Approche Bayésienne non-paramétrique pour la découverte de comportements émergents à partir de trajectoires

Guillaume Chiron (1) , Petra Gomez-Krämer (1) , Michel Ménard (1)

1 L3I - Laboratoire Informatique, Image et Interaction - EA 2118

Cet article propose une approche Bayésienne nonparamétrique pour la découverte, à partir d'un ensemble structuré de trajectoires, de comportements émergents au sein d'une colonie d'insectes. L'analyse exploratoire des trajectoires issues de la scène encombrée s'effectue par classification non supervisée, simultanément sur des niveaux sémantiques différents, et où le nombre de clusters pour chaque niveau n'est pas défini a priori mais est estimé à partir des données. L' approche Bayésienne non paramétrique s'appuie sur des processus de Dirichlet à mélange et conduit à la construction d'une hiérarchie sémantique. Pour la validation de notre approche, une pseudovérité terrain est générée à l'aide d'un Système MultiAgents suivant l'algorithme des abeilles. L'intérêt de cette approche est, pour gagner en robustesse, l'apport d'un minimum d'a priori aussi bien au niveau des trajectoires simulées, sans modèles formels, qu'au niveau de la modélisation elle-même. La capacité de notre approche pour découvrir des comportements émergents de niveaux sémantiques différents est montrée expérimentalement.

Mots clés: Comportement; scène encombrée; trajectoires; processus de Dirichlet hierarchique; système multi-agents

Domaines: Vision par ordinateur et reconnaissance de formes [cs.CV]

Guillaume Chiron, Petra Gomez-Krämer, Michel Ménard. Approche Bayésienne non-paramétrique pour la découverte de comportements émergents à partir de trajectoires. Reconnaissance de formes et intelligence artificielle (RFIA) 2014, Jun 2014, France. ⟨hal-00988587⟩