Approche locales : Coins ou sommets (nombre, positions relatives ou absolues, angles, ...), Segments (nombre, positions relatives ou absolues, longueur, ...)
Couleurs : statitiques sur les couleurs, niveaux de gris, dans différents espaces, ...
et bien plus encore...
Nécessité de définir la notion de pertinence :
Le vecteur de paramètres doit discriminer les classes
entre elles
Le vecteur de paramètres doit être stable (robuste) en
Information pertinente = combinaison d’informations
Variance intra/inter classe :
Dans l'idéal il faut : une faible variance intra-classe
une forte variance inter-classe
Variance intra/inter classe :
[Comment classer le contenu d'une image ?]
-Réponse : ça dépend !
Je n'ai pas d'exemple d'apprentissage :
On cherche à partitionner en n classes l’ensemble des images.
C'est la classification non supervisée (nous n'entrerons pas dans les détails ici)
En vert les sapins en rouge les chênes (ou peut-être le contraire)
J'ai des exemples d'apprentissage :
Un exemple de réseau de neurones (parmi tant d'autres)
Construction du réseau
Si
Alors
Activation avec une sigmodide [0,1]
Construction du réseau
Construction du réseau
Construction du réseau
Modification des poids
Modification des poids
Tester en live !
Aller plus loin !
Je vous encourage à regarder les vidéos suivantes (dont la majorité des images précédentes sont extraites) :
Codez votre propre réseau de neurones
[Projet d'initiation à la recherche en image]
-Classification de chiffres manuscrits par plus proches voisins -
Un peu de sorcellerie :
Définir une chaine de traitements :
Définir les caractéristiques à extraire :
Rapport isopérimétrique :
Concavité :
Profils :
Définir les caractéristiques à extraire :
Zoning :
Définir une chaine d'apprentissage :
Apprentissage supervisé : k plus proches voisins
Définir une chaine d'apprentissage :
Comment calculer une distance ?
Définir une chaine d'apprentissage :
Comparer une image inconnue à une image connue ?
Définir une chaine d'apprentissage :
Exemple
Tester ! :
Faire un grand nombre de tests (100 images dans la base):
Pour chaque image de la base 1) on considère qu'on ne connait pas la classe de cette image 2) on considère qu'on connait la classe de chacune des 99 autres images 3) calculer les distances entre cette image et les 99 autres 4) donner à l'image testée la classe de l'image dont la distance lui est minmale 5) on compare finalement si la décision correspond à la classe réelle de l'image
Après 100 tests on peut calculer un matrice de confusion qui résume la qualité de notre chaîne de traitements/analyse
Analyser les résultats :
Analyser les chiffres : - Taux de reconnaisannce moyen, faux positifs
Analyser les cas limites : - Regarder les images qui posent problème (7/1 ou 6/9 ?)
Revenir sur chaque étape de la méthode : - Caractéristiques inadaptées : âge du capitaine, variabilité intra VS inter - Base d'apprentissage non adaptée : pas suffisamment de variabilité, disparité des effectifs de chacune des classes - Mauvaise influence des prétraitements sur les images: élimination d’informations importantes, effets indésirables d’une normalisation
Savoir présenter ses résultats (4 ou 5 pages) :
1) intro —>présentation du projet —> présentation de la base —> enjeux scientifiques (difficultés à identifier)
2) Proposition d’une solution —> quelle chaîne de traitement/analyse (donner des exemples) ? —> détail d’au moins un algo d’extraction de caractéristiques utilisé
3) analyse des résultats —> présentation d’une matrice de confusion —> Analyse de cas qui n’’ont pas marché. Essayer d’expliquer pourquoi
4) mini conclusion —> rappel des résultats obtenus —> petite phrase donnant une perspective qui permettrait d’améliorer les résultats