Gaussian Process for Image Classification

Abstract

Par rapport aux classifieurs connues dans l'état de lart, le classifieur basé sur les processus gaussien (GPC) offre plusieurs propriétés intéressantes. Par exemple, leur nature bayésienne donne la possibilité d'intégrer tout type d'information préalable dans le processus de classification. Ils permettent une estimation automatique complète des hyper-paramètres. La sélection des fonctionnalités peut faire partie du processus d'apprentissage à l'aide de noyaux appropriés. Par ailleurs, en plus de l'estimation de la probabilité a posteriori de la classe utilisée pour exécuter la décision, ils donnent une estimation de la variance qui peut être exploitée en tant que valeur de confiance de la décision fournie. Afin d'améliorer les capacités de GPC, dans cette thèse, nous proposons de reformuler le modèle d'apprentissage GPC afin d'intégrer l'information contextuelle spatiale. Bien qu'il ait été démontré que pour de nombreuses autres approches de classification que l'exploitation de ces informations peut être potentiellement intéressante pour augmenter la précision de la classification, peu d'attention a été accordée à le faire pour GPC. Tous les développements mathématiques menant à la GPC Spatial proposé (SGPC) sont décrits. Les résultats expérimentaux montrent que le SGPC peut aider à améliorer la précision de la classification par rapport à la ligne de base GPC