Infoscience

Conference paper

Optimisation de l’algorithme EM_CMC par un Echantillonnage Bootstrap dans le contexte de la classification Bayesienne non supervisee

L’objectif de ce travail est l’optimisation de l’algorithme Estimation Maximisation (EM) par un échantillonnage Bootstrap. L’estimation est une phase souvent requise dans la majorité des méthodes de classifications statistiques. Les méthodes de classification globales se basant sur une modélisation Markovienne sont les méthodes les plus efficaces face aux problèmes de classification non supervisée, mais présentent l’inconvénient de la lenteur des temps de calcul. L’échantillonnage Bootstrap est alors la solution proposée pour accélérer la phase d’estimation de la méthode de classification en utilisant seulement des échantillons de taille réduite de l’image originale. La description de la version Bootstrappée de l’algorithme EM est présentée dans le cas de la modélisation de l’image par des Champs aléatoires de Markov Cachés noté EM_CMC.

Fulltext

  • There is no available fulltext. Please contact the lab or the authors.

Related material