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
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
3.6. Conclusions et perspectives 95<br />
Ceci nous amène à replacer cette problématique comme un cas <strong>par</strong>ticulier du problème général<br />
de sélection/combinaison de classificateurs [KUNCHE04] où la diversité de l’ensemble des<br />
classificateurs joue un grand rôle.<br />
3.6 Conclusions et perspectives<br />
Dans ce chapitre, nous avons proposé différents <strong>modèles</strong> de classification de données d’images<br />
<strong>par</strong> apprentissage. Nous avons tout d’abord proposé pour des images de microscopie, un schéma<br />
de combinaison de classification de pixels optimisés indépendamment. Nous avons ensuite montré<br />
qu’il est possible, contrairement à ce qui est souvent présenté dans la littérature, de concevoir<br />
des schémas efficaces et performants à base de SVM pour la classification de masses de<br />
données issues d’images. Enfin, nous avons présenté nos contributions à la conception de schémas<br />
de décodage dans le cadre d’un schéma multi-classes de combinaison de classificateurs<br />
binaires. Nous avons proposé plusieurs schémas efficaces et enfin nous avons montré expérimentalement<br />
qu’une sélection de modèle globale est plus efficace qu’un ensemble de sélection<br />
de <strong>modèles</strong> indépendantes. Afin de permettre une plus large diffusion de nos travaux, nous<br />
avons mis à disposition <strong>sur</strong> Internet 2 , deux bases d’images microscopiques avec les vérités terrain<br />
associées. Ceci permet aux autres chercheurs de com<strong>par</strong>er leurs résultats avec les nôtres<br />
[DUMONT07, MARÉ07].<br />
Nos perspectives sont multiples. Il s’agira tout d’abord d’expliquer théoriquement pourquoi,<br />
avec une approche <strong>par</strong> décomposition, une sélection de modèle globale est plus efficace<br />
qu’une sélection de modèle classique. Ensuite, nous comptons mener une com<strong>par</strong>aison exhaustive<br />
des différents schémas de décomposition et de décodage et ceci avec différents classificateurs.<br />
Ceci n’a jusqu’à présent jamais été mené. Enfin, nous considérerons des algorithmes de<br />
sélection/combinaison de classificateurs pour le cas d’une approche <strong>par</strong> décomposition. Nous<br />
comptons également mettre à disposition notre méthode de sélection de modèle à base de recherche<br />
tabou pour construire des fonctions de décisions performantes et de complexités réduites<br />
et montrer ses performances pour d’autres problèmes de classification de données issues<br />
d’images. En <strong>par</strong>ticulier, nous chercherons à concevoir <strong>par</strong> apprentissage des schémas permettant<br />
d’effectuer des opérations de <strong>traitement</strong> d’image classique (filtrage, détection de contour,<br />
fusion de régions).<br />
2 Voir http ://users.info.unicaen.fr/∼lezoray/Databases.php