Easily Interpretable, Non-parametric Sample Transformation for Classification
| Type | : | ACTI |
|---|---|---|
| Nature | : | Production scientifique |
| Au bénéfice du Laboratoire | : | Oui |
| Statut de publication | : | Publié |
| Année de publication | : | 2022 |
| Lieu de publication | : | - |
| Titre de la conférence | : | - |
| Lieu de la conférence | : | Nancy, France |
| Année de la conférence | : | 2022 |
| Date de début | : | - |
| Date de fin | : | - |
| Titre du proceeding | : | Colloque GRETSI (Groupe de Recherche et d'Etudes de Traitement du Signal et des Images) |
| Editeur de presse | : | - |
| Volume | : | - |
| Fascicule | : | - |
| Pages | : | |
| Auteurs (3) | : | DUBOIS Cédric IRISSON Jean-olivier DEBREUVE E |
| Editeurs scientifiques (0) | : | |
| DOI | : | - |
| URL | : | https://hal.science/hal-03866959 |
| Abstract | : | Les CNNs (Réseaux de Neurones Convolutionnels) sont largement utilisés pour la classification supervisée. Bien que les réseaux eux-mêmes soient généralement vus comme des classifieurs, ce sont en fait des régresseurs optimisés pour approximer la relation entre les données brutes et p vecteurs prédéfinis de Rp jouant le rôle de représentants de classe, où p est le nombre de classes. La véritable classification est faite par un classifieur par plus proche voisin appliqué aux sorties du réseau. Malgré des performances de classification généralement très bonnes, les ANNs (Réseaux de Neurones Artificiels) ne sont pas toujours aussi simples à utiliser que les classifieurs classiques car ils nécessitent souvent de grandes quantités de données, une charge de calcul importante, et parfois une solide expérience pour être entraînés. Pourtant, le principe des ANNs (transformation des données d’entrée vers Rp, puis classification par plus proche voisin) est intéressant. Dans ce travail, nous proposons une alternative simple, facilement interprétable et nécessitant une charge de calcul modérée, et qui suit ce même principe. Elle repose sur une combinaison pondérée de translations idéales des échantillons d’apprentissage vers des vecteurs cibles prédéfinis. En raison de sa simplicité, elle ne peut pas traiter directement les données brutes comme le font les ANNs. Elle s’applique plutôt à des caractéristiques extraites. Expérimentalement, nous avons obtenu des performances de classification comparables à celles de classifieurs classiques, y compris sur une base de données réelle d’images de plancton. |
| Mots-clés | : | - |
| Commentaire | : | ID HAL : hal-03866959 |
| Tags | : | - |
| Fichier attaché | : | - |
| Citation | : |
Dubois C, Irisson J-O, Debreuve E (2022) Easily Interpretable, Non-parametric Sample Transformation for Classification. Colloque GRETSI (Groupe de Recherche et d'Etudes de Traitement du Signal et des Images).
|