Actualités > Soutenance de thèse de Madame Ngoc Bich DAO
AVIS DE PRÉSENTATION DE THÈSE EN SOUTENANCE POUR L’OBTENTION DU DIPLÔME NATIONAL DE DOCTEUR
Madame Ngoc Bich DAO présentera ses travaux intitulés :
« Réduction de dimension de sac de mots visuels grâce à l’Analyse Formelle de Concept »
Spécialité : Informatique et applications
Le 23 juin 2017 à 10h00
Lieu : Université de La Rochelle
Maison des Sciences de l’Ingénieur
Amphi 100 (rez-de-chaussée)
Av. Becquerel
17000 LA ROCHELLE
Composition du jury :
Mme BERTET Karell, Maître de conférences, Université de la Rochelle
Mme GIRARD Nathalie, Maître de conférences, Université Rennes 1
Mme HUCHARD Marianne, Professeur, Université de Montpellier
M. MEPHU-NGUIFO Engelbert, Professeur, Université Blaise Pascal
M. PASQUIER Nicolas, Professeur, Université Nice Sophia Antipolis
M. PICARD David, Maître de conférences, École ENSEA
M. PRECIOSO Frédéric, Professeur, Université Nice Sophia Antipolis
M. REVEL Arnaud, Professeur, Université de la Rochelle
Résumé :
La réduction des informations redondantes et/ou non-pertinentes dans la description de données est une étape importante dans plusieurs domaines scientifiques comme les statistiques, la vision par ordinateur, la fouille de données ou l’apprentissage automatique. Dans ce manuscrit, nous abordons la réduction de la taille des signatures des images par une méthode issue de l’Analyse Formelle de Concepts (AFC), qui repose sur la structure du treillis des concepts et la théorie des treillis. Les modèles de sac de mots visuels consistent à décrire une image sous forme d’un ensemble de mots visuels obtenus par clustering. La réduction de la taille des signatures des images consiste donc à sélectionner certains de ces mots visuels. Dans cette thèse, nous proposons deux algorithmes de sélection d’attributs (mots visuels) qui sont utilisables pour l’apprentissage supervisé ou non.
Le premier algorithme, RedAttSansPerte, ne retient que les attributs qui correspondent aux irréductibles du treillis. En effet, le théorème fondamental de la théorie des treillis garantit que la structure du treillis des concepts est maintenue en ne conservant que les irréductibles. Notre algorithme utilise un graphe d’attributs, le graphe de précédence, où deux attributs sont en relation lorsque les ensembles d’objets à qui ils appartiennent sont inclus l’un dans l’autre. Nous montrons par des expérimentations que la réduction par l’algorithme RedAttsSansPerte permet de diminuer le nombre d’attributs tout en conservant de bonnes performances de classification.
Le deuxième algorithme, RedAttsFloue, est une extension de l’algorithme RedAttsSansPerte. Il repose sur une version approximative du graphe de précédence. Il s’agit de supprimer les attributs selon le même principe que l’algorithme précédent, mais en utilisant ce graphe flou. Un seuil de flexibilité élevé du graphe flou entraîne mécaniquement une perte d’information et de ce fait une baisse de performance de la classification. Nous montrons par des expérimentations que la réduction par l’algorithme RedAttsFloue permet de diminuer davantage l’ensemble des attributs sans diminuer de manière significative les performances de classification.