Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques

Résumé

-Cet article présente une méthode d'apprentissage par transfert à noyau, sous un modèle de mélange gaussien à k classes pour les données d'entrée. En s'appuyant sur les avancées récentes de la théorie des matrices aléatoires, nous proposons de nouvelles perspectives dans les schémas d'apprentissage par transfert pour les cas difficiles, par exemple, ici, lorsque les statistiques de premier ordre de toutes les classes de données coïncident. L'article montre que la distribution asymptotique de la fonction de décision LS-SVM est gaussienne pour toute fonction à noyau. En conséquence, un schéma d'optimisation est proposé pour minimiser le taux d'erreur de classification. Nos résultats théoriques sont corroborés par des simulations, puis appliqués avec succès au contexte de l'apprentissage par transfert pour la classification d'images PolSAR.
Fichier principal
Vignette du fichier
DEMR22022.pdf (687.56 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03829615 , version 1 (25-10-2022)

Identifiants

  • HAL Id : hal-03829615 , version 1

Citer

Cyprien Doz, Chengfang Ren, Jean-Philippe Ovarlez, Romain Couillet. Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques. GRETSI 2022 - XXIIXème Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-03829615⟩
29 Consultations
17 Téléchargements

Partager

Gmail Facebook X LinkedIn More