Discussion :

[M.Max]

Bonjour à tous,

Je vous expose mon problème :
Je désire reconnaître un objet dans une série de points. Dans le cas où l'objet en question est toujours identique, c'est pas difficile... Ceci dit, mon objet peut-être amené à varier quelque peu. Le nombre de points ne peut pas changer mais leurs coordonnées relatives oui.
Une image vaut mieux qu'une série d'explications hasardeuses : vous trouverez ci-joint l'exemple d'une série où il y a un objet composé de 7 points qui est identifié deux fois en bleu (ils sont similaires mais pas strictement identiques) et il y a un troisième en rouge qui pourrait être identifié comme tel mais ne doit pas l'être.

Trois étapes :

- La première est de formaliser, définir les caractéristiques de mon objet, ce qui va me permettre de remplir ma base d'apprentissage.
- La deuxième est de définir manuellement dans quelle classe appartient les objets de la base (1 = objet / 0 = autre).
- La troisième est d'utiliser un algo d'apprentissage supervisé.

Le deuxième et le troisième point sont OK mais je bloque sur la première étape : j'ai essayé vainement...

Comment feriez-vous pour caractériser un objet dans une série de points ?
Merci pour vos lumières !

[ToTo13]

Bonjour,

oulala...
Je n'ai jamais travaillé en 1D, mais essayons.

J'espère que tes objets réels auront un peu plus de points, car sinon tous les descripteurs statistiques ne seront pas fiables.

Sinon je commencerai par les descripteurs classiques :
- moyenne
- variances et/ou écart type
- surface de la boite englobante
- histogramme
- gradient
- etc.

Une fois que tu auras identifié quels sont les objets qui sont mal classés, tu pourras adapter d'autre caractéristiques spécifiques.

[M.Max]

Salut Toto13,
et désolé du temps de réponse

Je recommence à bosser là dessus. Je n'ai pas les patterns définitifs mais à priori ceux-ci n'auront pas plus de 6 pts !

J'ai commencé à me faire un point sur la littérature et quelques tests.
N'ayant jamais utilisé les descripteurs de Fourier je me suis amusé à les tester, c'est cool mais ça ne donne evidement aucun résultat avec si peu de points.

Tu ne cites pas les moments invariants (Zernike, Hu,..) : d'après ton xp cela ne donnera rien ?

Merci !

Edit : en fait le signal est en 2D, la distance (abcisse) entre chaque point peut varier.

[pseudocode]

Etant donné que tes formes sont ici des lignes brisées, on peut utiliser les chaines de Freeman ou le PGH (Pairwise Geometric Histogram).

Mais bon, avec 6 points, je ferai directement une représentation bitmap de la forme. Ca devrait être gérable sans trop de problèmes.

[ToTo13]

Bonjour,

avec seulement 6 points , je me contenterai d'utiliser les K Plus Proches Voisins où les coordonnées des points sont les caractéristiques de ton objet...

[M.Max]

Bonjour,

avec seulement 6 points , je me contenterai d'utiliser les K Plus Proches Voisins où les coordonnées des points sont les caractéristiques de ton objet...

Cette idée m'intéresse beaucoup.

Je vais normaliser chaque séquence de 6 points dans un plan puis essayer d'utiliser les knn. Je poste les résultats dès que possible.

Merci du brainstorming !

[ToTo13]

Bonjour,

j'ai peut être été un peu rapide en disant de prendre les coordonnées des points. Elles risquent de bouger et du coup cela ne servira à rien.
Dans ces cas, il vaut mieux prendre les distances entres les points, ou les angles formés par le contour (un peu comme les chaînes de Freeman proposée par PseudoCode).

[M.Max]

Bonjour,

j'ai peut être été un peu rapide en disant de prendre les coordonnées des points. Elles risquent de bouger et du coup cela ne servira à rien.

C'est pour cela que j'ai parlé de normalisation au dessus !

Dans ces cas, il vaut mieux prendre les distances entres les points, ou les angles formés par le contour (un peu comme les chaînes de Freeman proposée par PseudoCode).

Donc considérer comme attributs les variables telles que les distances et les angles : mais toujours avec les knn ?
En partant dans cette direction, les SVM ne seraient-ils plus robuste ?

[ToTo13]

Désolé pour la réponse un peu tardive...

Donc considérer comme attributs les variables telles que les distances et les angles : mais toujours avec les knn ?
En partant dans cette direction, les SVM ne seraient-ils plus robuste ?

Pourquoi pas les SVM ? En fait pourquoi pas tout autre méthode de classement ? C'est toujours la même question... "quelle est la méthode de classement la mieux adaptée au problème ?".

Les kNN sont très puissants, facile à tester et ne nécessitent pas d'apprentissage, ce qui peut mieux convenir si tu as peux d'individus. De plus, dans ton cas il me semble que tu souhaites rapprocher un objet par rapport à des familles existantes (ou je me trompe) ? Dans ce cas les kNN s'en sortent très bien avec des problèmes multi-classes.

Maintenant, si tu mets tes données sous forme de fichiers tabulés, tu peux utiliser des librairies comme weka pour tester tout les algorithmes possibles.

[M.Max]

Pourquoi pas les SVM ? En fait pourquoi pas tout autre méthode de classement ? C'est toujours la même question... "quelle est la méthode de classement la mieux adaptée au problème ?".

Les kNN sont très puissants, facile à tester et ne nécessitent pas d'apprentissage, ce qui peut mieux convenir si tu as peux d'individus. De plus, dans ton cas il me semble que tu souhaites rapprocher un objet par rapport à des familles existantes (ou je me trompe) ? Dans ce cas les kNN s'en sortent très bien avec des problèmes multi-classes.

Maintenant, si tu mets tes données sous forme de fichiers tabulés, tu peux utiliser des librairies comme weka pour tester tout les algorithmes possibles.

C'est ce que j'ai fait ce w-e ! Ceci dit je m'étais constitué une première base de test de 180 observations ce qui se révèle bien insuffisant, je travaille sur une nouvelle base de 400 observations pour voir si je peux en tirer quelque chose.
Je n'avais jamais utilisé weka, toujours SAS ou R, mais alors là je suis pas déçu du voyage, excellente bibliothèque !

Je reconstitue ma base, je test les caractéristiques distances & angles et je post les résultats.

Merci !