Conception des modèles d'observation audio temps réel à l ... - atiam

2.6 Recherches et évaluateurs de sous-ensembles 15itérations précédentes est évalué. Le descripteur candidat maximisant le mériteest alors sélectionné. La recherche s’arrête quand aucun des descripteurscandidats n’améliore le mérite. À l’inverse, la variante "élimination en arrière"(backward elimination) consiste à débuter la recherche en sélectionnanttous les descripteurs, puis à retirer itérativement les descripteurs permettantd’augmenter le mérite des sous-ensembles de descripteurs. La recherche pasà pas est purement locale : elle suppose qu’un optimum global est constituéavec une succession d’optima locaux. Des algorithmes moins locaux existent,mais ils impliquent des temps de calculs encore plus élevés. Par ailleurs, dans[12], Isabelle Guyon donne des exemples de données montrant que la sélectionen avant "manque" des descripteurs pertinents (au sens où ils permettentd’augmenter la valeur du mérite). Le pouvoir discriminant d’un descripteur peutne s’exprimer qu’en la présence d’un autre descripteur. Dit différemment, deuxdescripteurs peuvent ne pas améliorer le mérite si ils sont pris séparément, etl’améliorer lorsqu’ils sont combinés.Recherche génétique La recherche génétique [11] est un algorithme basésur une analogie avec la sélection qui s’opère dans le génome des espèces aucours de leurs évolutions. Un individu est une solution du problème (ici, unsous-ensemble de descripteurs), et son génome le caractérise (ici, les descripteurssélectionnés). L’algorithme fait évoluer une population initialisée aléatoirementpar croisements et mutations, éliminant les individus minimisantle mérite à chaque itération. Cette recherche nécessite une grande quantité decalculs et son paramétrage est délicat, mais elle est connue pour sa capacité àne pas se perdre dans des optima locaux comme la recherche pas à pas. Nousl’avons utilisée pendant nos expérimentations, mais pas pour les résultatsprésenté dans ce mémoire.Évaluateurs de sous-ensembles de descripteursCFS Cet évaluateur [14], basé sur la corrélation, repose sur l’idée que pourun bon sous-ensemble de descripteurs, les valeurs des descripteurs sont trèscorrélées avec la classe et peu corrélées entre elles. Pour calculer le mérited’un sous-ensemble de descripteurs, les matrices de corrélation entre descripteurset classe, et entre descripteurs et descripteurs sont calculées. Le scoreattribué permet de favoriser les sous-ensembles de descripteurs corrélés avecla classe et de défavoriser ceux où les descripteurs sont très corrélés entreeux.Wrapper Le wrapper [18] est la solution qui a été trouvée au problème majeurdes filters : ces derniers ne prennent pas en compte le classifieur lors dela phase de sélection. Or, les descripteurs ont une influence peu maîtrisabled’un classifieur à l’autre. Ceci a fait naître la nécessité d’intégrer le classifieurau processus de sélection. Ainsi, pour évaluer un sous-ensembles dedescripteurs, un classifieur est entraîné puis ses performances sont évaluées.Le mérite associé à un sous-ensemble est l’opposé de l’erreur de classificationestimée pendant l’évaluation des performances du classifieur. L’algorithme al’inconvénient de nécessiter une grande quantité de calculs (l’entraînement