Recherche d’ensembles chromatiques

Slides:



Advertisements
Présentations similaires
Soutenance du stage de DEA.
Advertisements

Apprentissage spectral
Managing Domain Knowledge and Multiple Models with Boosting Peng Zang – Charles Isbell.
A. Cornuéjols IAA (basé sur Rob Schapires IJCAI99 talk) Combiner des apprenants: le boosting.
Regroupement (clustering)
Regroupement (clustering)
RECONNAISSANCE DE FORMES
Sensibilisation à l’Algorithmique
Évaluation de la qualité d'une clusterisation
Les K plus proches voisins
LES RESEAUX DE NEURONES
E-Motion Group © Olivier Aycard (E. Gaussier) Université Joseph Fourier Méthodes de classification.
J’aime les couleurs.
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Classification automatique de documents
Concepts avancés en mathématiques et informatique appliquées
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Mesure et suivi de la sténose carotidienne
Support Vector Machine
Méthode des k plus proches voisins
Sylvie Alayrangues Jacques-Olivier Lachaud
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Opérateurs morphologiques
Construction de modèles visuels
RECONNAISSANCE DE FORMES
Méthode des Ensembles de Niveaux par Eléments Finis P1
Algorithme Génétique et Gestion de Projet
Synthèse Applications des réseaux de neurones en reconnaissance de formes et en vision par ordinateur.
Aurélie Bertaux Jerzy Korczak Fouille d'images IRMf Algorithme CURE
Design dun système de vision embarqué. Application:
Interprétation automatique
Les réseaux de neurones compétitifs
Quel couleur?.
Illustrator – couleurs et formes géométriques
Introduction à la reconnaissance:
Les espaces couleurs Dans le cadre du projet ALPAGE.
Classification automatique
Similarité Belkhir Abdelkader Laboratoire LSI USTHB
Evaluation des incertitudes dans le recalage non rigide de formes Application à la segmentation avec ensemble apprentissage Maxime TARON Nikos PARAGIOS.
Classification : objectifs
Sujets spéciaux en informatique I PIF Approches non-paramétriques u Technique de classification NN u Technique de classification k-NN u Erreurs.
Modèles Mathématiques et représentation discrètes pour la description des images couleur Luc Brun.
COLORIMETRIE Remerciements à G. Pratz.
Les réseaux de neurones à réservoir en traitement d’images
Institut de sciences et technologies Département d’informatique
Visualisation de données : quand la carte se réinvente
Réseaux de neurones à base radiale
Karima Tabari1, Mounir Boukadoum1, Sylvain Chartier2,3, Hakim Lounis1
Reconnaissance de chiffres manuscrits
Sujets spéciaux en informatique I
Les réseaux de neurones à réservoir en traitement d’images
Mise en correspondance de deux maillages bruités
Page 1. Page 2 Pour aider les élèves dans leur démarche de découverte de ce que sont l’innovation et les méthodes de créativité, ils auront à disposition.
Knowledge discovery in Databases (KDD)
Test.
AnaLyse diachronique de l’espace urbain PArisien : approche GEomatique
Sabrina Tollari, Hervé Glotin, Jacques Le Maitre
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed.
Plan Analyse de l’architecture: couche L3 et L4:
Exemple et critique d’un système de vision simple Patrick Hébert (dernière révision septembre 2008) Référence complémentaire: Shapiro et Stockman: chap.
Lycée Descartes (Tours) – PCSI Informatique pour tous - TD Images et Matrices CPGE - Lycée Descartes - Tours 1.
Compilation & Apprentissage dans les Réseaux de Contraintes Hervé Cros Directeurs :Frédéric Koriche Joël Quinqueton.
Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté.
Test.
Test.
test
TEST.
Test test.
Transcription de la présentation:

Recherche d’ensembles chromatiques Projet Alpage Recherche d’ensembles chromatiques

Sélection des éléments d’apprentissage On associe une classe à chaque ensemble de pixels(rouge, vert…)

Sélection des éléments inconnus On prend dans les mêmes parcelles d’autres ensembles de pixels qui seront à classer.

Classification Supervisée de pixels Nb Eléments d’apprentissage : 4000 pixels. Nb Eléments inconnus : 2000 pixels. Nb classes : 4 Type de classifieur : KNN, RGB , Euclidienne Classif.hml - Nb Eléments d’apprentissage : 4 pixels moyen. - Nb Eléments inconnus : 2000 pixels. - Nb classes : 4 - Type de classifieur : KNN, RGB , Euclidienne ClassifAverage.html

Classification de pixels Visualisation des pixels mal classés.

Classification de pixels non supervisée Clustering : Algorithme : Carte Auto Organisatrice. Paramètres : Dimension de la carte Type de voisinage

Classification de pixels non supervisée Carte init aléatoire : Carte final : Algo a convergé :

Software in progress

Software in progress

Conclusion Implanter d’autres distances. Travailler dans d’autres espaces couleurs Travailler sur d’autre algo de clustering Inclure la notion de topologie (voisinage). Faire bcp de tests. So far so good.