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