tÃ©lÃ©charger egc10_atelier_fdc.pdf

More documents

Recommendations

Info

Modélisation du conflit dans les bases de données évidentielles Dubois, D. et H. Prade (1988). Representation and combination of uncertainty with belief functions and possibility measures. Computational Intelligence 4, 244–264. Hewawasam, K., K. Premaratne, S. Subasingha, et M.-L. Shyu (2005). Rule mining and classification in imperfect databases. In International Conference on Information Fusion, Philadelphia, USA, pp. 661–668. Jousselme, A.-L., D. Grenier, et E. Bossé (2001). evidence. Information Fusion 2, 91–101. A new distance between two bodies of Martin, A., A.-L. Jousselme, et C. Osswald (2008a). Conflict measure for the discounting operation on belief functions. In International Conference on Information Fusion, Cologne, Germany. Martin, A. et C. Osswald (2007). Toward a combination rule to deal with partial conflict and specificity in belief functions theory. In International Conference on Information Fusion, Québec, Canada. Martin, A., C. Osswald, J. Dezert, et F. Smarandache (2008b). General combination rules for qualitative and quantitative beliefs. Journal of Advances in Information Fusion 3(2), 67–82. Martin, A. et E. Radoi (2004). Effective ATR Algorithms Using Information Fusion Models. In International Conference on Information Fusion, Stockholm, Sweden. Shafer, G. (1976). A mathematical theory of evidence. Princeton University Press. Smets, P. (2007). Analyzing the combination of conflicting belief functions. Information Fusion 8, 387–412. Smets, P. et R. Kennes (1994). The Transferable Belief Model. Artificial Intelligent 66, 191– 234. Toumi, A. (2007). Intégration des bases de connaissances dans les systèmes d’aide à la décision : Application à l’aide à la reconnaissance de cibles radar non-coopératives. Ph. D. thesis, Université de Bretagne Occidentale, ENSIETA, Brest. Yager, R. R. (1987). On the Dempster-Shafer Framework and New Combination Rules. Informations Sciences 41, 93–137. Summary The conflict appearing while combining several uncertain informations reflects the degree of conflict between their sources. This conflict can be managed before the combination step by discounting belief functions using sources’ reliability. In this paper, we propose a generalization method for sources’ reliability estimation taking into account all its belief functions stored in an evidential database. This method is evaluated on real radar data and supplied good results in terms of sources’ reliability improvement.
Recalage et fusion d’images sonar multivues : utilisation du conflit Cedric Rominger ∗ , Arnaud Martin ∗ ∗ ENSIETA E 3 I 2 EA3876 2 rue François Verny 29806 Brest Cedex 9 {Cedric.Rominger,Arnaud.Martin}@ensieta.fr, http://www.ensieta.fr/e3i2/index.php Résumé. Ce papier présente une application pour le recalage et la fusion d’images sonar classifiées. Nous adaptons ici la méthode présentée dans un précédent papier à des données multivues. Pour la caractérisation de fond marin, nous avons besoin de fusionner des images sonar multivues afin d’améliorer les résultats. Néanmoins, avant de pouvoir fusionner ces images, il faut les recaler. Notre approche de recalage s’appuie sur une critère de dissimilarité calculé à partir du conflit issu de la combinaison des fonctions de croyance. L’utilisation de la théorie des fonctions de croyance offre un cadre théorique unique qui permet une bonne modélisation des imperfections, et qui a déjà prouvé son intérêt pour la fusion de classifieurs en traitement d’images. 1 Introduction Le domaine de l’imagerie sous marine s’appuie principalement sur des données issues de capteurs acoustiques. Les sonars présentent l’intérêt de pouvoir imager les fonds marins à des distances bien plus importantes que les capteurs optiques (comme la vidéo), et de couvrir des surfaces à des cadences pouvant aller jusqu’a plusieurs miles nautiques carrés par jour. Le traitement des images sonar présente plusieurs difficultés. En effet, les mouvements du sonar peuvent altérer la géométrie des objets qui reposent sur le fond marin. De plus le signal peut suivre plusieurs chemins, en fonction de la réflexion sur le fond ou d’autres objets, la faune ou la flore conduisant à des interférences sur l’intensité résultante. À ces incertitudes et imprécisions s’ajoutent un autre élément de complexité : la variation de l’information suivant l’angle de prise de vue. Cette multiplicité de l’information peut conduire à des informations conflictuelles. Un aspect du traitement des images sonar est la caractérisation du fond marin. Comme le montrent Martin et al. (2006), la nature même des images rend cette caractérisation difficile, même pour des experts humains, qui par exemple pourront reconnaître le même sédiment, mais être en désaccord sur sa frontière. De plus, ils ne peuvent humainement pas traiter l’énorme masse de données disponible. Dhibi et al. (2008) et Williams (2009) ont montré que les techniques issues du domaine de la fusion peuvent apporter une réponse à ce problème en fusionnant des données provenant de plusieurs points de vues.
Page 1: Extraction et Gestion de Connaissan
Page 4 and 5: Fouille de données complexes - com
Page 6 and 7: Fouille de données complexes - com
Page 9 and 10: Fusion de segmentation et classific
Page 11 and 12: Lengrand-Lambert et al. FIG. 2 - Ex
Page 13 and 14: Lengrand-Lambert et al. Fisher est
Page 15 and 16: Lengrand-Lambert et al. 4 Algorithm
Page 17 and 18: Lengrand-Lambert et al. tats en sor
Page 19 and 20: Lengrand-Lambert et al. ride roche
Page 21 and 22: Modélisation du conflit dans les b
Page 23 and 24: Chebbah et al. Une fonction de mass
Page 25 and 26: Chebbah et al. de l’intégration
Page 27 and 28: Chebbah et al. La fiabilité absolu
Page 29 and 30: Chebbah et al. 1 0.9 0.8 0.7 0.6 K
Page 31: Chebbah et al. FIG. 2 - Distributio
Page 35 and 36: Rominger et Martin FIG. 1 - Techniq
Page 37 and 38: Rominger et Martin La fonction de m
Page 39 and 40: Rominger et Martin Formellement, no
Page 41 and 42: Rominger et Martin dance deux trace
Page 43 and 44: Rominger et Martin Références App
Page 45 and 46: Approche graphique pour l’agréga
Page 47 and 48: F. Hamdi et al 2.1 Description gén
Page 49 and 50: F. Hamdi et al tel que deux sommets
Page 51 and 52: F. Hamdi et al Algorithme 1 : G-Con
Page 53 and 54: F. Hamdi et al 3.1 Etude comparativ
Page 55 and 56: F. Hamdi et al L’indice de Davie
Page 57 and 58: Etude d’opérateurs d’agrégati
Page 59 and 60: J. Nagau et al. FIG. 1 - Résultat
Page 61 and 62: J. Nagau et al. et 0 < √ a 2 + b
Page 63 and 64: J. Nagau et al. Le seul opérateur
Page 65 and 66: J. Nagau et al. groupe de pixels pa
Page 67: J. Nagau et al. Zimmerman, H. et P.
Page 70 and 71: Visualisation de données spatiotem
Page 82 and 83:
Étude de données multisources par
Page 84 and 85:
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Grands graphes de l’application.
Page 94 and 95:
Grands graphes L’approche la plus
Page 96 and 97:
Grands graphes 3.1.2 Mesure de rép
Page 98 and 99:
Grands graphes 4 Expérimentation N
Page 100 and 101:
Grands graphes FIG. 3 - Visualisati
Page 102 and 103:
Grands graphes fictation, en déter
Page 104 and 105:
Un langage et un générateur pour
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Liaisons complexes entre variables
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Les multi-sources dans un contexte
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Event Annotation based on Machine L
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150:
show all

tÃ©lÃ©charger egc10_atelier_fdc.pdf

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?