Classification d'objets 3D par extraction de sous-parties discriminantes pour l'étude du sous-sol en prospection pétrolière - Sorbonne Université
Communication Dans Un Congrès Année : 2017

Classification d'objets 3D par extraction de sous-parties discriminantes pour l'étude du sous-sol en prospection pétrolière

Laurent Castanie
  • Fonction : Auteur
  • PersonId : 779027
  • IdRef : 113175590
Bruno Conche
  • Fonction : Auteur
  • PersonId : 1001172

Résumé

In this article, we propose a new approach for 3D object classification, based on the Time Series Shapelets of Lexiang Ye (2009). The main idea is to use discriminants sub-parts for the supervised classification in order to take care of the local nature of pertinent elements. This allows the user to be aware of these sub-parts which have been useful to determine the corresponding class of the object. Final results confirm the interest of random feature selection for pre-selection of attributes in supervised classification.
Dans cet article, nous proposons une nouvelle approche de classification d'objets 3D inspirée des Time Series Shapelets de Lexiang Ye (2009). L'idée est d'utiliser des sous-surfaces discriminantes pour la classification concernée afin de prendre en compte la nature locale des éléments pertinents. Cela permet à l'utilisateur d'avoir connaissance des sous-parties qui ont été utiles pour déterminer l'appartenance d'un objet à une classe. Les résultats obtenus confirment l'intérêt de la sélection aléatoire de caractéristiques candidates pour la pré-sélection d'attributs en classification supervisée.
Fichier principal
Vignette du fichier
F_Meunier_EGC_2017-Grenoble.pdf (327.73 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-01464426 , version 1 (10-02-2017)

Identifiants

  • HAL Id : hal-01464426 , version 1

Citer

François Meunier, Christophe Marsala, Laurent Castanie, Bruno Conche. Classification d'objets 3D par extraction de sous-parties discriminantes pour l'étude du sous-sol en prospection pétrolière. Extraction et Gestion des Connaissances, Jan 2017, Grenoble, France. pp.225-236. ⟨hal-01464426⟩
260 Consultations
159 Téléchargements

Partager

More