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.
Liste complète des métadonnées

Cited literature [15 references]  Display  Hide  Download

https://hal.inria.fr/inria-00404617
Contributor : Anne Jaigu <>
Submitted on : Thursday, July 16, 2009 - 4:19:53 PM
Last modification on : Thursday, February 7, 2019 - 2:36:42 PM
Document(s) archivé(s) le : Tuesday, June 15, 2010 - 8:13:43 PM

File

51.pdf
Files produced by the author(s)

Identifiers

  • 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. ⟨inria-00404617⟩

Share

Metrics

Record views

260

Files downloads

727