Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques - CentraleSupélec
Conference Papers Year : 2022

Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques

Abstract

-Cet article présente une méthode d'apprentissage par transfert à noyau, sous un modèle de mélange gaussien à k classes pour les données d'entrée. En s'appuyant sur les avancées récentes de la théorie des matrices aléatoires, nous proposons de nouvelles perspectives dans les schémas d'apprentissage par transfert pour les cas difficiles, par exemple, ici, lorsque les statistiques de premier ordre de toutes les classes de données coïncident. L'article montre que la distribution asymptotique de la fonction de décision LS-SVM est gaussienne pour toute fonction à noyau. En conséquence, un schéma d'optimisation est proposé pour minimiser le taux d'erreur de classification. Nos résultats théoriques sont corroborés par des simulations, puis appliqués avec succès au contexte de l'apprentissage par transfert pour la classification d'images PolSAR.
Fichier principal
Vignette du fichier
DEMR22022.pdf (687.56 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03829615 , version 1 (25-10-2022)

Identifiers

  • HAL Id : hal-03829615 , version 1

Cite

Cyprien Doz, Chengfang Ren, Jean-Philippe Ovarlez, Romain Couillet. Apprentissage par transfert en grande dimension : application aux images SAR polarimétriques. GRETSI 2022 - XXIIXème Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-03829615⟩
52 View
37 Download

Share

More