Accéder directement au contenu Accéder directement à la navigation
Communication dans un congrès

Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées

Résumé : Ce papier propose une nouvelle approche ajustant les réseaux de neurones convolutifs appliqués sur des jeux de données déséquilibrés dont les proportions par classes sont incertaines. La règle de décision constitutant la sortie du réseau de neurones est remplacée par le classifieur Minimax dont la particularité est de chercher à égaliser les risques conditionnels. De ce fait, le réseau de neurones devient robuste au déséquilibre des bases de données ainsi qu’au changement de probabilités a priori. Des expériences numériques sur des images médicales mettent en évidence la pertinence de notre approche quand il est nécessaire de classifier correctement les classes les moins représentées. Les résultats obtenus sur la base de données CIFAR100 démontre l’extensibilité de notre méthode en présence d’un grand nombre de classes.
Type de document :
Communication dans un congrès
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-03339661
Contributeur : Ccsd Sciencesconf.Org Connectez-vous pour contacter le contributeur
Soumis le : jeudi 9 septembre 2021 - 15:41:07
Dernière modification le : jeudi 21 octobre 2021 - 17:58:02

Fichier

ORASIS.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-03339661, version 1

Collections

Citation

Marie Guyomard, Cyprien Gilet, Susana Barbosa, Lionel Fillatre. Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339661⟩

Partager

Métriques

Consultations de la notice

39

Téléchargements de fichiers

36