http://hdl.handle.net/2042/31 [trait.sign.] Sun, 19 May 2013 19:58:59 GMT 2013-05-19T19:58:59Z http://documents.irevues.inist.fr:50300/bitstream/id/24464/22519.jpg http://hdl.handle.net/2042/31 http://hdl.handle.net/2042/47361 Rééchantillonnage de l’échelle dans les algorithmes Rééchantillonnage de l’échelle dans les algorithmes VEIT, Thomas; IDIER, Jérôme; MOUSSAOUI, Saïd Cet article présente une méthode pour améliorer le comportement des algorithmes MCMC impliqués dans la résolution de problèmes inverses bilinéaires tels que la déconvolution aveugle et la séparation de sources. La question plus spécifiquement abordée est celle de la gestion de l’ambiguïté d’échelle intrinsèque aux problèmes inverses bilinéaires. Le cadre bayésien lève l’ambiguïté d’échelle (pourvu que les lois manipulées soient propres) mais les échantillons obtenus par échantillonnage de Gibbs sont fortement corrélés. L’introduction d’une étape d’échantillonnage d’un paramètre d’échelle améliore radicalement le comportement de l’échantillonneur. En autorisant un déplacement supplémentaire, l’exploration de l’espace d’état est rendue plus efficace. Ceci a pour conséquences une diminution du temps de chauffe, une corrélation moins forte des échantillons et une convergence plus rapide. Par rapport à d’autres solutions envisageables, cette approche est mathématiquement rigoureuse sans augmentation significative du coût de calcul. Son apport est illustré sur un premier exemple simple, puis dans le cadre d’une application à la séparation de sources. Introduction This work focuses on the Markov chain Monte Carlo (MCMC) algorithms involved in the resolution of bilinear inverse problems. This kind of problem is written z = x h + noise, where z stands for the observations and x and h stand for the unknown quantities (matrices or vectors) to be estimated. Symbol refers to any bilinear operator, for example a convolution or a matrix product. Source separation [11, 2] and blind deconvolution [3] are among the most important instances of bilinear inverse problems in the signal processing field. Bilinear inverse problems are characterized by an intrinsic scale ambiguity : namely, if (x,h) is a solution then for all scalar s =/ 0, (s × x,h/s) is also a solution. Bayesian framework and MCMC The Bayesian framework introduces statistical information for solving under-constrained problems. Prior distributions are assigned to the unknowns. The problem modeled in this way is written Z = X H + B where the capital letters stand for random variables. A usual Bayesian estimator of the unknown quantities x and h is the posterior expectation Eq. (3). Let us emphasize that the choice of the prior distribution in the Bayesian framework raises the scale ambiguity on the unknowns, at least if only proper priors are considered, which will be the case here. In the usual case where the posterior distribution are not explicitly available, MCMC algorithms are well adapted to yield random realizations x(t) and to compute the estimate ˆx as empirical averages. In the bilinear case, an appealing choice to perform the sampling step is to rely on a Gibbs sampler. The two main steps are then the alternate sampling of x and h according to their conditional posterior distributions fX|H,Z,Θ(x|h,z,θ) and fH|X,Z,Θ(h|x,z,θ), respectively... Tue, 01 Jan 2008 00:00:00 GMT http://hdl.handle.net/2042/47361 2008-01-01T00:00:00Z http://hdl.handle.net/2042/47353 FuRIA : un nouvel algorithme d’extraction de caractéristiques pour les interfaces cerveau-ordinateur et modèles flous LOTTE, Fabien; LÉCUYER, Anatole; ARNALDI, Bruno Cet article propose un nouvel algorithme d’extraction de caractéristiques pour les Interfaces Cerveau- Ordinateur (ICO) basées sur l’électroencéphalographie. Cet algorithme utilise les modèles inverses ainsi que le nouveau concept de Région d’Intérêt (RI) floue. Il peut automatiquement identifier les RI pertinentes pour la discrimination ainsi que les bandes de fréquences dans lesquelles ces RI sont les plus discriminantes. Les activités calculées dans ces RI peuvent ensuite être utilisées comme caractéristiques d’entrée pour n’importe quel classifieur. Une première évaluation de l’algorithme, utilisant une Machine à Vecteurs Supports (SVM) comme classifieur, est présentée sur le jeu de données IV de la « BCI competition 2003 ». Les résultats s’avèrent prometteurs avec une précision sur l’ensemble de test allant de 85% à 86% contre 84 % pour le gagnant de la compétition sur ces données. Enfin, nous montrons que combiner ce nouvel algorithme avec des systèmes d’inférence flous permet de concevoir des ICO potentiellement interprétables. When using Brain-Computer Interfaces (BCI) based on ElectroEncephaloGraphy (EEG), the identification of mental tasks relies on two main points: feature extraction and classification [MAM+06, BFWB07, LCL+07]. Feature extraction aims at describing EEG signals by a few relevant values called “features ”, whereas classification aims at automatically assigning a class to these features. In this paper we focus on feature extraction, as the BCI community has stressed the need to explore new feature extraction algorithms [MAM+06]. Recently, inverse models have been revealed as promising feature extraction algorithms for BCI [QDH04, GGP+05, WGWB05, CLL06]. Such models aims at computing the activity in the whole brain volume, by using only scalp EEG signals and a head model representing the brain as a set of voxels (volume elements). The activity computed in a few brain regions has been used as features for BCI systems. Despite good results, some limitations remain. Indeed, it seems that current methods cannot conciliate genericity, i.e., the capability to deal with any kind of mental task, and the fact of generating few features. On one hand, methods that are generic and automatic tend to generate a large number of features, as they extract several features for each voxel [GGP+05]. The activity in neighboring voxels can be correlated and, as such, it would be more appropriate to gather these voxels in brain regions. On the other hand, methods that generate few features have been proposed, but they are not generic anymore as they need a priori knowledge on the mental tasks used, and are currently limited to motor imagerybased BCI [QDH04, WGWB05]. Recently, we have proposed a method which is generic and which generates few features, as voxels whose activity is correlated are gathered into Regions Of Interest (ROI) [CLL06]. However, this method is not completely automatic and is limited to the use of two ROI whose spatial extension is hard to define [CLL06]. In this paper, we propose a generic feature extraction algorithm which can automatically identify any number of relevant ROI and can properly define their spatial extension thanks to the new concept of fuzzy ROI. This algorithm is known as FuRIA, which stands for “Fuzzy Region of Interest Activity”... Tue, 01 Jan 2008 00:00:00 GMT http://hdl.handle.net/2042/47353 2008-01-01T00:00:00Z http://hdl.handle.net/2042/32613 Une approche de localisation de symboles non-segmentés dans des documents graphiques NGUYEN, Thi-Oanh; TABBONE, S.; BOUCHER, A.; TERRADES, O. Ramos Dans cet article, nous proposons une méthode de localisation de symboles dans des documents graphiques. Les occurrences du symbole dans un document sont détectées grâce à un processus de vote sur des régions candidates. L’approche repose sur un vocabulaire visuel et afin de réduire la complexité d’appariement d’un symbole avec d’autres nous utilisons le modèle vectoriel et une indexation par un fichier inverse. Cette méthode s’appuie sur un descripteur défini à partir du concept de contexte de forme 1 adapté aux points d’intérêt. Ce descripteur est invariant à la rotation, à la translation et aux changements d’échelles. Les résultats expérimentaux sur la recherche de symboles isolés et sur la localisation de symboles nonsegmentés dans le document sont très prometteurs. This paper addresses the problem of symbol spotting for graphic documents. We propose an approach where each graphic document is indexed as a text document by using the vector model and an inverted file structure. The method relies on a visual vocabulary built from a shape descriptor adapted to the document level and invariant under classical geometric transforms (rotation, scaling and translation). Regions of interest (ROI) selected with high degree of confidence using a voting strategy are considered as occurrences of a query symbol. The symbol spotting problem consists in locating all instances of a symbol embedded in documents. The representation of these symbols is not straightforward by using a good shape (symbol) descriptor because they are not isolated from their context. Therefore, a common strategy for symbol spotting consists in decomposing documents into components and in applying a shape descriptor on each of them. A vectorization step is needed for most of the approaches and usually, only symbols which satisfy some conditions are retrieved (eg. convexity, connectivity, closure, ...). Our objective is to tackle the problem from a point of view where neither symbol hypothesis nor vectorization step is needed. First of all, we proposed a descriptor to represent graphic symbols and its extension to document level. Then, we exploit a descriptechnique based on the concept of visual words for indexing graphic documents and for spotting non-segmented symbols into documents. Finally, we introduce a voting process on the detected ROI in order to locate instances of a query symbol... Thu, 01 Jan 2009 00:00:00 GMT http://hdl.handle.net/2042/32613 2009-01-01T00:00:00Z http://hdl.handle.net/2042/32612 Treillis dichotomiques et arbres de décision BERTET, K.; VISANI, M.; GIRARD, N. Dans ce papier, nous nous intéressons aux treillis dits treillis dichotomiques, définis à partir d'attributs binaires possédant une propriété de complémentarité par la borne supérieure. Il s'agit de la structure de treillis utilisée dans la méthode Navigala, méthode de reconnaissance de symboles basée sur un parcours (de type arbre de décision) dans le treillis. Nous mettons en évidence les liens structurels unissant les arbres de décision et les treillis dichotomiques en montrant tout d'abord que tout arbre de décision est inclus dans le treillis, mais également que le treillis est en fait la fusion de tous les arbres de décision. De ce lien de fusion nous déduisons un algorithme d'extraction d'un arbre de décision à partir d'un treillis dichotomique. Nous finissons par des expérimentations visant à comparer, pour de la reconnaissance de symboles, les performances des arbres de classification et des treillis construits avec la méthode Navigala. In this paper, we introduce a family of Galois lattice denoted as "dichotomic lattices". Such lattices are defined from binary attributes, where each binary attribute may be associated to a non-empty set of complementary attributes. In particular, lattices defined by binary attributes obtained after e discretisation pre-processing step are dichotomic. There are two types of classification methods using a Galois lattice: as most of them rely on selection, recent research work focus on navigation-based approaches. In navigation-oriented methods, classification is performed by navigating through the complete lattice, similar to the decision tree. The Navigala approach is a navigation-based classification method that relies on the use of a dichotomic lattice. It was initially proposed for symbol recognition, in the field of technical document image analysis. In this paper, we define the structural links between decision trees and dichotomic lattices defined from the same table of data described by binary attributes. Under this condition, we prove both that every decision tree is included in the dichotomic lattice and that the dichotomic lattice is the merger of all the decision trees that can be constructed from the same binary data table. Thu, 01 Jan 2009 00:00:00 GMT http://hdl.handle.net/2042/32612 2009-01-01T00:00:00Z