Spatio-temporal grid mining applied to image classification and cellular automata analysis.
Fouille de grilles spatio-temporelles appliquées à la classification d'image et à l'analyse d'automate cellulaire.
Résumé
General-purpose subgraph mining algorithms are seldom used in real-world applications due to the high complexity of the mining process mostly based on isomorphism tests and countless expansion possibilities during the search. Efficient algorithms have been proposed for special cases for which there exist polynomial-time algorithms for graph isomorphism such as, for example, plane graphs, geometric graphs, and outerplanar graphs under the block-and-bridge preserving constraint. In this thesis, we proposed a new mining algorithm dedicated to find frequent patterns in spatio-temporal grids : GriMA. Use a regular grids allow our algorithm to reduce the complexity of isomorphism tests. Two applications are proposed to experimentally evaluate our algorithm : image classification for 2D grid mining and cellular automata prediction for 2D+t grid mining.
Au cours de cette thèse, nous avons proposé un nouvel algorithme de fouille de motifs fréquents dédié aux grilles spatio-temporelles : GriMA. L’usage des grilles régulières permet à notre algorithme de réduire la complexité des tests d’isomorphismes. Ces tests sont souvent utilisés par les algorithmes génériques de fouilles de graphes mais ayant une complexité importante, cela limite leur usage sur des données réelles. Deux applications ont été proposées pour évaluer notre algorithme : la classification d’images pour la fouille de grilles 2D et la prédiction d’automates cellulaires pour la fouille de grilles 2D+t.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...