Optimisation de la sélection des caractéristiques visuelles pour l'annotation d'images

Abstract

Un problème central de l'apprentissage automatique consiste à identifier un ensemble représentatif de caractéristiques à partir duquel sera construit un modèle de classification pour une tâche particulière. Le défi est d'identifier la relation entre ces caractéristiques de données et un certain point final, par exemple la classe cible pour une tâche de classification. Dans la plupart des ensembles de données, seules quelques caractéristiques sont pertinentes et contribuent à déterminer le point final. Les autres caractéristiques contribuent à la dimensionnalité globale de l'espace du problème, ce qui implique une mémoire importante pour stocker toutes les caractéristiques, un temps de traitement important pour obtenir le résultat souhaité, ou des résultats biaisés à cause des caractéristiques bruitées. La sélection des caractéristiques est le processus de sélection automatique des caractéristiques importantes à partir des données. C'est une partie essentielle de l'apprentissage automatique, de l'intelligence artificielle, de l'exploration de données et de la modélisation. Il existe de nombreux algorithmes de sélection de caractéristiques disponibles et le choix approprié peut être difficile. L'objectif de cette thèse est de proposer une approche générique pouvant être appliquée dans différents domaines. L'approche proposée est basée sur le calcul des valeurs propres avec des contraintes linéaires Eigen_FS. Notre contribution a les caractéristiques suivantes: (a) elle prend à la fois en compte la pertinence des caractéristiques et la redondance par paire, (b) l'ensemble de départ n'est pas aléatoire et (c) elle est résolue par un algorithme itératif qui converge vers la solution optimale. Nous avons commencé par tester Eigen_FS sur des ensembles de données UCI ; les résultats expérimentaux révèlent l'efficacité de notre contribution par rapport à des méthodes de pointe. Par la suite, nous avons appliqué Eigen_FS au problème de la classification d'images endoscopiques; dans le cadre de cette application, nous avons introduit un nouveau critère d'évaluation de caractéristiques. La détection des anomalies dans le tractus gastro-intestinal par Eigen_FS a engendré une précision, sensibilité et spécificité de l'ordre de 98%, 95,3% et 99,1% (après la sélection des caractéristiques) contre 93,2%, 42% et 85,3% respectivement (avant la sélection des caractéristiques). Les résultats atteints, attestent du fort potentiel du système décisionnel proposé, pour une aide au diagnostic clinique.