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

3.5. Schémas multi-classes de combinaison de classificateurs binaires 91
3.5.3.2 Décodage en cascade
Initialement, nos propositions de schémas de décodage reposaient tout d’abord sur des schémas
en cascade [5] basés sur des DDAG. Les classificateurs que nous avons considérés étaient
des réseaux de neurones multi-couches dont les hyper-paramètres ont étés optimisés. Nous avons
tout d’abord proposé (lors de mes travaux de thèse) de construire une fois pour toutes un DDAG
en ordonnant les noeuds de l’arbre selon les performances en généralisation de chaque classificateur
mesurées sur une base validation. Puis, nous avons proposé de construire ce DDAG
dynamiquement à chaque présentation d’un nouvel exemple à classer [10, 31]. Pour cela, nous
avons défini un critère de qualité (QI pour Quality Index) de la décision effectuée par chaque
classificateur qui prend en compte la sortie du classificateur D(ψ i , x), une estimation de ses performances
en généralisation Q(ψ i ) sur un ensemble de validation ainsi que la représentativité
R(Z(ψ i ) E ) des données utilisées pour son apprentissage :
QI(ψ i , x) = D(ψ i , x) × Q(ψ i ) × R(Z(ψ i ) E ) (3.27)
Nous avions appelé ce modèle GNN pour Graph of Neural Networks. La figure 3.14 présente un
tel GNN où toutes les possibilités de chemin pour passer d’un classificateur à un autre sont présentées.
Deux chemins différents amenant à des décisions différentes sont présentés dans cette
figure. Comme pour un DDAG, lorsqu’une classe est éliminée, l’ensemble des classificateurs
discriminant cette classe ne sont plus utilisables (cela permet de contraindre à n c − 1 la profondeur
de l’arbre développé). Les GNN correspondent donc à une version alternative des ODAG
qui ont été proposés ultérieurement à nos travaux.
¬ω 4
ω 1 vs ω 3 ω 3 vs ω 4
¬ω 1
¬ω 3 ¬ω 3
¬ω 2
¬ω 4 ¬ω 1
¬ω 3
¬ω 4 ¬ω 2
¬ω 2
ω 1 vs ω 4 ¬ω 1 ¬ω 2 ω 2 vs ω
¬ω 4
¬ω 3 1 ¬ω 2
¬ω 2 ¬ω 4
¬ω 3 ¬ω 4
¬ω 4 ¬ω 1
¬ω 1
ω 3 ω 2 vs ω 3 ω 1 vs ω 2 ω 2
¬ω 2 ¬ω
¬ω 1
3
FIG. 3.14 – Graphe de classificateurs binaires.
Même si les GNN nous ont permis d’obtenir de meilleures performances qu’un DDAG,
on peut leur faire le même reproche. Si l’un des classificateurs interrogés réalise une erreur, il
est impossible d’y pallier. Ceci peut s’en trouver accentué si les classificateurs non pertinents
prennent des décisions arbitraires. De plus, si tous les classificateurs sont performants, il devient
difficile de choisir leur ordre d’interrogation. Lorsque l’on utilise un DDAG ou un ODAG pour
effectuer une classification, cela revient à développer un chemin selon une branche de l’arbre.
Puisque ce chemin peut prendre de mauvaises décisions d’élimination, il peut être intéressant
de chercher à développer plusieurs branches qui peuvent amener à des décisions différentes
et choisir la décision la plus probable (figure 3.14). Nous avons proposé d’associer à chaque