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

16 Sélection de descripteurset l’évaluation du classifieur sont longs, et très sujets à la dimensionnalité).En revanche, il a le mérite de permettre d’optimiser en fonction d’un critère quiprend en compte le classifieur. C’est ce qui le distingue autres algorithmes présentés.2.7 Classifieurs utilisésLes stratégies de sélection de descripteurs abordées précédemment sontapplicables à tout type de classifieur. Nous allons ici présenter les deux classifieursque nous avons utilisé lors de nos expériences. Leur entraînement etleur évaluation demande peu de calculs, ce qui les rend cohérents avec l’utilisationdans le cadre du suivi de partition.Classifieur bayésien naïf Pour deux évènements A et B, la formule deBayes permet d’exprimer la probabilité conjointe de A et B en fonction dela probabilité a posteriori de l’évènement B sachant la réalisation de l’évènementA, et de la probabilité de l’évènement A :P(A ∩ B) = P(B|A) × P(A)La formule de Bayes donne la probabilité a posteriori de l’évènement A sachantla réalisation de l’évènement B :P(A|B) =P(A) × P(B|A)P(B)Le classifieur bayésien naïf [16] s’appuie sur cette formule pour estimer lesprobabilités conditionnelles P(C i |D), où les C i sont les différentes classespossibles, et D un vecteur de valeurs de descripteurs à classifier. La classechoisie est celle qui maximise la probabilité conditionnelle. Il convient de noterque le modèle de Bayes suppose une indépendance statistique entre lesparamètres (ici, les descripteurs), ce qui constitue bien sûr une approximationdans notre application.Gaussiennes multi-dimensionnelles modélisant chaque classe L’autre approcheutilisée (décrite dans [4]) consiste à modéliser chaque classe à l’aided’une gaussienne multi-dimensionnelle, où chaque dimension correspond àun descripteur. Les paramètres µ et σ de chaque gaussienne sont évaluésgrâce à l’algorithme Expectation Maximization [7]. Les deux gaussiennes multidimensionnellesainsi formées permettent de déduire une probabilité d’appartenancepour chaque classe. Pour étiqueter un vecteur de descripteurs, laclasse pour laquelle la probabilité d’appartenance est maximale est retenue.Le fonctionnement de ce classifieur est naïf dans la mesure où il supposeque les classes sont représentables par des groupes de points. En revanche,l’étiquetage d’un vecteur demande une quantité de calculs extrêmementfaible, ce qui fait de cet algorithme un bon candidat pour les applicationstemps-réel. Il est très sensible au bruit, ce qui en fait un classifieurpertinent dans le cadre d’un travail sur la sélection de descripteurs.