Cette these a pour sujet l'annotation automatique d'images. Pour plus de souplesse, nous utilisons un vocabulaire structure, permettant de construire des annotations multi-facettes et a differents niveaux d'interpretation. Une annotation prend alors la forme d'un ensemble de multilabels associes a des indices de confiance et permet d'exprimer un compromis fiabilite/precision semantique.

Le traitement propose se deroule en deux phases : extraction de caracteristiques informatives et calcul de probabilites normalisees sur un espace de multilabels. Chacune exploite des mecanismes d'apprentissage. La demarche est evaluee sur deux jeux de donnees : un ensemble d'images de voitures et la base d'objets generiques Caltech-101. Les resultats suggerent d'utiliser le vocabulaire structure a differentes etapes selon la nature des donnees.

In this thesis, we address the problem of automatic image annotation. For a more flexible system, we build multi-faceted annotations organized in a semantic hierarchy. Thus, an annotation is defined by a set of multilabels coupled with confidence levels. A tradeoff between reliability and semantic precision allows greater flexibility. The proposed algorithm proceeds in two stages. First, informative image features are extracted. Second, normalized probabilities are computed on a set of multilabels. Both rely on statistical learning machines. We evaluate the approach on two datasets: a set of car images and a generic database, Caltech-101. Results show different behaviour depending on the data, suggesting that the vocabulary structure is useful at different stages of the algorithm.