Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed.

Présentation au sujet: "Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed."— Transcription de la présentation:

1 Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed

2 Plan  Arbre de décision Limites  Extra-Trees Algorithme Apprentissage Classification  Conclusion

3 Arbre de décision

4 123443442344344

5 Limites: Complexité

6 Limites: Bruit

7 Extra-Trees T1T2T3T4 T5

8

9 M: Nombre des arbres à générer K: Le nombre d’attributs (pixels) à choisir aléatoirement. LS : Ensemble d’apprentissage (Learning Set) M Extra-Arbres

10 Pour i allant de 1 à M //Génération d’un extra arbre: - Choisir aléatoirement K pixels (position) - Construire un arbre de décision de ces pixels FinPour

11 Exemple: M: 3 K: 4 Arbre 1: [19 2 12 4] Arbre 2: [6 15 22 13] Arbre 3: [16 24 8 18]

12 Exemple: M: 3 K: 4 1921244 442 44 44 2152213 2213 152213 2213 1624818 8 24818 8

13

14

15 Pour tout les images d’entrainement Pour chaque extra-arbres (1->M) -Passer l'image dans l’arbre -Incrémenter la probabilité de la classe de l'image dans la feuille résultante FinPourFinPour

16 1921244 442 44 44 60% … 1% Classe 1 … Classe N 1% … 0% 1% … 2% 22% … 1% 3% … 2% 1% … 10% 2% … 50% 1% … 20% 1% … 0% 1% … 2% 1% … 4% 2% … 1% … 2% 1% … 2% 1% … 2% 1% …

17 Pour chaque extra-arbres (1->M) -Passer l'image dans l’arbre -Enregistrer les probabilités des classes du nœud résultant FinPour -Retourner la classe avec la grande probabilité (moyennne)

18 60% 30% 5% A B C 32% 15% 25% 75% 20% 30% 55% 21% 20%

19 Sous-fenêtrage  L’idée:  Extraire d’une image (lors du test ou l’apprentissage) N sous-fenêtres Entrée: L’image, (N : le nombre de fenêtres) Sortie: N sous-fenêtres …

20 Sous-fenêtrage …

21  Approche locale par extraction aléatoire de fenêtres:  Amélioration de la précision  Amélioration de la robustesse

22

23  Le but:  Classifier les image radiologiques médicales  La méthode:  Extra-Trees  Random Subwindows  La base de données:  10000 images radiologique (57 classes)

24 Phase d’apprentissage 16x16 pixels

25 Phase d’apprentissage  Construction de l’ensembles des Extra-Arbres

26 Phase de prédiction

27

28 Exemple de sous-fenêtres extraites

29  Le sous-fenêtrage est basé sur un algorithme d’extraction de caractéristiques..  => Ciblage des zones d’interets

30

31 Conclusion  Application d’une méthode générique sur des images biomédical  Très bon résultat, sans adaptation complexe de l’algorithme  Confirmation de l’efficacité de l’algorithme dans plusieurs domaines