Etat de l’art des méthodes d’apprentissage et de classification en reconnaissance d’ob jets

Etat de l’art des méthodes d’apprentissage et de classification en reconnaissance d’ob jets

La reconnaissance de formes visuelles, tels que des objets ou des entités assimi- lables, a fait l’objet de recherches actives ayant conduit à de nombreuses approches. Les systèmes les plus performants sont basés sur des méthodes d’apprentissage et de classification. Ils permettent, à partir de données brutes représentatives de la variabi- lité de la classe d’objet à reconnaître, d’en extraire les informations caractéristiques. Ce chapitre présente les méthodes de classification et d’apprentissage les plus souvent utilisées en détection et reconnaissance de formes.Nous diviserons ce chapitre en deux parties constituées d’une part, par les ap- proches génératives consistant à modéliser la classe d’objet à détecter et ne requérant donc que des exemples de cette classe et d’autre part, par les approches discrimina- tives consistant à modéliser finement la frontière de cette classe par rapport au ‘reste du monde’, et exigeant à la fois des exemples de la classe à détecter, mais aussi des contre-exemples.Ces méthodes sont utilisées dans de nombreux domaines pour un grand nombre d’applications, allant de la reconnaissance de la parole, à la compression ou la clas- sification d’images. En ce qui concerne la détection et la reconnaissance d’objets, certaines de ces méthodes sont utilisées pour extraire les descripteurs caractéris- tiques des données de référence, d’autres utilisent ces descripteurs afin d’effectuer une classification correcte des données d’entrée. L’utilisation d’une technique de clas- sification plutôt qu’une autre est fortement dépendante des contraintes liées à la tâche que nous souhaitons effectuer. Une large part des systèmes de détection ou de reconnaissance actuels utilisent d’ailleurs une combinaison de plusieurs des méthodes présentées ci-dessous.

En détection d’objets, les classifieurs doivent distinguer la classe ‘objet’ de la classe ‘non objet’. Si la classe objet peut être convenablement décrite à partir d’un nombre suffisant d’images exemples, ce n’est pas le cas de la classe ‘non objet’ qui correspond à l’ensemble des images qui ne représentent pas l’objet à détecter. L’inté- rêt des méthodes génératives est que nous n’avons pas besoin de représenter la classe ‘non objet’.Cette méthode est simple à mettre en œuvre. De plus, lorsque le nombre N d’échantillons exemples tend vers l’infini, l’erreur de classification est toujours infé- rieure à deux fois le minimum possible défini par les lois de Bayes [26], ce qui assure d’excellents résultats à condition de disposer de suffisamment d’exemples. Enfin cette méthode ne nécessite aucune phase d’apprentissage. Cependant chaque échantillon de test y présenté doit être comparé à l’ensemble des échantillons exemples, ainsi la com- plexité de ce classifieur est directement proportionnel à N le nombre d’échantillons d’apprentissage.

Cependant d’un point de vue pratique, la notion de distance utilisée par la mé- thode des plus proches voisins ne doit pas nécessairement être une distance mathé- matique. Ainsi nous pouvons utiliser différentes mesures de similarité afin de définir la distance entre deux échantillons. Les deux échantillons les plus proches devenant alors les plus similaires. Des systèmes de détection ou de reconnaissance basés sur la méthode des plus proches voisins peuvent utiliser des mesures de similarité mieux adaptées au traitement d’image telles que la corrélation normée centrée, utilisée dans [68] pour un système de détection de formes et par Wakahara et al [123] dans le cadre d’un système de reconnaissance de caractères :En traitement du signal et plus particulièrement en traitement d’image, la di- mension des données utilisées pour décrire une information est souvent très grande. L’espace représentant les images de 100 100 pixels est déjà de dimension d = 10000. Lorsque nous souhaitons classifier ces données, les temps de calculs ainsi que le nombre d’exemples nécessaires à la représentation de ces données sont directement liés à leur dimension. De plus le volume de données associé à l’ajout de dimensions .

 

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *