Etude de la réduction de Tucker pour SRV3D

Abstract

RESUMES (Français et Arabe) La réduction de dimensionnalité (DR) est une question clé pour améliorer l'efficacité des classificateurs pour hyper-spectrale images (HSI) et aussi dans la manipulation des bases de données biométrique où la taille énorme pose un grand problème. L'Analyse en Composantes Principales et indépendantes (PCA, ICA), la poursuite de projection (PP)…sont des approches DR qui ont été étudiées. Ces méthodes matrice d'algèbre sont appliquées sur les images vectorisées. Dans ce cas le réarrangement spatial est perdu. Pour prendre conjointement de l'information spatiale et spectrale ou bien différentes modalités de l’image la représentation sous forme de tenseur a été récemment utilisée. Offrant de multiples façons de décomposer les données orthogonalement, nous avons introduit des méthodes de DR basé sur des outils d'algèbre multilinéaire. Le DR est effectué à l'aide PCA, LDA ou autres, défini par une projection orthogonale sur un sous-espace de dimension inférieure des moyens spatiaux. Au cours des dernières années, le rapprochement au tenseur de faible rang a été établi comme un nouvel outil de calcul scientifique pour répondre au problème linéaire à grande échelle et aux problèmes d'algèbre multilinéaire, qui serait intraitable avec des techniques classiques. Ce travail tente de donner un aperçu de la littérature sur les développements actuels dans ce domaine, avec un l'accent sur les tenseurs et la réduction de Tucker 3 relatifs à la fonction. Le tenseur un terme qui se réfère simplement à un tableau multidimensionnel ou ′ , et nous considérons comment il est spécialement structuré permettent un calcul et un stockage efficace. Les méthodes étudiées sont originales de part l’introduction d’une nouvelle représentation des données par un tenseur d’ordre 3. Cette représentation implique l’utilisation d’outils d’algèbre multilinéaire. De ce fait, les méthodes développées sont dites multidimensionnelles ou multimodales. Basées sur la décomposition tensorielle de TUCKER. Dans l'image du visage, la classification nécessite la réduction de la dimension spectrale et spatiale. Bien que les méthodes de réduction de la dimensionnalité utilisent l'algèbre linéaire, nous proposons une méthode d'algèbre multilinéaire pour atteindre conjointement le débruitage et la réduction de la dimensionnalité. Le format Tucker hiérarchique est un système de stockage efficace permettant de rapprocher et représenter les tenseurs d'ordre élevé avec la méthodologie et les algorithmes, qui offrent un moyen commode de travailler avec ce format. Mots clé : Techniques de réduction ; Tenseurs ; Tucker 3 ; Algèbre Multilinéaire ; Reconnaissance de Visage