Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées

Résumé

Ce papier propose une nouvelle approche ajustant les réseaux de neurones convolutifs appliqués sur des jeux de données déséquilibrés dont les proportions par classes sont incertaines. La règle de décision constitutant la sortie du réseau de neurones est remplacée par le classifieur Minimax dont la particularité est de chercher à égaliser les risques conditionnels. De ce fait, le réseau de neurones devient robuste au déséquilibre des bases de données ainsi qu’au changement de probabilités a priori. Des expériences numériques sur des images médicales mettent en évidence la pertinence de notre approche quand il est nécessaire de classifier correctement les classes les moins représentées. Les résultats obtenus sur la base de données CIFAR100 démontre l’extensibilité de notre méthode en présence d’un grand nombre de classes.
Fichier principal
Vignette du fichier
ORASIS.pdf (1.58 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03339661 , version 1 (09-09-2021)

Identifiants

  • HAL Id : hal-03339661 , version 1

Citer

Marie Guyomard, Cyprien Gilet, Susana Barbosa, Lionel Fillatre. Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339661⟩
114 Consultations
186 Téléchargements

Partager

Gmail Facebook X LinkedIn More