Optimisation de la géométrie du voisinage pour la segmentation d images texturées
|
|
- Pierre-Antoine Grondin
- il y a 8 ans
- Total affichages :
Transcription
1 Optimisation de la géométrie du voisinage pour la segmentation d images texturées Pierre Beauseroy & André Smolarz Institut des Sciences et Technologies de l Information de Troyes (FRE 73) Université de Technologie de troyes 1, rue Marie Curie BP 00, 10 Troyes Cedex pierre.beauseroy@utt.fr ou andre.smolarz@utt.fr Résumé Généralement, lors de la segmentation, chaque pixel d une image texturée est classé à partir d informations provenant de son voisinage. L objectif de ce travail est d étudier l impact de la géométrie du voisinage, choisie pour une taille donnée, sur les performances de classification. Cet article présente une approche utilisant les SVMs pour l étape d apprentissage des textures et de classification des pixels. Les paramètres du classifieur et la géométrie du voisinage sont conjointement optimisés à partir de données étiquetées. L étude expérimentale montre clairement que la géométrie influe considérablement sur la qualité des résultats. L amélioration des performances de classification peut être obtenue par optimisation de la géométrie du voisinage, limitant par voie de conséquence sa taille et permettant une segmentation plus précise. Abstract Usually, when segmenting textured images each pixel is classified according to its neighborhood. This paper is a study of neighborhood s geometry impact for a given number of neighbors on classification results. We propose a new approach using SVMs for learning textures and pixels classification. Parameters of classifier and neighborhood s geometry are jointly optimized based on labelled data. Experiments clearly show that neighborhood s geometry have a great influence on classification results. Better results can be achieved when optimizing neighborhood s geometry. As a consequence, for given performances the number of neighbors can be reduced and the resulting segmentation is improved. Mots clés Image, Segmentation, Texture, SVM, Classification, Apprentissage, Optimisation Keywords Image, Segmentation, Texture, SVM, Classification, Learning, Optimisation 1 Introduction Pour segmenter une image en régions homogènes au sens de la texture, il est nécessaire de classer les pixels de l image. Depuis les travaux de Haralick & al. (1973) de nombreux auteurs ont traité le problème de classification en proposant diverses méthodes de caractérisations locales de la texture, notamment Chu & al. (1990), Dasarathy et Holder (1991) et Gotlieb et Kreyszig (1990). Ces travaux et bien d autres étudient les moyens de caractériser localement l image en décrivant les interactions entre un pixel à classer et un ou plusieurs de ses voisins. Les paramètres extraits de matrices de coocurrence ou les coefficients de corrélation multiples entre groupes voisins de pixels (Smolarz (1997)) ont notamment été utilisés. Pour garantir une bonne qualité d estimation des attributs locaux liés à un voisinage de quelques pixels (3x3 ou 5x5 par exemple), les attributs doivent être estimés sur de grandes régions de l images (souvent 3x3 ou x pixels). L augmentation de la taille des régions améliore 1
2 généralement l estimation et la classification au détriment de la localisation des frontières entre textures. Cette communication propose une approche différente qui consiste à caractériser la texture à laquelle participe un pixel à l aide d un vecteur aléatoire dont les composantes correspondent aux niveaux de gris d un groupe de pixels voisins. L utilisation des méthodes de décision à noyaux introduites par Vapnik (199) permet d estimer directement une règle de décision performante à partir de cet espace de représentation sans chercher à déduire du voisinage des grandeurs caractéristiques. Les prétraitements sont ainsi supprimés. Cette démarche nous affranchit de la nécessité de garantir la qualité de l estimation des grandeurs caractéristiques et permet d espérer une réduction du nombre de voisins requis pour une performance de classification comparable. Dans cette publication, plutôt que d imposer des contraintes de performance et de chercher à réduire le plus possible la taille du voisinage, nous avons traité le problème dual. La taille du voisinage est figée et l objectif est d optimiser les performances de classification en cherchant, dans le plan de l image, le voisinage le plus discriminant dans le cadre d un problème à deux classes. Cette démarche est développée dans la seconde partie. L étude expérimentale présentée en troisième partie montre que cette approche permet d obtenir de très bons résultats avec un apprentissage réduit (peu d individus représentatifs de chaque classe) et un nombre de voisins faible (ici 9). En revanche, le choix du voisinage revêt une importance capitale. Son optimisation est donc primordiale pour assurer de bonnes performances. Présentation de la méthode Le choix du voisinage est obtenu en sélectionnant, à l issue d une étape d optimisation, le voisinage donnant les meilleures performances de classification estimées par validation croisée. Nous présentons successivement la définition des voisinages, le classifieur et la méthode d optimisation retenus..1 Géométrie des voisinages L ensemble de pixels formant le voisinage du pixel à classer est défini par l ensemble des positions relatives des pixels du groupe par rapport au pixel à classer. Soit V un tel voisinage, dans le cadre de cette étude nous avons imposé 3 contraintes aux voisinages considérés : le pixel à classer fait partie du voisinage, le nombre de pixels formant le voisinage est fixé à 9, les pixels du voisinage doivent tous être connectés entre eux par un coin ou un bord de pixel. Ces contraintes, outre qu elles reprennent des hypothèses implicites dans de nombreuses publications, permettent: de limiter la dimension de l espace des solutions et de réduire la complexité de la recherche d un optimum, de limiter la surface de la région de l image utilisée pour représenter localement la texture et par conséquent d assurer une meilleure localisation de la frontière.
3 { } Pour un voisinage donné V, nous définissons un ensemble d apprentissage (x V i, y i) et un { } ensemble de test (zi V, l i) qui servent à l estimation de la règle de décision et à sa validation. x V i et z V i sont les individus à classer et y i et l i représentent leur classe d appartenance (-1 ou 1 dans notre cas).. Classification Le principe des machines à vecteurs supports est d accroître la dimension de l espace de représentation du problème à l aide d une fonction f() pour ensuite chercher le meilleur séparateur linéaire dans le nouvel espace. Lors des développements analytiques, cette fonction peut-être remplacée par une fonction noyau K() qui s applique directement au produit scalaire à condition que cette dernière vérifie le théorème de Mercer. Dans la pratique, la fonction noyau est directement choisie dans la classe des fonctions satisfaisant le théorème de Mercer. La règle de décision s exprime alors comme suit: ( N ) d(x) = sign y i α i K(x i, x) + b i=1 où N est le nombre d individus de l ensemble d apprentissage, α i et b sont les paramètres du séparateur linéaire et x est l individu à classer. Les paramètres doivent vérifier les contraintes : N i=1 y i α i = 0 et 0 α i C. La valeur de C permet de limiter l espace des solutions. Nous l avons choisie constante pour l ensemble de l étude expérimentale. Le noyau choisi est un noyau gaussien de la forme K γ (x i, x) = exp( γ x i x ). Au cours de l étude expérimentale, le paramètre γ est choisi par validation croisée..3 Optimisation du voisinage Nous cherchons à minimiser la probabilité d erreur estimée : P e(γ, V ) = 1 Ntest d γ (zi V )l i < 0 () Ntest où Ntest est le nombre d individus de l ensemble test et d γ la règle de décision élaborée à l aide des noyaux K γ. Ce critère est discret par rapport au voisinage et sans relations d ordres évidentes. Par conséquent, une méthode d optimisation stochastique proposée par Courrieu (1991) permettant de traiter ce type de problèmes difficiles, a été retenue. Cet algorithme consiste à successivement évaluer le critère pour des solutions obtenues par tirage aléatoire dans l espace des solutions. Au cours de l optimisation les meilleurs solutions sont conservées et la densité de probabilité qui régit le tirage aléatoire évolue de sorte que la recherche se concentre dans des régions où le critère optimisé prend de bonnes valeurs. i=1 (1) 3
4 3 Etude expérimentale 3.1 Base de données Les résultats présentés portent sur des textures obtenues par synthèse et des textures naturelles. Les quatre textures markoviennes utilisées ont été synthétisées à l aide d un modèle autobinomial décrit pour 1 niveau de gris par Cross et Jain (193) et étendu par Smolarz (199) à un nombre quelconque de niveaux de gris (figures 1, et 3). Le procédé de synthèse garantit que les distributions marginales des niveaux de gris sont identiques pour toutes les images obtenues. La dimension des images est 51x51 pixels. Le dernier couple de textures utilisé pour cette étude est constitué des textures d eau et de canevas extraites de la banque d images du GDR ISIS. La dimension de ces images est de 5x5 pixels. Le moment d ordre 1 des niveaux de gris des images a été arbitrairement ramené à 0. Toutes les images sont monochromes, quantifiées sur 5 niveaux de gris. 3. Résultats Les fonctions de décision ont été estimées pour 5 couples de textures (textures (1,), (,3), (,), (3,) et (eau, canevas)). L apprentissage des SVMs a été réalisé à l aide de 50 exemples étiquetés provenant de chaque texture; soit une portion très réduite des images. Les tests ont été menés en utilisant 000 exemples provenant de chaque classe. La table 1 présente les meilleurs, les moins bons résultats, la moyenne et écart-type des résultats obtenus pour un ensemble de 00 voisinages tirés aléatoirement et les résultats obtenus par la méthode de coocurrence sur une distance de pixels dans directions. Les attributs sont estimés sur des fenêtres de x pixels. Les figures 1, et 3 présentent les meilleurs et moins bons voisinages pour chaque couple de textures étudié. Textures Moins bon Meilleur Moyenne Ecart-type coocurrence classées résultat résultat des résultats correspondant x (%) (%) obtenus (%) (%) 1 et 3,5 1,5 3,3,5 7,1 et 3,9 5,03 11, 3,9 37,99 et 1,05 0,5 3,1 1,7 5,7 3 et 3, 1,,77 3,1 11,3 eau et canevas 5,1 7, 1,5 3, 13,7 Table 1: Résultats estimés avec des ensembles de test et d apprentissage indépendants. Les résultats (table 1) montrent d importants gains dus à l optimisation du voisinage. Ces résultats, bien qu imparfaitement comparables à ceux de la littérature, semblent au moins aussi bons que ceux obtenus à l aide de matrices de coocurrences (dernière colonne de la table) ou de coefficients de corrélation multiples estimés avec des voisinages plus importants. La dernière figure (figure ) illustre l effet du choix du voisinage dans le cas de la segmentation d une image coupé en quadrants. La segmentation obtenue à l aide du voisinage optimisé est indiscutablement meilleure que la seconde, obtenue avec un voisinage carré classique.
5 Détail texture 1 Détail texture Détail texture Détail texture Figure 1: A gauche : Textures 1 et et meilleur et moins bon voisinages pour ces textures; à droite : Textures et 3 - meilleur et moins bon voisinages pour ces textures. Détail texture Détail texture Détail texture Détail texture Figure : A gauche : Textures et - meilleur et moins bon voisinages pour ces textures ; à droite : Textures 3 et - meilleur et moins bon voisinages pour ces textures. Détail texture eau Détail texture canevas Figure 3: Textures eau et canevas - meilleur et moins bon voisinages pour ces textures. Image a segmenter Segmentation voisinage optimise Segmentation voisinage carre Figure : Segmentation de deux images contenant les textures eau et canevas avec le voisinage optimisé au centre et un voisinage carré 3x3 à droite. 5
6 Conclusion Cette communication étudie l influence de l étendue et de la forme du voisinage pris en compte sur la classification de pixels provenant d images texturées. Nous proposons une méthode de recherche d un voisinage optimal pour la classification de pixels. Nous appliquons cette méthode à des problèmes de segmentation à textures. L application de cette méthode à des textures naturelles et de synthèses montre que de très bonnes performances de classification peuvent être atteintes avec de petits voisinages à condition de bien choisir le voisinage. Ce choix est très important. La faible taille du voisinage permet d espérer une meilleure localisation des frontières entre textures (ce que semblent attester les expériences réalisées). L utilisation de classifieurs de type SVM permet notamment d obtenir de très bonnes performances avec des ensembles d apprentissage de petites tailles. La population d apprentissage réduite et la petite taille du voisinage contribuent à limiter drastiquement la région de l image nécessaire pour apprendre. Cette qualité peut devenir importante dans le cadre de l extension de ce travail à des problèmes de classification non supervisée. In fine, le problème traité est analogue à celui de la sélection de variables lors de la conception d un classifieur. Lorsque la règle de décision employée est construite par SVM, le principe de parcimonie de l espace de représentation perd de son importance. Dans le cas présent, ce problème demeure puisque seule la parcimonie de la représentation garantit la localisation des frontières lors de la segmentation. En définitive, ces résultats suggèrent l existence d un compromis localisation-performance de classification analogue au compromis biais-variance. Ce travail se poursuit actuellement par l étude de problèmes de classification et segmentation multi-textures et par l amélioration de la technique d optimisation (optimisation conjointe du nombre de pixels voisins et de la forme du voisinage). Bibliographie [1] Cross G.R., Jain A.K., (193), Markov Random Field Model, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol 5, N 1, [] Smolarz A. (1997) Etude qualitative du modèle auto-binomial appliqué à la synthèse de texture, XXIXèmes Journées de statistique, Carcassonne. [3] Chu A., Sehgal C.M., Greenleaf J.F. (1990) Use of gray value distribution of run lengths for texture analysis, Pattern Recognition Letters, Vol 11, [] Dasarathy D.V., Holder E.B. (1991) Image characterizations based on joint gray level-run length distributions, Pattern Recognition Letters, Vol 1, [5] Gotlieb C.C, Kreyszig H.E. (1990) Texture descriptors based on Co-occurence Matrices Computer graphics and image processing, Vol 51, 70. [] Haralick R.M., Shanmugam K., Dinstein I. (1973) Textural Features for Image Classification IEEE Trans. on Systems Man & Cybernetics, Vol 3, N, [7] Vapnik V.N. (199) Statistical learning theory Ed. Wiley Inter-Science, New-York. [] Courrieu P. (1991) A distributed search algorithm for hard optimization, technical report N TA9101, CREPCO URA CNRS 1. [9] Smolarz A. (199) Discrimination de textures à l aide de caractéristiques statistiques locales entre blocs de pixels, XXXèmes journées de Statistique, Rennes.
Principe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailReconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailE-Gen : traitement automatique des offres d emploi
591 E-Gen : traitement automatique des offres d emploi Rémy Kessler 1, 2, Marc El-Bèze 1 1 Laboratoire Informatique d Avignon, BP 1228 F-84911 Avignon Cedex 9 FRANCE 2 AKTOR Interactive Parc Technologique
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailEntreposage de données complexes pour la médecine d anticipation personnalisée
Manuscrit auteur, publié dans "9th International Conference on System Science in Health Care (ICSSHC 08), Lyon : France (2008)" Entreposage de données complexes pour la médecine d anticipation personnalisée
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailDeuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1
Deuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1 V. Fiolet Université de Mons-Hainaut 2006-2007 Nous allons aujourd hui nous intéresser à la tâche de classification
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailÉVALUATION DES RÉTROACTIONS DONNÉES PAR UN LOGICIEL D AIDE À L APPRENTISSAGE DE L ÉCRITURE MANUSCRITE
ÉVALUATION DES RÉTROACTIONS DONNÉES PAR UN LOGICIEL D AIDE À L APPRENTISSAGE DE L ÉCRITURE MANUSCRITE LECLERC MARIE-CHRISTINE, ROBERT JEAN-MARC École Polytechnique de Montréal Département de mathématiques
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailSélection de Caractéristiques pour le Filtrage de Spams
Sélection de Caractéristiques pour le Filtrage de Spams Kamilia MENGHOUR, Labiba SOUICI-MESLATI Laboratoire LRI, Université Badji Mokhtar, BP 12, 23000, Annaba, Algérie. k_menghour@yahoo.fr, souici_labiba@yahoo.fr
Plus en détailAnalyse de la dynamique d un lit fluidisé gaz-solide en interaction acoustique avec son système de ventilation : comparaison théorie/expérience.
Analyse de la dynamique d un lit fluidisé gaz-solide en interaction acoustique avec son système de ventilation : comparaison théorie/expérience. F.BONNIOL, C. SIERRA, R. OCCELLI AND L. TADRIST Laboratoire
Plus en détailINTELLIGENCE ECONOMIQUE : ENJEUX ET RETOUR D EXPERIENCE PILOTE DANS SEPT PMI DE BOURGOGNE
INTELLIGENCE ECONOMIQUE : ENJEUX ET RETOUR D EXPERIENCE PILOTE DANS SEPT PMI DE BOURGOGNE BUSINESS INTELLIGENCE : GOALS AND RESULTS OF A PILOT EXPERIMENT INVOLVING SEVEN SMEs FROM BOURGOGNE Ludovic DENOYELLE,
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailExtraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic
Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Jérôme Palayret 1,2, Auréline Quatrehomme 1,2, Denis Hoa 1, William Puech 2 IMAIOS,
Plus en détailFolio Case User s Guide
Fujitsu America, Inc. Folio Case User s Guide I N S T R U C T I O N S This Folio Case is a stylish, lightweight case for protecting your Tablet PC. Elastic Strap Pen Holder Card Holders/ Easel Stops Figure
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détail