Performance / Classification Image

Bonjour,

Je souhaite classer différentes images suivant leurs descripteurs (Arbre, Ciel, Maison)...

Je pensais utiliser Gabor+SVM et de l'acp pour l'optimiser.
Apparement dans le domaine bioinformatique (reconnaissance de visages) une méthode a été créée plus robuste :

- Le LGBPHS (Local Binary Pattern Histogram Sequence) combinant à la fois Gabor et le LBP. Mais pour une classification do'bjet (hors visages) celà rendra t'il réelement plus pertients les résultats ?

De plus en ce qui concerne l'ACP, Cela apporte t'il une différence en terme de classification de réduire la taille de mes descripteurs images :

- Avant l'apprentissage : du coup tous mes descripteurs sont réduits et seront classer suivant les descripteurs images utilisés pour mon apprentissage.

- Après apprentissage : mon SVM me classifie mes descripteurs originaux (j'ai pas de contrainte de temps donc ça peut tourner) et je réduis les frontières renvoyé par le SVM. Puis j'applique l'ACP sur toutes les autres images (hors apprentissage) pour classer les nouvelles.

Merci d'avance

Les LBP ont fait leur preuve dans de nombreuses applications, les tester est une bonne idée.

L'utilisation de l'ACP n'est plus vraiment de mode vu que l'on a maintenant des machines assez puissant pour ne plus réduire les dimensions. De plus l'ACP est très maladroite dans la réduction des variables, car elle peut fusionner des composantes fortes et faibles en une même composante.

Regarde cet article, cela pourrait t'intéresser : http://www.socher.org/index.php/Main...NeuralNetworks.

Pour la classification d'image les algorithmes les plus puissant que je connaisse sont les réseaux de neurone basé sur boltzmann restreint et tout ses dérivés.

Cordialement

@ToTo13 : Ok je vais donc tester les LBPs.


@ dev_ggy et ToTo13

C'est vrai que les RDN sont plus puissants que les SVMs à la condition de savoir correctement les paramètrer suivant leurs architectures et leurs fonctions de transfert. Pour l'instant je préfère utiliser les SVMs qui sont plus simples à mettre en place et permet d'obtenir aussi de bon résultats.

Dans mon cas mes descripteurs peuvent aller jusqu'a une taille de [1,..., 40 000 ] d'ou mon idée de l'ACP. Mais j'ai pas encore tester les données bruts donc je sais pas ce que ça va donner.

Ben vu que tu as un grand nombre de descripteurs sur des images, si tes échantillons sont assez grands eux aussi, je te conseille alors de tester un bon gros deep neural network (voir librairie Theano).

Merci pour ces informations, mais on m'oblige de passer par les SVMs... toutefois c'est bien possible de classer des descripteurs de taille [1,20 000] avec le SVM ? Même si pour le moment le SVM de matlab ne fonctionne pas chez moi donc je m'oriente plus vers les LibSVM.

Le problème n'est pas le nombre de descripteurs, mais le nombre d'instances/individus que tu as en fonction du nombre de descripteurs.
Par example avec les RdN, tu ne peux les utiliser sur tu as moins de trois fois d'individus que ce que tu as de poids à estimer.
Pour les SVM je ne sais pas le rapport, mais il faut éviter l'apprentissage par coeur.

Oui dans tous les cas il y a toujours un rapport de performance entre sous et sur apprentissage. Et certes le RDN sera plus robuste aux pannes que le SVM.
Mais je le testerai après avoir obtenu des résultats avec le SVM.

[EDIT]

Le LibSVM fonctionne bien chez moi, mais j'ai toutefois une question qui me tracassent.

Soit des données représentées par un vecteur de taille [1,...X], nos données n'ont donc pas le format classique d'un point de coordonnées [x,y].

Alors comment représenter chaque descripteurs d'images sous la forme de nuage de points dans un espace 2D séparé par les frontières définis par le SVM.


Merci