Une nouvelle méthode de classification en grande dimension pour la reconnaissance de formes
Résumé
We propose a new Gaussian model to classify high-dimensional data in both supervised and unsupervised frameworks. Our approach is based on the assumption that high-dimensional data live in low-dimensional subspaces. Our model therefore finds the specific subspace and the intrinsic dimension of each class to correctly fit the data. In addition, our approach regularizes the class conditional covariance matrices by assuming that classes are spherical both in their eigenspace and in its supplementary. We thus obtain a robust clustering method for high-dimensional data. Our approach is then applied to recognize object in real images and its performances are compared to classical methods.
Nous proposons une nouvelle modélisation gaussienne adaptée aux données de grande dimension pour la discrimination et la classification automatique. Notre modélisation est basée sur l'hypothèse que les données de grande dimension vivent dans des sous-espaces dont la dimension intrinsèque est inférieure à la dimension de l'espace. Pour ce faire, notre approche recherche les sous-espaces spécifiques dans lesquels vivent chacune des classes. De plus, nous régularisons les matrices de covariance des classes en supposant que les classes sont sphériques à la fois dans leur espace propre et son supplémentaire. Nous utilisons ensuite ce nouveau modèle en analyse discriminante et en classification automatique dans le cadre de la reconnaissance d'objets dans des images naturelles.