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

58 Chapitre 3 - Classification de données d’images par apprentissage
➤ Dans la Section 3.5, nous nous intéressons au problème de la combinaison de fonctions de
décision binaires induites par un schéma de décomposition donné. Nous proposons plusieurs
schémas de décodage (i.e. combinaison) et montrons finalement qu’une sélection de
modèle globale est plus efficace qu’un ensemble de sélections de modèles indépendantes.
3.1 Principes de la classification
3.1.1 Généralités
Chez tous les êtres vivants, on observe une certaine aptitude à acquérir de nouveaux comportements
à partir d’interactions avec leur environnement. L’objectif de l’apprentissage par
ordinateur est d’étudier et de mettre en oeuvre des tels mécanismes sur des systèmes artificiels.
Selon la définition qu’en donne MITCHEL [MITCHE97], « Apprendre consiste à améliorer les
performances d’un système sur une tâche donnée à partir d’expériences ». Même si d’énormes
progrès ont été réalisés dans la construction de modèles d’apprenants artificiels, nous sommes
évidemment encore loin des capacités d’apprentissage de la plupart des êtres vivants. IZHIKE-
VICH a cependant pu effectuer une simulation d’un modèle de neurones impulsionels qui a la
taille du cerveau humain [IZHIKE06], il en a conclu que l’on devrait pouvoir simuler le cerveau
humain en temps réel à partir de 2016. L’apprentissage artificiel par ordinateur se trouve ainsi
au carrefour de nombreuses disciplines telles que les mathématiques, l’intelligence artificielle,
les sciences sociales, la biologie etc. Il s’inscrit également dans un cadre plus général. En effet,
avec l’avènement de la société de l’information, des données sont produites en masses et de
nombreux besoins sont apparus pour leur traitement et leur analyse car ces masses de données
atteignent des complexités telles, qu’elles sont difficilement analysables par un être humain.
L’ensemble de ces éléments d’aide à l’exploitation de masses de données fait référence à un
champ de recherche nommé le « Data Mining » ou la « Fouille de Données ». La fouille de données
est un terme récent qui résulte d’un mélange d’idées et d’outils provenant de la statistique,
de l’intelligence artificielle, de l’informatique, etc. Même si sa définition exacte est encore floue,
on peut dire que la fouille de données est un processus d’extraction de connaissances valides et
exploitables à partir de masses de données. La fouille de données se décompose habituellement
en plusieurs étapes :
1. Compréhension et analyse des objectifs de l’application,
2. Création d’une base de données pour la mise au point de l’application,
3. Pré-traitement et nettoyage des données,
4. Analyse statistique des données (réduction de dimension, etc.),
5. Identification du type de problème et choix d’un algorithme,
6. Evaluation des performances de l’algorithme,
7. Ré-itérer les étapes précédentes si nécessaire,
8. Déploiement de l’application.
La fouille de données se propose donc d’utiliser un ensemble de méthodes pour construire
des concepts à partir des données. Ces concepts permettent de grouper des éléments entre eux
parce qu’ils ont des descriptions proches. On peut construire des concepts sous forme de modèles
globaux (analyse macroscopique des données) ou bien sous forme de motifs locaux (analyse