Selection itérative de transformations pour la classification d'images

Mattis Paulin 1 Jérôme Revaud 1 Zaid Harchaoui 1 Florent Perronnin 2 Cordelia Schmid 1
1 LEAR - Learning and recognition in vision
Inria Grenoble - Rhône-Alpes, LJK - Laboratoire Jean Kuntzmann, INPG - Institut National Polytechnique de Grenoble
2 Xerox Research Centre Europe [Meylan]
Résumé : En classification d'images, une stratégie efficace pour apprendre un classifieur invariant à certaines transformations consiste à augmenter l'échantillon d'apprentissage par le même ensemble d'exemples mais auxquels les transformations ont été appliquées. Néanmoins, lorsque l'ensemble des transformations possibles est grand, il peut s'avérer difficile de sélectionner un petit nombre de transformations pertinentes parmi elles tout en conservant une taille d'échantillon d'apprentissage raisonnable. optimal. En effet, toutes les transformations n'apportent pas le même impact sur la performance ; certains peuvent même dégrader la performance. Nous proposons un algorithme de sélection automatique de transformations : à chaque itération, la transformation qui donne le plus grand gain en performance est sélectionnée. Nous évaluons notre approche sur les images de la compétition ImageNet 2010 et améliorons la performance en top-5 accuracy de 70.1% à 74.9%.
Mots-clés : Sélection de variables classification d'images exemples virtuels
Type de document :
Communication dans un congrès
RFIA 2014 - Reconnaissance de Formes et Intelligence Artificielle, Jun 2014, Rouen, France. 2014
Liste complète des métadonnées

Littérature citée [28 références]  Voir  Masquer  Télécharger
https://hal.archives-ouvertes.fr/hal-00988820
Contributeur : Sébastien Adam <>
Soumis le : vendredi 9 mai 2014 - 10:47:16
Dernière modification le : lundi 17 décembre 2018 - 11:22:02
Document(s) archivé(s) le : samedi 9 août 2014 - 10:51:06

Fichier

rfia2014_Cordelia_SCHMID_Final...
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : hal-00988820, version 1

Collections

RFIA2014 | INRIA | UGA | LJK_GI_LEAR | LJK_GI | LJK

Citation

Mattis Paulin, Jérôme Revaud, Zaid Harchaoui, Florent Perronnin, Cordelia Schmid. Selection itérative de transformations pour la classification d'images. RFIA 2014 - Reconnaissance de Formes et Intelligence Artificielle, Jun 2014, Rouen, France. 2014. 〈hal-00988820〉

Exporter

BibTeX TEI DC DCterms EndNote

Partager

Métriques

Consultations de la notice

588

Téléchargements de fichiers

595

Contact

support.ccsd.cnrs.fr
hal.support@ccsd.cnrs.fr
Logo CCSD