Nouvelles approches de segmentation et classification des données à base des algorithmes d’apprentissage automatique

Abstract

Le travail effectué dans cette thèse se situe dans les domaines de la segmentation et la classification des données. D’une part, la segmentation est une étape fondamentale dans de nombreuses applications, en particulier la vision par ordinateur. C'est l'une des tâches les plus importantes et les plus critiques dans les processus de la vision artificielle. D’autre part, la sélection des caractéristiques pour une classification de données de qualité exige la réduction de la dimension de l'espace des caractéristiques afin de réduire le coût de calcul et d'améliorer la précision. Ainsi, l'objectif de cette thèse est de développer de nouvelles méthodes de segmentation de données par la classification non supervisée ainsi que de proposer des nouvelles approches efficaces de sélection des caractéristiques pour une meilleure classification de données. Dans la partie contribution de cette thèse, nous présentons, en premier lieu, trois nouvelles approches de segmentation des données par regroupement (clustering) optimisé à l’aide des métaheuristiques suivantes : l'algorithme sinus cosinus (SCA), l'algorithme de recherche coucou (CSA) et l'algorithme sinus cosinus amélioré (ISCA). En deuxième lieu, nous proposons une nouvelle approche de sélection des caractéristiques par la technique de l'enveloppe (Wrapper) basée sur l'algorithme d'optimisation d’Archimède (AOA). Toutes ces contributions ont été atteintes grâce à des algorithmes d'optimisation de nouvelles générations, en particulier des métaheuristiques récentes. Les différentes approches que nous proposons sont évaluées par une série d'expériences sur des données de référence et sont comparées à l’aide de nombreux algorithmes très connus dans la littérature en se basant sur un ensemble de métriques, en particulier : MSE, PSNR, entropie, coefficient de corrélation, précision, F-score. De plus, ces expériences ont révélé l’efficacité et le bon rendement des algorithmes proposés ainsi que leurs intérêts multiples dans le domaine de l'apprentissage automatique.