ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 25/3 - 2011  - pp.369-392  - doi:10.3166/ria.25.369-392
TITRE
Apprentissage de dictionnaires d’ondelettes vaste marge pour la classification de signaux et de textures

RÉSUMÉ

Cet article aborde le problème de l’extraction automatique de caractéristiques pour la classification de signaux et de textures. Nous proposons d’apprendre de manière jointe des caractéristiques basées sur des ondelettes (incluant l’échelle et la forme de l’ondelette) et une fonction de décision en transformant ce problème en problème d’apprentissage avec noyaux multiples. De plus, un nouvel algorithme de résolution est proposé pour traiter ce problème. Enfin, notre approche a été testée sur des exemples de signaux et de textures et comparée à des méthodes de l’état de l’art avec des résultats compétitifs sur des jeux de données de textures.



ABSTRACT
This paper addresses the problem of optimal feature extraction from a wavelet representation. Our work aims at building features by selecting wavelet coefficients resulting from signal or image decomposition on a adapted wavelet basis. For this purpose, we jointly learn in a kernelized large-margin context the wavelet shape as well as the appropriate scale and translation of the wavelets, hence the name “wavelet kernel learning”. This problem is posed as a multiple kernel learning problem where the number of kernels can be very large. For solving such a problem, we introduce a novel multiple kernel learning algorithm based on active constraints methods. When applied to wavelet kernel learning, our experimental results show that the approaches we propose are competitive with respect to the state of the art on Brodatz texture datasets.


AUTEUR(S)
Florian YGER, Alain RAKOTOMAMONJY

MOTS-CLÉS
ondelette, apprentissage à noyaux multiples, SVM, filtres miroirs en quadrature.

KEYWORDS
wavelet, multiple kernel learning, SVM, quadrature mirror filter.

BIBLIOGRAPHIE
ria.revuesonline.com/revues/30/10.3166/ria.25.369-392.html

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (1,34 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier