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.
90 Chapitre 3 - Classification de données d’images <strong>par</strong> apprentissage<br />
3.5.3 Propositions de schémas de décodage<br />
Les schémas de décodage dépendent du principe de décomposition utilisé et leur influence<br />
varie <strong>sur</strong>tout pour des décompositions de type un-contre-un (même si l’on peut chercher à améliorer<br />
le décodage pour une approche un-contre-tous [BEYGEL05]). De plus, les fonctions de<br />
décisions produites <strong>par</strong> ce type de décomposition sont beaucoup moins complexes que celles<br />
induites <strong>par</strong> une décomposition ECOC ou un-contre-tous (dans cet ordre de complexité). Ceci a<br />
été également constaté <strong>par</strong> d’autres études [DUAN05, TSUJIN04, HSU02, TAX02]. Cependant,<br />
dans une décomposition un-contre-un, le nombre important de décompositions et la spécialisation<br />
des fonctions de décision rend le décodage plus difficile. Si bien que suivant le schéma<br />
de décodage utilisé et différentes réglages des <strong>par</strong>amètres, un schéma de décomposition uncontre-un<br />
peut être globalement moins performant qu’un schéma de décomposition un-contretous<br />
[RIFKIN04] même si les fonctions de décision du premier schéma sont plus performantes et<br />
moins complexes. La principale difficulté dans l’utilisation de schémas de combinaison de classificateurs<br />
binaires issus d’une décomposition un-contre-un est le problème des inconsistances<br />
qui peuvent exister entre l’ensemble des prédictions produites <strong>par</strong> ces classificateurs binaires. En<br />
effet, chaque classificateur est spécialisé dans la discrimination des exemples relativement à deux<br />
classes et lorsque qu’un exemple n’ap<strong>par</strong>tenant à aucune de ces deux classes est présenté à ce<br />
classificateur, la prédiction produite pour cet exemple n’est pas informative. Globalement, il n’y<br />
a que (n c −1) classificateurs binaires pertinents pour un exemple donné et (n c −1)(n c −2)/2 classificateurs<br />
binaires non pertinents pour le même exemple. Dans nos travaux, nous nous sommes<br />
donc attachés à concevoir des schémas de décodage pour des décompositions de type un-contreun.<br />
Nous ne donnons pas ici tous les résultats quantitatifs obtenus car ils ont été obtenus pour des<br />
bases de données différentes avec des classificateurs différents et des protocoles expérimentaux<br />
<strong>par</strong>fois différents [LEBRUN06, 1, 5, 10, 26, 31, 46, 53]<br />
3.5.3.1 Décodage direct<br />
Nous avons proposé un nouveau décodage direct [46] basé <strong>sur</strong> le principe Maximin [DEMYAN90]<br />
provenant de la théorie des jeux. Ce principe est basé <strong>sur</strong> l’hypothèse que la meilleure supposition<br />
est celle dont les plus mauvais résultats sont les meilleurs. Dans le cadre d’un schéma de<br />
décodage d’une décomposition un-contre-un, cela revient à choisir la classe dont la probabilité<br />
d’ap<strong>par</strong>tenance est la moins mauvaise. Etant donné qu’un classificateur peut être non informatif,<br />
une forte probabilité d’ap<strong>par</strong>tenance envers une classe donnée ne traduit pas forcément une<br />
forte décision envers cette classe. A l’inverse, si la probabilité d’ap<strong>par</strong>tenance est faible, il est<br />
raisonnable de rejeter cette classe. Nous pouvons alors énoncer ce principe comme suit. Les<br />
probabilités d’ap<strong>par</strong>tenance à chaque classe sont estimées ainsi :<br />
p(ω = ω i |x) = min( { D(ψ ωa,ω b<br />
, x)|ω a = ω i ∨ ω b = ω i<br />
}<br />
) (3.26)<br />
On choisi ensuite la plus probable (h = arg max). Nous avons com<strong>par</strong>é expérimentalement ce<br />
principe de décodage direct avec les décodages directs classiques (pour des classificateurs de<br />
type réseaux de neurones). On ne peut pas conclure qu’une méthode de décodage soit toujours<br />
meilleure qu’une autre, cela dépend des bases de données. Cependant, nous pouvons retenir trois<br />
méthodes de décodage direct car lors de toutes nos expérimentations, au moins une d’entre elles<br />
est toujours la meilleure. Ce sont les décodages <strong>par</strong> Price, Maximin et ECOC (pour une matrice<br />
exhaustive avec valeurs nulles et une fonction de décodage de type perte).