Maxime Sangnier – M. Sangnier (CEA-LITIS) : Apprentissage statistique pour la reconnaissance de signaux : optimisation de représentations temps-fréquences.

Carte non disponible

Date/heure
Date(s) - 11 juillet 2014

Catégories Pas de Catégories


Apprentissage statistique pour la reconnaissance de signaux : optimisation de représentations temps-fréquences.\n\nBy Maxime Sangnier, CEA-LITIS\n\nAbstract : \nNous nous intéressons au problème d’apprentissage de descripteurs temps-fréquence pour la classification de signaux. Plus particulièrement, la présentation mettra en lumière une approche dirigée par les données pour la création automatique d’un banc de filtres dont les représentations temps-fréquence sont ensuite agrégées pour fournir des caractéristiques invariantes aux translations temporelles. Pour ce faire, notre approche est formalisée comme l’apprentissage des filtres constituant un banc, conjointement avec une machine à vecteurs supports (SVM). Il est montré que, dans un cas restreint mais cohérent pour prévenir le sur-apprentissage, le problème d’apprentissage d’un banc de filtres se réduit à celui consistant à inférer les poids d’une combinaison non-nécessairement linéaire et potentiellement infinie de noyaux SVM. Pour résoudre ce problème, nous étendons l’état de l’art sur l’apprentissage de noyaux multiples en proposant un algorithme d’ensembles actifs adapté à une telle combinaison de noyaux. Nous montrons aussi que le cadre mis en place permet d’apprendre une certaine forme de fonctions d’agrégation, et par là l’invariance en translation des caractéristiques de classification. Quelques expériences numériques sur un jeu de données d’interface cerveaux-machine et sur un problème de reconnaissance de scènes environnementales appuient l’intérêt de l’approche présentée.[