|
 
|
[BDF10a] Apprentissage actif et utilisation de la structure a priori des données : application à une base d'images satellite haute résolution
Conférence Nationale avec comité de lecture : Reconnaissance des Formes et Intelligence Artificielle (RFIA 2010), January 2010, Caen, France,Mots clés: statistical learning, Support Vector Machines, Earth Observation Mining, Image Databases, Relevance Feedback
Résumé:
Dans cet article, nous proposons une nouvelle méthode
d’apprentissage actif sur des bases d’images satellites permettant
d’incorporer l’information a priori contenue dans
les données ("donnée" fait référence ici aux paramètres de
texture, couleur, forme... extraits des images). Plus précisément,
nous utilisons la connaissance d’une distribution a
priori sur les données, dans notre cas un mélange de Gaussiennes,
pour guider l’apprentissage d’un classifieur SVM.
Un algorithme d’apprentissage actif qui reprend cette idée
est d’abord décrit. Les performances de l’algorithme ainsi
obtenu sont ensuite comparées en terme de vitesse d’apprentissage
et de capacité à gérer de gros volumes de données
à une approche classique utilisant un classifieur SVM
qui n’exploite pas la structure a priori des données. Les
tests sont réalisés sur une base d’images satellites haute
résolution QuickBird.
Equipe:
vertigo
Collaboration:
DLR
BibTeX
| @inproceedings { | |||
| BDF10a, | |||
| title | = | "{Apprentissage actif et utilisation de la structure a priori des données : application à une base d'images satellite haute résolution}", | |
| author | = | " P. Blanchart and M. Datcu and M. Ferecatu ", | |
| booktitle | = | "{Reconnaissance des Formes et Intelligence Artificielle (RFIA 2010)}", | |
| year | = | 2010, | |
| month | = | "January", | |
| address | = | "Caen, France", | |
| } | |||
