Contribution à la classification automatique des données multidimensionnelles en utilisant les réseauxs de neurones compétitifs hebbians : Application à la segmentation des images couleurs

Abstract

Devant l’augmentation du volume de données, de plus en plus de champs scientifiques ont besoin de catégoriser leurs données pour des objectifs décisionnels ou descriptifs, d'autant plus qu’aujourd’hui, nous sommes demandés à traiter des données plus complexes (images, vidéos ou textes ...), ce qui incite un domaine d’étude très important. La reconnaissance de forme est une large discipline issue du champ d’analyse de données, qui englobe toutes les techniques de classification automatique, dans l’objectif de donner à des machines la capacité de perception aussi performante que possible à celle des êtres vivants (humain ou animal), voir même plus. La classification automatique est relativement difficile, surtout lorsque nous sommes placés dans un contexte non supervisé. Par conséquent, de nombreuses méthodes ont été développées dans ce domaine, mais la classification utilisant les réseaux de neurones reste la plus efficace en termes de qualité et de temps. Dans notre étude, nous nous sommes concentrés sur l'amélioration de la qualité des résultats de la classification des données en utilisant des réseaux de neurones à apprentissage compétitif, qui se caractérise par un phénomène de compétition et une conscience entre les neurones. L'étude que nous mènerons consiste à développer une approche locale non supervisée pour la classification, basée sur un réseau de neurones à apprentissage compétitif qui permettra de surmonter les défis posés pas l’approche Neuromimétique. A savoir, la faiblesse de la classification des distributions non gaussiennes et le seuillage, ce qui influence grandement l’automaticité et l’utilité de la classification. Notre nouvelle approche est constituée de quatre étapes : (i) l'estimation de la fonction de densité de probabilité (fdp), (ii) l’extraction des maxima locaux par un réseau de neurones compétitif avec la distance de Mahalanobis comme une fonction d'activation, (iii) la détection des modes en utilisant une méthode développée de la méthode d’apprentissage compétitif Hebien (CHL), (iv) l’affectation du reste des données à leurs classes désignées par les modes détectés.IV L’approche proposée est appliquée au début, sur un certain nombre d’échantillons de données multidimensionnelles. Pour être appliquée à la suite sur la segmentation d’images couleur et en particulier, les images TEP (Tomographie par Emission de Positons) de la maladie Alzheimer. En comparaison avec plusieurs méthodes de classification, notre approche a fait preuve de son efficacité et de sa bonne performance, en vertu d'un ensemble d’exemples synthétiques et réels, sans passer par aucun seuillage et ne nécessiter aucune information préalable sur le nombre des classes, ni sur la structure de leurs distributions dans l'ensemble de données.