Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

14 Classification spectrale : algorithme et étude du paramètre (a) Smiley : σBrand = 0.041 (b) Cercles : σBrand = 0.079 (c) Portions de couronnes : σBrand = 0.007 (d) Carrés : σBrand = 0.025 (e) Cible : σBrand = 0.199 (f) Rectangles étirés : σBrand = 1.640 Figure 1.3 – Paramètre global : exemples avec le paramètre σ proposé par Brand [20]
1.1.2 Problème du choix du paramètre 15 (a) Smiley : n = 790 (b) Cercles : n = 250 points (c) Portions de couronnes : n = 1200 (d) Carrés : n = 600 (e) Cible : n = 650 (f) rectangles étirés : n = 640 Figure 1.4 – Paramètre local : exemples avec le paramètre σ proposé par Perona [116]
Page 1: Institut National Polytechnique de
Page 4 and 5: ii TABLE DES MATIÈRES 2.5.1 Expér
Page 7 and 8: Table des figures 1.1 Illustration
Page 9: TABLE DES FIGURES vii 4.8 Etude ave
Page 13 and 14: Remerciements Je tiens tout d’abo
Page 15 and 16: Introduction Les domaines des biolo
Page 17 and 18: adéquates dans un cadre non superv
Page 19 and 20: Chapitre 1 : Classification spectra
Page 21 and 22: Chapitre 1 Classification spectrale
Page 23 and 24: 1.1.1 Algorithme de classification
Page 25: 1.1.2 Problème du choix du paramè
Page 29 and 30: 1.2.2 Cas d’une distribution isot
Page 31 and 32: 1.3 Validations numériques 19 1.3
Page 33 and 34: 1.3.1 Mesures de qualité 21 (a) Sm
Page 39 and 40: 1.4 Méthodes de classification spe
Page 41 and 42: 1.4.2 Traitement d’images 29 une
Page 43 and 44: 1.4.2 Traitement d’images 31 (a)
Page 45 and 46: Chapitre 2 Classification et élém
Page 47 and 48: 2.2 Présentation du résultat prin
Page 53 and 54: 2.3 Propriétés de classification
Page 55 and 56: 2.3.2 Classification via l’opéra
Page 65 and 66: 2.4.1 Eléments finis de Lagrange 5
Page 67 and 68: 2.4.2 Interprétation des élément
Page 69 and 70: 2.4.3 Propriété de classification
Page 71 and 72: 2.4.3 Propriété de classification
Page 73 and 74: 2.4.4 Condensation de masse 61 Le t
Page 75 and 76: 2.4.4 Condensation de masse 63 Eval
Page 77 and 78:
2.4.4 Condensation de masse 65 (a)
Page 79 and 80:
2.5.1 Expérimentations numériques
Page 81 and 82:
2.5.2 Choix du paramètre gaussien
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
2.5.3 Passage du discret au continu
Page 89 and 90:
2.5.4 Etape de normalisation 77 d
Page 91 and 92:
2.5.5 Cas limites de validité de l
Page 93:
2.5.5 Cas limites de validité de l
Page 96 and 97:
84 Parallélisation de la classific
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
100 Parallélisation de la classifi
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
120 Extraction de connaissances app
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
Page 162 and 163:
Page 164 and 165:
Page 167 and 168:
Conclusion et perspectives Dans ce
Page 169 and 170:
4.9.4 Comparaison avec la méthode
Page 171 and 172:
Bibliographie [1] P.D. Acton, L.S.
Page 173 and 174:
BIBLIOGRAPHIE 161 [37] M. Ester, H.
Page 175 and 176:
BIBLIOGRAPHIE 163 [75] R. Maroy, R.
Page 177:
BIBLIOGRAPHIE 165 [114] L. Yen, D.
show all

Contributions à l'étude de la classification spectrale et applications

Create successful ePaper yourself

Delete template?

Save as template?