Classification des données de grande dimension: application à la vision par ordinateur

Stephane Girard 1, 2, * Charles Bouveyron 3 Cordelia Schmid 4, *
* Auteur correspondant
4 LEAR - Learning and recognition in vision
GRAVIR - IMAG - Graphisme, Vision et Robotique, Inria Grenoble - Rhône-Alpes, CNRS - Centre National de la Recherche Scientifique : FR71
Abstract : Clustering in high-dimensional spaces is a difficult problem which is recurrent in many domains, for example in image analysis. The difficulty is due to the fact that high-dimensional data usually live in different low-dimensional subspaces hidden in the original space. This paper presents a family of Gaussian mixture models designed for high-dimensional data which combine the ideas of dimension reduction and parsimonious modeling. These models give rise to a clustering method based on the Expectation-Maximization algorithm which is called High-Dimensional Data Clustering (HDDC). In order to correctly fit the data, HDDC estimates the specific subspace and the intrinsic dimension of each group. Our experiments on artificial and real datasets show that HDDC outperforms existing methods for clustering high-dimensional data.
Type de document :
Document associé à des manifestations scientifiques
2èmes Rencontres Inter-Associations sur la classification et ses applications (RIAs '06), 2006, Lyon, France
Liste complète des métadonnées

Littérature citée [6 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00985473
Contributeur : Stephane Girard <>
Soumis le : mardi 29 avril 2014 - 17:55:27
Dernière modification le : jeudi 11 janvier 2018 - 06:20:04
Document(s) archivé(s) le : mardi 29 juillet 2014 - 13:50:31

Fichier

slidesLyon.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00985473, version 1

Collections

Citation

Stephane Girard, Charles Bouveyron, Cordelia Schmid. Classification des données de grande dimension: application à la vision par ordinateur. 2èmes Rencontres Inter-Associations sur la classification et ses applications (RIAs '06), 2006, Lyon, France. 〈hal-00985473〉

Partager

Métriques

Consultations de la notice

541

Téléchargements de fichiers

429