Projet de fin d'étude : Classification multi-vues pour l’apprentissage en ensemble
Etudiant :
Filière : Master Mathématiques Appliquées et Science des données (MASD)
Encadrant : Pr. YAHYAOUYI ALI
Annèe : 2023
Résumé : Les méthodes de classification multi-vues sont des approches d'apprentissage automatique qui exploitent plusieurs vues ou sources d'informations pour améliorer la performance de la classification. Elles sont appliquées dans divers domaines et se caractérisent par leur puissance et leur diversité de types pour exploiter la complémentarité et la corrélation entre les différentes vues des données. Dans le domaine de l’analyse des images, les méthodes de classification multi-vues donnent des meilleurs résultats pour la classification des images, le but de ce travail est présenter une méthode supervisée de classification multi-vues basée sur la régression des moindres carrés (LSR) et l'apprentissage en ensemble. Nous allons expliquer comment attribuer de manière adaptative un poids optimal à chaque classificateur pour chaque vue dans la base d’apprentissage. Dans un premier temps, les échantillons de chaque vue sont classé en utilisant une machine à vecteurs de support multi-classes (MSVM). Ensuite, pour évaluer les résultats de classification provenant des différentes vues pour chaque échantillon, le poids optimal pour chaque résultat de classification est estimé. Nous allons appliquer cette méthode aux bases de données d'images pour les classifier. En combinant les prédictions de tous les classifieurs de chaque vue, nous obtenons une classification plus précise et plus résistante. En résumé, l'attribution de poids dans ce type de méthode se révèle extrêmement bénéfique dans le domaine de la classification d'images. Mots-clés : Classification multi-vues, Régression des moindres carrés, Apprentissage ensembliste, Vote pondéré.