Compte-rendu de la réunion ClaSpec du 23/03/07 à Calais

Compte-rendu de la réunion ClaSpec du 23/03/07 à Calais
Présents
Ludovic Macaire, Denis Hamad, Nicolas Vandenbroucke, Laurent Busin, Alice,
Jacques Booanert, Emilie Caillault, Sébastien Ambellouis, Jean-Luc Rouas, François
Cabestaing.
Objectif de la journée
Il était double :
o d’abord, achever la présentation des membres du projet, ce qui fut fait avec la
présentation des derniers travaux de thèse d’Emilie :
Using Segmentation Constraints in an Implicit Segmentation Scheme
for On-line Word Recognition, présenté lors de l’International Workshop
on Frontiers in Handwriting Recognition (IWFHR'06), à La Baule ;
o ensuite, présenter une première sélection d’articles fondamentaux traitant de
la classification spectrale.
Présentations
Voici la liste des papiers présentés par les binômes « inter-labos », dans leur ordre
de passage :
1) Sébastien et Pierre-Alex. :
Ng A. Y., Jordan, M. I., and Weiss, Y. "On spectral clustering: Analysis and an
algorithm". Advances in Neural Information Processing Systems 14,
Cambridge, MA. MIT Press, 2002.
La méthode de classification spectrale présentée semble être une référence dans le
domaine : l’algorithme y est clairement décrit puis justifié, d’abord dans le cas idéal
d’une matrice de similarité bloc-diagonale, puis dans le cas réel.
2) Ludovic et Denis :
Verma D. and Meila M. “A comparison of spectral clustering algorithms”,
Technical report uw-cse-03-05-01, University of Washington, 2003.
Ce papier permet de faire le lien entre différentes techniques de classification qui ont
en commun la décomposition spectrale d’une matrice de similarité. En outre, il
justifie ce calcul matriciel comme étant la solution approchée d’un problème de
(bi)coupe de graphes, où l’on s’efforce de définir une frontière séparant 2 ensembles
de nœuds en fonction de leurs similarités : élevées entre les nœuds d’un même
groupe, et faibles sinon.
3) Pierre-Alex. et Laurent :
Zelnik-Manor L. and Perona P. "Self-Tuning Spectral Clustering", NIPS, pp.
1601-1608, 2005.
Ce papier propose deux extensions indépendantes de l’algorithme de Ng
précédemment présenté : d’abord un contournement de l’estimation du paramètre
sigma du noyau gaussien appliqué à la matrice de similarité, au moyen d’une
normalisation des distances par une distance de voisinage de type k-ppv, calculée
par point ; ensuite, une technique permettant d’estimer a posteriori le nombre de
classes.
4) Emilie et Jean-Luc :
Sanguinetti G., Laidler J. and Neil L. “Automatic determination of the number
of clusters using spectral algorithms” In IEEE Machine Learning for Signal
Processing 2005, 28-30 Sept 2005, Mystic, Connecticut, USA.
Comme le précédent, ce papier propose une extension de l’algorithme de Ng
destinée à estimer a posteriori le nombre de classes. L’approche est relativement
similaire : itérative, elle incrémente progressivement le nombre de classe supposé, et
cherche à détecter la présence d’une (ou plusieurs) classe supplémentaire en
supprimant l’étape de normalisation du nuage de points transformés (pas de
projection sur la sphère).
5) Denis et Nicolas :
Weiss Y. "Segmentation using eigenvectors: a unifying view". Proceedings
IEEE international Conference on Computer Vision p. 975-982, 1999.
Le papier présente plusieurs techniques de classification spectrale antérieures à
celle proposée par Ng (en particulier, elles procèdent par bi-partitionnements
successifs plutôt que par partitionnement global, qui n’a émergé, plutôt
avantageusement, que plus tard).
C’est une première application de la classification spectrale à la segmentation : la
matrice de similarité est obtenue en combinant deux types d’information, la proximité
de position des pixels, et leur similarité sur les niveaux de gris.
6) Jacques et Philippe :
Shi. J. and J. Malik. "Normalized cuts and image segmentation". IEEE Trans.
Pattern Analysis and Machine Intelligence, 22(8):888–905, August 2000.
Le papier présente le bi-partitionnement de la classification spectrale du point de vue
originel des graphes, puis propose une interprétation physique particulièrement
intéressante, basée sur des masses interconnectées par des ressorts, dont les
« coupes idéales » correspondraient aux masses subissant les mêmes mouvements
d’ensemble. Le bi-partionnement est jugé pertinent, car adapté à une classification
hiérarchique analogue à la vision humaine.