A partir de cette page vous pouvez :
author
| Retourner au premier écran avec les étagères virtuelles... |
Détail de l'auteur
Auteur Salmi Abderezak |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesClassification automatique de données basées la théorie des graphes application à la segmentation d'images couleurs / Merzouk Younsi (2011)
Titre : Classification automatique de données basées la théorie des graphes application à la segmentation d'images couleurs Type de document : theses et memoires Auteurs : Merzouk Younsi ; Salmi Abderezak ; Kamal Hammouche, Directeur de thèse Editeur : Tizi Ouzou : UMMTO.FGEI Année de publication : 2011 Importance : 111 p. Présentation : ill. Format : 30 cm. Note générale : Bibliogr. Langues : Français Mots-clés : Classification Methode de K- means Segmentation d'images Graphes. Résumé : Résumé
Nous avons présenté dans ce travail une méthode de classification automatique de données appelée classification spectrale (spectral clustering) basée sur la théorie spectrale des graphes et des coupes de graphes. Elle comprend essentiellement trois étapes: (1) prétraitement : à partir de la base de données, construire la matrice de similarité qui peut être identifiée à un graphe : les noeuds du graphe sont les données et le poids des arêtes formées entre chaque paire de noeuds représente alors la mesure de similarité locale entre deux observations, (2) décomposition : analyser les valeurs et vecteurs propres (spectre) de la matrice de similarité, (3) groupement : extraire les k premiers vecteurs propres (vecteurs dominants) associés aux k plus petites valeurs propres de la matrice de similarité (k étant le nombre de classes à construire fixé à priori par l’utilisateur). Ces vecteurs propres constituent un espace de dimension réduite dans lequel les données transformées seront linéairement séparables.
Dans le cadre de notre application, nous avons appliqué la méthode de classification spectrale dans un premier temps sur des données artificielles afin dévaluer ses résultats, ensuite, cette méthode est appliquée à la segmentation des images couleurs par classification non supervisée des pixels. Les différents résultats obtenus sont évalués à base de la matrice de confusion dans le cas des données artificielles, et le critère d’évaluation de Borsotti dans le cas de la segmentation d’images couleurs.
Mots clés : Méthode de k-Means, théorie des graphes, spectral clustering, matrices laplaciennes, valeurs propres et vecteurs propres, segmentation d’images couleurs.En ligne : https://dl.ummto.dz/bitstream/handle/ummto/7714/YOUNSIMerzouketSALMIAbderezak.pd [...] Format de la ressource électronique : Permalink : ./index.php?lvl=notice_display&id=25082 Classification automatique de données basées la théorie des graphes application à la segmentation d'images couleurs [theses et memoires] / Merzouk Younsi ; Salmi Abderezak ; Kamal Hammouche, Directeur de thèse . - Tizi Ouzou (Tizi Ouzou) : UMMTO.FGEI, 2011 . - 111 p. : ill. ; 30 cm.
Bibliogr.
Langues : Français
Mots-clés : Classification Methode de K- means Segmentation d'images Graphes. Résumé : Résumé
Nous avons présenté dans ce travail une méthode de classification automatique de données appelée classification spectrale (spectral clustering) basée sur la théorie spectrale des graphes et des coupes de graphes. Elle comprend essentiellement trois étapes: (1) prétraitement : à partir de la base de données, construire la matrice de similarité qui peut être identifiée à un graphe : les noeuds du graphe sont les données et le poids des arêtes formées entre chaque paire de noeuds représente alors la mesure de similarité locale entre deux observations, (2) décomposition : analyser les valeurs et vecteurs propres (spectre) de la matrice de similarité, (3) groupement : extraire les k premiers vecteurs propres (vecteurs dominants) associés aux k plus petites valeurs propres de la matrice de similarité (k étant le nombre de classes à construire fixé à priori par l’utilisateur). Ces vecteurs propres constituent un espace de dimension réduite dans lequel les données transformées seront linéairement séparables.
Dans le cadre de notre application, nous avons appliqué la méthode de classification spectrale dans un premier temps sur des données artificielles afin dévaluer ses résultats, ensuite, cette méthode est appliquée à la segmentation des images couleurs par classification non supervisée des pixels. Les différents résultats obtenus sont évalués à base de la matrice de confusion dans le cas des données artificielles, et le critère d’évaluation de Borsotti dans le cas de la segmentation d’images couleurs.
Mots clés : Méthode de k-Means, théorie des graphes, spectral clustering, matrices laplaciennes, valeurs propres et vecteurs propres, segmentation d’images couleurs.En ligne : https://dl.ummto.dz/bitstream/handle/ummto/7714/YOUNSIMerzouketSALMIAbderezak.pd [...] Format de la ressource électronique : Permalink : ./index.php?lvl=notice_display&id=25082 Réservation
Réserver ce document
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité MAST.AUTO.10-11/2 MAST.AUTO.10-11 Mémoires Magasin de Thèses et Mémoires / FGE Master en Automatique Disponible MAST.AUTO.10-11/1 MAST.AUTO.10-11 Mémoires Magasin de Thèses et Mémoires / FGE Master en Automatique Disponible Les abonnés qui ont emprunté ce document ont également emprunté :
Segmentation d'image par approche contour en utilisant les détecteur de deriche et shen Aimeur, Ghania Segmentation d'image par approche pyramidale Slimana, Rahma Segmentation d'images texturées couleurs par approche isosegment Mallek, Farida Segmentation des clichés mammographiques en vue de la détection des foyers de micro-calcifications mammaires Guerroudji, Mohamed Amine Segmentation marginale d'image couleur Koulougli, Taous Application du modèle autorégressif à la segmentation D'images texturées Sfihi, Hayat Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Titre : Segmentation d’images couleur texturées basée sur la sélection d’attributs et la classification spectrale semi-supervisées sous contraintes Type de document : theses et memoires Auteurs : Salmi Abderezak, Auteur ; Kamal Hammouche, Directeur de thèse Editeur : TIZI-OUZOU : FGEI.UMMTO Année de publication : 2022 Importance : 164 p. Présentation : ill. Format : 30 cm. Note générale : Bibliogr. Langues : Français Mots-clés : Segmentation d'images couleur texturées Contraintes must-link et cannot-link Sélection d'attributs Score de contraintes Classification spectrale sous contraintes. Résumé : Les méthodes de segmentation par apprentissage automatique impliquent des techniques de caractérisation et de sélection d'attributs, ainsi qu'une technique de classification. Dans un contexte semi-supervisé, les méthodes de sélection d'attributs et de classification exploitent une petite quantité d'informations a priori donnée sous la forme de pixels prototypes ou de contraintes par paires, indiquant si deux pixels appartiennent à la même classe (must-link) ou non (cannot-link). L'apprentissage semi-supervisé sous contraintes suscite actuellement un vif intérêt car il permet de guider le processus de segmentation et d'améliorer ses performances sans nécessiter une grande base d'apprentissage comme dans le cas de l'apprentissage supervisé ou profond.
C'est dans ce contexte semi-supervisé que nous proposons, dans cette thèse, une méthode de segmentation d'images couleur texturées qui combine à la fois la sélection d'attributs et la classification semi-supervisées sous contraintes. Elle consiste à caractériser chaque pixel de l'image par un ensemble d'attributs de texture couleur. Une nouvelle méthode de sélection d'attributs de type filtre, basée sur un score de contraintes, est développée afin de choisir les attributs les plus pertinents. Ce score offre l'avantage d'évaluer la pertinence d'un sous-ensemble d'attributs à la fois et de déterminer automatiquement le nombre optimal d'attributs. Ces attributs sont finalement utilisés pour regrouper l'ensemble des pixels en classes via la méthode de classification spectrale sous contraintes. Des tests expérimentaux nous ont permis, d'une part, de valider le score de contraintes proposé en le comparant à d'autres scores de contraintes sur plusieurs bases de données. D'autre part, les résultats de segmentation obtenus sur des bases d'images texturées couleur ou en niveaux de gris, naturelles ou artificielles, médicales ou satellitaires attestent que la méthode de segmentation proposée est plus performante que les méthodes classiques, qu'elles soient supervisées, semi-supervisées, ou non supervisées, et reste compétitive avec les méthodes par apprentissage profond, malgré le peu d'information de supervision.
Diplôme : Doc Permalink : ./index.php?lvl=notice_display&id=37311 Segmentation d’images couleur texturées basée sur la sélection d’attributs et la classification spectrale semi-supervisées sous contraintes [theses et memoires] / Salmi Abderezak, Auteur ; Kamal Hammouche, Directeur de thèse . - TIZI-OUZOU (TIZI-OUZOU) : FGEI.UMMTO, 2022 . - 164 p. : ill. ; 30 cm.
Bibliogr.
Langues : Français
Mots-clés : Segmentation d'images couleur texturées Contraintes must-link et cannot-link Sélection d'attributs Score de contraintes Classification spectrale sous contraintes. Résumé : Les méthodes de segmentation par apprentissage automatique impliquent des techniques de caractérisation et de sélection d'attributs, ainsi qu'une technique de classification. Dans un contexte semi-supervisé, les méthodes de sélection d'attributs et de classification exploitent une petite quantité d'informations a priori donnée sous la forme de pixels prototypes ou de contraintes par paires, indiquant si deux pixels appartiennent à la même classe (must-link) ou non (cannot-link). L'apprentissage semi-supervisé sous contraintes suscite actuellement un vif intérêt car il permet de guider le processus de segmentation et d'améliorer ses performances sans nécessiter une grande base d'apprentissage comme dans le cas de l'apprentissage supervisé ou profond.
C'est dans ce contexte semi-supervisé que nous proposons, dans cette thèse, une méthode de segmentation d'images couleur texturées qui combine à la fois la sélection d'attributs et la classification semi-supervisées sous contraintes. Elle consiste à caractériser chaque pixel de l'image par un ensemble d'attributs de texture couleur. Une nouvelle méthode de sélection d'attributs de type filtre, basée sur un score de contraintes, est développée afin de choisir les attributs les plus pertinents. Ce score offre l'avantage d'évaluer la pertinence d'un sous-ensemble d'attributs à la fois et de déterminer automatiquement le nombre optimal d'attributs. Ces attributs sont finalement utilisés pour regrouper l'ensemble des pixels en classes via la méthode de classification spectrale sous contraintes. Des tests expérimentaux nous ont permis, d'une part, de valider le score de contraintes proposé en le comparant à d'autres scores de contraintes sur plusieurs bases de données. D'autre part, les résultats de segmentation obtenus sur des bases d'images texturées couleur ou en niveaux de gris, naturelles ou artificielles, médicales ou satellitaires attestent que la méthode de segmentation proposée est plus performante que les méthodes classiques, qu'elles soient supervisées, semi-supervisées, ou non supervisées, et reste compétitive avec les méthodes par apprentissage profond, malgré le peu d'information de supervision.
Diplôme : Doc Permalink : ./index.php?lvl=notice_display&id=37311 Réservation
Réserver ce document
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité DOC.AUTO.05-22/1 DOC.AUTO.05-22 Thèse Magasin de Thèses et Mémoires / FGE Doctorat en Automatique Disponible Aucun avis, veuillez vous identifier pour ajouter le vôtre !
