Apprentissage explicable d’un ensemble de divergences pour la similarité inter-classe de données SAR - Archive ouverte HAL
Communication Dans Un Congrès Année : 2023

Apprentissage explicable d’un ensemble de divergences pour la similarité inter-classe de données SAR

Résumé

In this work, we propose a method for classification of positive bivariate data using a set of divergences based on statistics, parametric marginal modeling and dependence modeling via copulas. These divergences are combined using neural network operators to determine the class of the input couple being considered. This approach is tested on a dataset of synthetic aperture radar (SAR) images from the PAZ satellite.
Dans ce travail, nous proposons une méthode de classification de données bivariées positives en utilisant un ensemble de divergences basées sur des statistiques descriptives, une modélisation paramétrique des marginales et la modélisation des dépendances via des copules. Ces divergences sont combinées via des opérateurs de réseaux neuronaux pour déterminer la classe du couple d'entré considéré. Cette approche est testée sur un dataset d'images radars à ouverture synthétique (SAR) du satellite PAZ.
Fichier principal
Vignette du fichier
GRETSI_DIV23_version2.pdf (385.8 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04184390 , version 1 (21-08-2023)

Identifiants

  • HAL Id : hal-04184390 , version 1

Citer

Matthieu Gallet, Abdourrahmane Atto, Emmanuel Trouvé, Fatima Karbou. Apprentissage explicable d’un ensemble de divergences pour la similarité inter-classe de données SAR. GRETSI, XXIXème Colloque Francophone de Traitement du Signal et des Images, GRETSI, Aug 2023, Grenoble, France. ⟨hal-04184390⟩
59 Consultations
52 Téléchargements

Partager

More