traitement d'images par modèles discrets sur ... - Olivier Lezoray

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