traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
92 Chapitre 3 - Classification de données d’images <strong>par</strong> apprentissage<br />
branche développée, un critère qui permet de quantifier la qualité des décisions prises le long de<br />
cette branche. Nous l’avons nommé BQI pour Branch Quality Index et il correspond à sommer<br />
les QI de chaque classificateur ψ j d’une branche φ i explorée dans un DDAG :<br />
BQI(φ i , x) =<br />
n∑<br />
c−1<br />
j<br />
QI(ψ j , x), ψ j ∈ φ i (3.28)<br />
En développant simultanément α branches dans un DDAG, nous pouvons estimer les confiances<br />
en l’ap<strong>par</strong>tenance à une classe en sommant les BQI des branches qui ont choisi cette classe et<br />
choisir ensuite la plus probable :<br />
p(ω = ω i |x) =<br />
α∑<br />
BQI(φ k , x), φ k (x) = ω i (3.29)<br />
k<br />
où φ k (x) = ω i signifie que la branche φ i amène à choisir la classe ω i . Cette approche (que nous<br />
avons nommée NNIG pour Neural Network Induction Graph) revient donner à combiner les<br />
décisions de plusieurs DDAG. Nous avons pu montrer expérimentalement que cela améliore les<br />
résultats <strong>par</strong> rapport à un GNN. Une approche similaire a été proposée dans [FRANK04] pour<br />
des classificateurs binaires à base d’arbres de décision.<br />
3.5.3.3 Décodage hybride<br />
➊ Décodage indirect en cascade Les approches basées <strong>sur</strong> des DDAG simples donnent<br />
généralement des résultats similaires à un décodage direct. Combiner plusieurs décisions provenant<br />
d’un DDAG permet d’améliorer les résultats, mais cela augmente la complexité du décodage.<br />
Nous avons donc proposé une approche hybride simple (nommée décodage indirect<br />
en cascade) qui combine décodage en cascade et décodage direct. Le principe est d’effec-<br />
ω 3 vs ω 4 ω 2 vs ω 4 ω 2 vs ω 3 ω 1 vs ω 4 ω 1 vs ω 3 ω 1 vs ω 2<br />
p(w = ω 1 |x) p(w = ω 2 |x) p(w = ω 3 |x) p(w = ω 4 |x)<br />
¬ω 2<br />
ω 3 vs ω 4 ω 1 vs ω 4 ω 1 vs ω 3<br />
p(w = ω 1 |x) p(w = ω 3 |x) p(w = ω 4 |x)<br />
¬ω 4<br />
ω 1 vs ω 3<br />
p(w = ω 1 |x) p(w = ω 3 |x)<br />
ω 3<br />
¬ω 1<br />
FIG. 3.15 – Décodage indirect en cascade.<br />
tuer un décodage direct et d’éliminer la classe ω i la moins probable (c’est donc un ADAG).<br />
Les classificateurs discriminant la classe ω i ne sont alors plus considérés et l’on réitère le principe<br />
à <strong>par</strong>tir des classificateurs qui discriminent les classes potentielles restantes. La figure 3.15<br />
illustre ce principe. Nous avons mené plusieurs expérimentations et globalement, ce nouveau