offres d'emploi formations actualités contact accès annuaire intranet
Imap >

Réduction de la dimension

Dans différentes applications, on se trouve face à des données (signaux et images) de grande dimension pour lesquelles les algorithmes de classification souffrent de limitations en performance, en généralisation et en interprétation. Dans un contexte semi-supervisé, la réduction de la dimension s’effectue par :

- sélection d’attributs. Elle consiste à garder les attributs les plus pertinents pour construire un espace de plus faible dimension. Le travail est relatif à la sélection d’attributs dans le contexte de connaissance de contraintes de comparaison.
- extraction d’attributs. Le principe est de transformer l’espace d’entrée en un nouvel espace de plus faible dimension et qui révèle mieux la structure des données. L’approche spectrale semi-supervisée adoptée est basée sur les algorithmes LLE et LDA. Cette approche valorise les avantages de l’algorithme LLE (réduction de dimension non-linéaire et approche parcimonieuse) et de l’algorithme LDA (discrimination efficace) pour la segmentation d’images couleur et la réduction de bruit.
- classification interactive. La réduction de l’espace d’entrée à 2 ou 3 dimensions permet d’intégrer l’opérateur dans le processus de décision lui permettant de s’enrichir d’un retour d’expérience, quitte à ce que les projections dans l’espace réduit soient une image aussi fidèle que possible aux données d’entrée.