Catégorisation par mesures de dissimilitude et caractérisation d'images en multi échelle
Auteur / Autrice : | Agata Manolova |
Direction : | Anne Guérin-Dugué, Roumen Kountchev |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences et technologie industrielles |
Date : | Soutenance le 11/10/2011 |
Etablissement(s) : | Grenoble en cotutelle avec Université Technique de Sofia. Faculté Francophone |
Ecole(s) doctorale(s) : | École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....) |
Partenaire(s) de recherche : | Laboratoire : Grenoble Images parole signal automatique |
Jury : | Président / Présidente : Jocelyn Chanussot |
Examinateurs / Examinatrices : Patrick Lambert, Gilles Celeux | |
Rapporteurs / Rapporteuses : Alain Rakotomamonjy, Michel Verleysen |
Mots clés
Résumé
Dans cette thèse, on introduit la métrique "Coefficient de forme" pour la classement des données de dissimilitudes. Cette approche est inspirée par l'analyse discriminante géométrique et on a défini des règles de décision pour imiter le comportement du classifieur linéaire et quadratique. Le nombre de paramètres est limité (deux par classe). On a également étendu et amélioré cette démarche avantageuse et rapide pour apprendre uniquement à partir des représentations de dissimilitudes en utilisant l'efficacité du classificateur des Machines à Vecteurs de Support. Comme contexte applicatif pour la classification par dissimilitudes, on utilise la recherche d'images à l'aide d'une représentation des images en multi échelle en utilisant la "Pyramide Réduite Différentielle". Une application pour la description de visages est développée. Des résultats de classification à partir du coefficient de forme et utilisant une version adaptée des Machines à Vecteurs de Support, sur des bases de données issues des applications du monde réel sont présentés et comparés avec d'autres méthodes de classement basées sur des dissimilitudes. Il en ressort une forte robustesse de la méthode proposée avec des perfommances supérieures ou égales aux algorithmes de l'état de l'art.