Séminaire (organisé par l’équipe de recherche DI)

Yann SOULLARD

Doctorant Heudiasyc en 3ème année


Multivariate time series classification using Markovian Models


Mardi 17 mai 2016 à 10 h en salle GI042

Résumé :

Les modèles markoviens sont des méthodes populairement utilisées en reconnaissance de séquences. En particulier, les modèles de Markov à états cachés (HMMs) sont communément utilisés dans de nombreuses applications comme en reconnaissance de signaux de parole, d’écrits manuscrits ou de gestes. Plus récemment, les champs aléatoires conditionnels à états cachés (HCRFs) sont apparus comme une alternative discriminante aux HMMs. La fiabilité et la robustesse de ces modèles de référence peuvent néanmoins être impactées lorsque la qualité des ensembles de données étudiés fait défaut (faible quantité de données étiquetées, classes déséquilibrées, données bruitées,...). Ces cas de figure se retrouvent pourtant dans de nombreuses applications, notamment lorsqu’une expertise est requise (coût de l’expertise, subjectivité des experts) ou lorsque le système d’acquisition de données manque de fiabilité.

Nous présentons ici trois nouvelles approches, basées sur des modèles markoviens, proposant des solutions à diverses contraintes liées aux données. Nous illustrons ces méthodes à travers deux applications. 1) La reconnaissance de figures chartistes, motifs particuliers apparaissant dans les cours de bourse, pour laquelle nous proposons deux approches : une approche supervisée, utilisant un modèle discriminant (HCRF) tirant partie des capacités de modélisation d’un modèle génératif (HMM) durant l’apprentissage ; une approche semi-supervisée, présentant des similitudes avec les algorithmes de co-apprentissage, où deux systèmes, un HMM et un HCRF, s’entraident mutuellement au cours des itérations d’apprentissage. 2) La reconnaissance de gestes techniques, où les ensembles de données d’apprentissage sont souvent faibles et les classes déséquilibrées. Pour cela, en s’inspirant de travaux récents, nous proposons d’étendre les HMMs standards au cadre des probabilités imprécises en considérant des ensembles convexes de probabilités (pour la vraisemblance et le prior) et en incluant une information a priori sur les classes pouvant être elle-même imprécise.

Seminars


Lundi 6 novembre 2017

Séminaire à 14 h 00 en GI042 (Bâtiment Blaise Pascal de l’UTC) présenté par Cheng-Lin LIU, Professeur et Directeur du laboratoire NLPR à Pékin.
« Research in CASIA, Beijing »


Mardi 20 juin 2017

Séminaire à 14h en GI042 (bâtiment Blaise Pascal), présenté par Patrice Perny, LIP6.
« Décision interactive sur domaine combinatoire par élicitation incrémentale de préférences ».


Jeudi 11 mai 2017

Séminaire à 14h en GI042 (bâtiment Blaise Pascal), présenté par Nicolas Maudet, LIP6 (Equipe SMA).
« Current issues in argumentation ».


Mardi 4 avril 2017

Séminaire à 14 h dans l’amphi du Centre d’Innovation de l’UTC, présenté par Xavier LAGORCE, PhD, Head of Computer Vision, Chronocam.
« Chronocam : Event-based cameras for machine vision »


Pages 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ...




Actualités
Vidéothèque
Téléchargements
Annuaire



FR SHIC 3272

Collegium UTC/CNRS