1 / 14

Sélection et classification : avancement

Sélection et classification : avancement. Marine Campedel www.tsi.enst.fr/~campedel 22 mars 2005. Présentation. Résumé du travail précédent et correction de la méthode ; Résultats obtenus avec les GMRF ; Stabilité des méthodes non supervisées ; Travaux en cours et à venir.

galya
Télécharger la présentation

Sélection et classification : avancement

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Sélection et classification : avancement Marine Campedel www.tsi.enst.fr/~campedel 22 mars 2005

  2. Présentation • Résumé du travail précédent et correction de la méthode ; • Résultats obtenus avec les GMRF ; • Stabilité des méthodes non supervisées ; • Travaux en cours et à venir.

  3. Description de la plate-forme Requêtes utilisateur Images Extraction de caractéristiques Sélection de caractéristiques Caractéristiques Apprentissage Non supervisé Modèles Modèles étiquetés Apprentissage supervisé Caract.+ étiquettes

  4. Algorithmes de sélection

  5. Évaluation des sélections Sélection de caractéristiques Attributs (+étiquettes de classe) Boucle de validation croisée Apprentissage/Test Sélection de caractéristiques Sélection de caractéristiques Classification Calcul d’heuristiques Apprentissage d’un classificateur Moyenne et écart-type du taux d’erreurs de classification Mesure de redondance

  6. Base de travail Base d’apprentissage similaire à l’étiquetage manuel produit par un utilisateur

  7. Résultats passés • Classificateur SVM (linéaire) plus performant que KPPV ou Fisher sur la base étudiée ; • Sélection effectuée sur des caractéristiques de textures : • Réduction de 78+24+18 à 20 (voire 10) coefficients sans perte de performance de classification ; • Algorithmes non supervisés aussi puissants que les algorithmes supervisés.

  8. GMRF (classification)

  9. GMRF (sélection) 1/2

  10. GMRF (sélection) 2/2 • 6 attributs sélectionnés à chaque boucle de validation croisée ; • GMRF et attributs géométriques présents.

  11. Stabilité (non supervisé) 1/2 • Comparaison de deux expériences : • Sélection et classification sur la même base ; • Sélection et classification sur des bases différentes (base aléatoire pour la sélection, 2000 vignettes 64x64, pas d’étiquette de classe). • Si les sélections sont stables, les performances de reconnaissance doivent être similaires.

  12. Stabilité (non supervisé) 2/2

  13. Travaux en attente • Estimation du nombre minimal d’attributs • Chaîne entièrement non supervisée • Kernel kMeans + indexes simples de la littérature • Étude de méthodes hiérarchiques (Ivan) • Stagiaire de mastère (M. Ould : avril-septembre) • Base de données • Constitution d’une base étiquetée manuellement • Système de gestion de BD : stagiaire de fin d’études (J. Siyar : février – juillet)

  14. Suite à la prochaine réunion …

More Related