôler la sur-segmentation.
Raffinement par Boîtes Englobantes (Bounding Box Refinement)
Technique où l'utilisateur dessine une boîte englobante autour de l'objet, et l'algorithme affine la segmentation à l'intérieur de cette boîte, souvent utilisée comme première étape rapide.
Deep Extreme Cut (DEXTR)
Méthode de segmentation interactive basée sur l'apprentissage profond qui utilise quatre points extrêmes (haut, bas, gauche, droite) de l'objet pour générer une segmentation précise.
Fondement de l'Apprentissage Actif (Active Learning)
Principe selon lequel l'algorithme identifie les zones d'incertitude et sollicite l'intervention de l'utilisateur uniquement pour ces régions, optimisant ainsi l'effort d'annotation.
Correction de Masque
Processus itératif où l'utilisateur peut ajouter ou retirer des régions d'un masque de segmentation initial, souvent via des clics, pour améliorer la précision du résultat final.
Segmentation par Échantillonnage d'Exemples (Example-based Segmentation)
Approche où l'utilisateur fournit des exemples de pixels appartenant à la classe cible, et l'algorithme segmente le reste de l'image en trouvant les pixels similaires selon des caractéristiques comme la couleur ou la texture.
Fonction de Coût Pondérée par l'Utilisateur
Dans les méthodes d'optimisation, une fonction de coût où les termes liés aux contraintes utilisateur reçoivent un poids élevé, forçant la solution à respecter strictement les indications fournies.
Résolution Multi-échelle Interactive
Stratégie qui effectue une segmentation initiale sur une version basse résolution de l'image pour une rapidité d'exécution, puis raffine les résultats sur des résolutions supérieures en utilisant les mêmes contraintes utilisateur.
Modèle d'Apparence
Modèle statistique (ex: mélange de Gaussiennes, histogramme) des caractéristiques de couleur ou de texture d'une région, construit à partir des annotations utilisateur pour guider la segmentation.
Édition de Frontière (Boundary Editing)
Outils interactifs spécialisés qui permettent à l'utilisateur de manipuler directement les contours du masque de segmentation, par exemple en tirant/poussant la frontière ou en ajoutant des points de contrôle.