Apport de différentes théories de l'incertain à la classification multi-label

par Zoulficar Younes

Thèse de doctorat en Technologies de l'information et des systèmes

Sous la direction de Fahed Abdallah et de Thierry Denoeux.

Soutenue en 2010

à Compiègne .


  • Résumé

    Dans cette thèse, nous nous intéressons à la problématique de la classification multi-label. Ce type de classification apparaît dans de nombreuses applications récentes telles que la classification d'images selon leur contenu, la catégorisation de documents, et l'annotation de vidéos. Dans le cas de données multi-étiquetées, les classes sont souvent corrélées ; l'appartenance d'un individu à une classe apporte de l'information sur l'appartenance de ce même individu à une autre classe. En outre, dans de nombreuses applications réelles, il n'existe pas de vérite�� terrain pour étiqueter les différents individus d'une façon précise, plusieurs experts doivent être consultés dans ce cas, et il en résulte souvent un étiquetage imparfait. Dans cette thèse, nous présentons trois méthodes pour la classification multi-label basées sur la règle des K-plus proches voisins. Une première méthode, basée sur une approche Bayésienne, est capable de prendre en compte les corrélations entre les classes. Deux autres méthodes, une basée sur la théorie des possibilités et une autre sur la théorie des fonctions de croyance, sont particulièrement adaptées au cas où les exemples d'apprentissage sont étiquetés de manière imprécise.

  • Titre traduit

    Contribution of different uncertainty theories to multi-label classification


  • Pas de résumé disponible.


  • Résumé

    In this thesis, we address the problem of multi-label classification, which is required by many modern applications such as semantic scene classification, text categorization, and video annotation. In multi-labeled data, the classes are usually correlated ; the membership of an instance to a given class, may provide information on the membership of that instance to another class. Moreover, in many real-world applications, the data are labeled subjectivly by one or many experts in the absence of ground truth, which may lead to imperfectly labeled instances. Based on the k-nearest neighbor approach, three methods for multi-label classification are presented in this thesis. A first Bayesian method is able to take into account the correlations between labels. Using the possibility and belief function theories, two other methods are developed and they are especially suited to handle imperfectly labeled data.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (156 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. 142 réf.

Où se trouve cette thèse ?

  • Bibliothèque : Université de Technologie de Compiègne. Service Commun de la Documentation.
  • Disponible pour le PEB
  • Cote : 2010 YOU 1916
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.