Méthode d'apprentissage pour la classification à partir d'exemples positifs

Résumé : Cet article présente une méthode d'apprentissage générique et non supervisée à partir d'une seule base d'exemple positif, pour la classification. Le système est formalisé dans un cadre probabiliste. Nous proposons une méthode originale pour approximer la densité de probabilité de la fonction de vraisemblance correspondant aux évènements dit normaux, en utilisant un modèle parcimonieux basé sur des fonctions noyaux. Ce modèle présente l'avantage des méthodes non-paramétriques tout en limitant le coût algorithmique souvent important qui leur est lié. La classification est ensuite effectuée à partir de cette approximation grâce à une notion de confiance. La méthode sera comparée à celle des One Class SVM et testée dans le cas de la détection d'événements rares liés au trafic routier.
Type de document :
Communication dans un congrès
ORASIS'09 - Congrès des jeunes chercheurs en vision par ordinateur, 2009, Trégastel, France, France. 2009
Liste complète des métadonnées

Littérature citée [15 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00404617
Contributeur : Anne Jaigu <>
Soumis le : jeudi 16 juillet 2009 - 16:19:53
Dernière modification le : lundi 24 septembre 2018 - 11:34:02
Document(s) archivé(s) le : mardi 15 juin 2010 - 20:13:43

Fichier

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

Identifiants

  • HAL Id : inria-00404617, version 1

Citation

Bertrand Luvison, Thierry Chateau, Quoc-Cuong Pham, Patrick Sayd, Jean-Thierry Lapresté. Méthode d'apprentissage pour la classification à partir d'exemples positifs. ORASIS'09 - Congrès des jeunes chercheurs en vision par ordinateur, 2009, Trégastel, France, France. 2009. 〈inria-00404617〉

Partager

Métriques

Consultations de la notice

236

Téléchargements de fichiers

642