4 - Classification géométrique par polytopes de contraintes. Performances et intégration

Show simple item record

dc.contributor.author MITERAN (J.) en_US
dc.contributor.author GORRIA (P.) en_US
dc.contributor.author ROBERT (M.) en_US
dc.date.accessioned 2005-07-22T09:06:29Z
dc.date.available 2005-07-22T09:06:29Z
dc.date.issued 1994 en_US
dc.identifier.citation Traitement du Signal [Trait. Signal], 1994, Vol. 11, N° 5, p. 393-408 en_US
dc.identifier.issn 0765-0019 en_US
dc.identifier.uri http://hdl.handle.net/2042/1877
dc.description We present in this paper a fast classification operator suitable for image processing, the performances of this operator as well as its implementation in the form of an ASIC. In image segmentation and classification in view of defect detection, it is often impossible to find a reduced set of pertinent characteristic parameters which allows to distinguish the classes. We propose herein a geometric classification method by stress polytop training which allows the use of a great number of parameters and ensures a high decision speed . The decision operator associated with the classification has been implemented in Standard Cell and Full Custom . Its ease of use, rapidity, and robustness in classification are the major qualities which enable it to compete with neural operators .
dc.description.abstract Nous présentons dans cet article un opérateur de classification rapide adapté au traitement d'images, ses performances en classification, ainsi que son intégration dans un circuit ASIC. Pour effectuer une segmentation ou un classement d'images en vue de la détection de défauts, il est souvent impossible de trouver un nombre réduit de paramètres caractéristiques pertinents qui permettent de discriminer les classes. Nous proposons une méthode de classification géométrique par apprentissage de polytopes de contraintes, qui autorise l'utilisation d'un grand nombre de paramètres et assure une vitesse de décision élevée. L'opérateur de décision associé à cette classification a été intégré sous forme de circuit précaractérisé dont la simplicité de mise en œuvre, la rapidité et la robustesse en classification sont des qualités qui lui permettent de rivaliser avec les opérateurs neuronaux en_US
dc.format.extent 52628 bytes
dc.format.mimetype application/pdf
dc.language.iso en_US
dc.publisher GRETSI, Saint Martin d'Hères, France en_US
dc.relation.ispartofseries Traitement du Signal
dc.rights http://irevues.inist.fr/utilisation en_US
dc.source Traitement du Signal [Trait. Signal], ISSN 0765-0019, 1994, Vol. 11, N° 5, p. 393-408 en_US
dc.subject.cnrs Traitement image en_US
dc.subject.cnrs Image numérique en_US
dc.subject.cnrs Segmentation en_US
dc.subject.cnrs Classification en_US
dc.subject.cnrs Détection défaut en_US
dc.subject.cnrs Méthode géométrique en_US
dc.subject.cnrs Apprentissage en_US
dc.subject.cnrs Robustesse en_US
dc.subject.cnrs Polytope en_US
dc.subject.cnrs Détection contour en_US
dc.subject.cnrs Hyperrectangle en_US
dc.title 4 - Classification géométrique par polytopes de contraintes. Performances et intégration en_US
dc.title.alternative Geometric classification by stress polytopes. Performances and integration
dc.type Article en_US
dc.contributor.affiliation Univ. Bourgogne, lab. GERE, 71200 Le Creusot en_US
dc.contributor.affiliation Univ. Montpellier, lab. LIRMM, 34392 Montpellier en_US


Files in this item

PDF 004.PDF TEXTE.pdf 1.559Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search