http://hdl.handle.net/2042/150 2017-07-09T17:53:13Z 2017-07-09T17:53:13Z BERAR, Maxime DESVIGNES, Michel http://hdl.handle.net/2042/29198 2009-11-20T06:31:09Z 2009-01-01T00:00:00Z

Régression par analyse des valeurs latentes à noyau BERAR, Maxime; DESVIGNES, Michel Dans cet article, nous étendons au noyaux de Mercer, la régression par analyse des valeurs latentes (Latent Root régression, LRR). Cette méthode de régression linéaire est basée sur l'usage de variables latentes tout comme la régression aux moindre carrés partiels (PLS) ou la régression sur composantes principales (PCR). Dans le cas de la LRR, les variables latentes sont construites en utilisant les vecteurs propres de la matrice regroupant les prédicteurs et les variables dépendantes. L'extension au noyau de Mercer est réalisée en projetant les prédicteurs dans un espace caractéristique, connu seulement à travers son produit scalaire et en reformulant la construction des variables latentes dans ce cadre. Ces méthodes de régression sur variables latentes et leurs extensions aux noyaux de Mercer sont comparées pour un noyau gaussien dans le cadre de données de reconstruction faciale. Le but de la reconstruction faciale est de prédire la forme du visage à l'aide de la forme du crâne. Ce problème est réduit à la prédiction de la position d'un ensemble de points caractéristiques de la face en fonction de la position de points caractéristiques du crâne.

2009-01-01T00:00:00Z LEFORT, Riwal FABLET, Ronan BOUCHER, Jean-Marc http://hdl.handle.net/2042/29197 2009-11-20T06:31:08Z 2009-01-01T00:00:00Z

Classification et apprentissage faiblement supervisé en acoustique halieutique LEFORT, Riwal; FABLET, Ronan; BOUCHER, Jean-Marc L'apprentissage statistique établit un modèle de classification probabiliste. Dans le cas supervisé, ce modèle est estimé à partir d'un jeu de données labelisées, i.e. à chaque observation correspond un label. Dans le cas faiblement supervisé, le label n'est pas exactement connu. Dans notre cas, seule la probabilité d'associer une observation à une classe est connue. Ainsi à chaque observation correspond un vecteur de probabilité d'affectation aux différentes classes. Les méthodes développées dans cet article sont appliquées à la reconnaissance d'objets dans une image. Nous disposons de plusieurs images contenant des objets à classifier. La vérité terrain pour les images d'apprentissage est la proportion relative des classes dans chaque image. Cette proportion globale donne la probabilité d'affectation de chaque objet de l'image d'apprentissage. L'originalité de ce papier est dans l'association d'un ensemble de données d'apprentissage labelisées en proportion avec un modèle probabiliste de classification basé sur la combinaison de plusieurs modèles discriminants dont la combinaison s'effectue à l'aide d'une technique de Bagging. Deux modèles de classification (l'un Bayésien et l'autre discriminant) sont comparés sur des données provenant de campagnes océanographiques (l'objectif étant de reconnaitre à quelle classe d'espèce est affecté un banc de poissons dans une image, la proportion des classes étant donnée par chalutage). Pour ce jeu de données, le modèle discriminant est plus robuste au nombre de classes présentes dans l'image. L'apport du bagging est mis en évidence pour le modèle discriminant.

2009-01-01T00:00:00Z SZAFRANSKI, Marie GRANDVALET, Yves http://hdl.handle.net/2042/29196 2009-11-20T06:31:08Z 2009-01-01T00:00:00Z

Pyramides de noyaux SZAFRANSKI, Marie; GRANDVALET, Yves L'apprentissage statistique vise à prédire, mais aussi analyser ou interpréter un phénomène. Nous proposons de guider le processus d'apprentissage en intégrant une connaissance relative à la façon dont sont organisées les similarités entre exemples. La connaissance est représentée par une "pyramide de noyaux", une structure arborescente qui permet d'organiser des groupes et sous-groupes distincts de similarités. Si nous pouvons faire l'hypothèse que peu de (groupes de) similarités sont pertinentes pour discriminer les observations, notre approche fait émerger les groupes et sous-groupes de similarités pertinentes. Nous proposons ici la première solution complète à ce problème, permettant l'apprentissage d'un séparateur à vaste marge (SVM) sur des pyramides de noyaux de hauteur arbitraire. Les pondérations des (groupes de) similarités sont apprises conjointement avec les paramètres du SVM, par optimisation d'un critère que nous montrons être une formulation variationnelle d'un problème régularisé par une norme mixte. Nous illustrons notre approche sur un problème de reconnaissance d'expressions faciales, où les caractéristiques des images sont décrites par une pyramide représentant l'organisation spatiale et l'échelle des filtres d'ondelettes appliqués sur des patchs d'images.

2009-01-01T00:00:00Z SUARD, Frédéric MERCIER, David http://hdl.handle.net/2042/29195 2009-11-20T06:31:08Z 2009-01-01T00:00:00Z

Application des noyaux multiples de type Kernel Basis à la méthode Relevance Vector Machine pour la sélection de modèles SUARD, Frédéric; MERCIER, David Nous présentons ici une extension de l'algorithme RVM aux noyaux multiple par une approche Kernel Basis qui permet d'appliquer à chaque donnée support un ensemble spécifique de noyaux qui ne soit pas nécessairement commun à tous les supports. Après avoir montré que l'algorithme peut être étendu à cette formulation, nous présentons une application de sélection de variables qui consiste à calculer un noyau par variable et par donnée, afin de ne retenir que les variables pertinentes. Les résultats obtenus présentent des performances comparables au classifieur SVM-MKL, qui utilise un noyau composite, tout en diminuant la taille de la solution grâce à la parcimonie de la solution RVM.

2009-01-01T00:00:00Z