tÃ©lÃ©charger egc10_atelier_fdc.pdf

More documents

Recommendations

Info

Recalage et fusion d’images sonar multivues Smets, P. (1990). The Combination of Evidence in the Transferable Belief Model. IEEE Transactions on Pattern Analysis and Machine Intelligence 12(5), 447–458. 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. Taleb-Ahmed, A., L. Gautier, et M. Rombaut (2002). Architecture de fusion de données basée sur la théorie de l’évidence pour la reconstruction d’un vertèbre. Traitement du Signal 19(4), 267–283. Vannoorenberghe, P., O. Colot, et D. de Brucq (1999). Color image segmentation using Dempster-Shafer’s theory. In Image Processing, 1999. ICIP 99. Proceedings. 1999 International Conference on, Volume 4. Vannoorenberghe, P., E. Lefevre, et O. Colot (2003). Traitement d’images et théorie des fonctions de croyance. Rencontres Francophones sur la Logique Floue et Ses Applications, LFA’2003, 26–27. Williams, D. P. (2009). Bayesian data fusion of multi-view synthetic aperture sonar imagery for seabed classification. IEEE Signal and Image Processing 18(6), 1239–1254. Woods, R., J. Mazziotta, et S. Cherry (1993). MRI-PET registration with automated algorithm. Journal of computer assisted tomography 17(4), 536–546. Zitova, B. et J. Flusser (2003). Image registration methods : a survey. Image and Vision Computing 21(11), 977–1000. Summary This paper presents an application for classified image registration and fusion. We extend here results developed on a previous paper to multiview images. For seabed characterization, we need to fuse the multiview of sonar images to increase performances. However, before fusion, we have to proceed to an image registration. The proposed approach is based on the use of the conflict due to the combination as a disimilarity measure in the classified images registration. The theory of belief functions allows an unique framework to model the imperfections and to fuse the classified images.
Approche graphique pour l’agrégation de classifications non supervisées Fatma Hamdi*, Haytham Elghazel ** Khalid Benabdeslem ** * Université Paris13, LIPN, UMR CNRS 7030 99, Av Jean Baptiste Clément 93430 Villetaneuse Fatma-hamdi@lipn.univ-paris13.fr **Université Lyon1, LIESP EA 4125 43, Bd du 11 Novembre 1918 Villeurbanne Cedex {kbenabde, elghazel}@bat710.univ-lyon1.fr Résumé. Dans cet article nous proposons de traiter le problème de combinaison de plusieurs résultats de classification pour obtenir une partition consensus. Dans ce cadre nous proposons un algorithme ensembliste : G-Cons basée sur une technique connue en théorie des graphes appelée la coloration minimale permettant de retourner une seule partition finale et relativement stable. Les résultats expérimentaux ont montré des performances très encourageantes. 1 Introduction L’extraction de connaissances par exploration de données fait souvent appel à des processus de classification automatique en mode non supervisé. Effectuer une classification, c'est mettre en évidence d’une part les relations entre les différentes observations et d’autre part les relations entre ces observations et leurs caractéristiques (leurs variables). A partir d’une certaine mesure de proximité ou de dissemblance, il s'agit de regrouper un ensemble de données en un ensemble de classes qui soient les plus hétérogènes possible. En outre, il existe une panoplie de méthodes de classification automatique ayant intéressé beaucoup de chercheurs dans la communauté scientifique, notamment, celle dites par partitions (Kmoyenne, k-medoïde), hiérarchique (CAH, pyramidale....) et celles basées sur des modèles connexionnistes ou graphiques (SOM, b-coloration, …etc). Ceci dit, ces méthodes produisent généralement des partions peu ou très différentes sur un même ensemble de données. C’est le cas par exemple des techniques de classification hiérarchique où une coupure du dendrogramme fournit une partition de l’ensemble des données à classer. Il est à mentionner que plusieurs niveaux de troncature sont souvent retenus et les partitions qui s’en déduisent sont comparées afin de retenir la meilleure en termes de compacité et de séparabilité des classes. C’est le cas aussi des approches de classification par partitionnement où le nombre de classes doit être fixé à priori, une information non pas toujours disponible pour toutes les bases de données. Plusieurs valeurs pour ce nombre de classes peuvent donc
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 and 32: Chebbah et al. FIG. 2 - Distributio
Page 33 and 34: Recalage et fusion d’images sonar
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: Rominger et Martin Références App
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 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?