Classification par méthodes de mélanges et densité conditionnelle
en collaboration avec S. Cohen, L. Montuelle et E. Derman
Une des techniques les plus classiques de classification non supervisée est basée sur des mélanges de gaussiennes dont les composantes sont associées à des classes. Avec S. Cohen, nous avons proposé une extension de ce modèle permettant de prendre en compte une covariable importante dans les images hyperspectrales, la position. Nous avons proposé un schéma numérique efficace qui nous a permis de tester avec succès notre algorithme sur des jeux de données réels venant de la plateforme IPANEMA du synchrotron Soleil.
L’algorithme précédent repose sur une estimation de densité par sélection de modèles. Nous avons cherché, et réussi, à le justifier théoriquement. Nous avons ainsi donné une nouvelle technique d’estimation de densité conditionnelle par maximum de vraisemblance pénalisé dont on contrôle l’efficacité sous des hypothèses faibles. Durant sa thèse, L. Montuelle a développé une extension à des mélanges de régressions gaussiennes.
Avec E. Derman, nous avons montré comment étendre ces résulats à des mélanges d’histogrammes.