| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Weakly supervised learning and classification, application to fisheries acoustics
|
| dc:subject
| - Thèses et écrits académiques
- Classification automatique
|
| preferred label
| - Apprentissage et classification faiblement supervisée, application en acoustique halieutique
|
| Language
| |
| Subject
| |
| dc:title
| - Apprentissage et classification faiblement supervisée, application en acoustique halieutique
|
| Degree granting institution
| |
| note
| - This thesis deals with object classification and weakly supervised learning. An application to fisheries acoustics is considered. In weakly supervised learning, the training dataset is weakly annotated, i.e. the class knowledge is given by prior. Formally, each training object is associated with vector that provides the prior for each class. In this context, we investigate generative model, discriminative model and a model based on random forest. Furthermore, an iterative procedure is proposed for modifying uncertain priors from low value to more certain value. Experiments are carried out to evaluate classification models as regards to prior complexity. In order to control the prior complexity, weakly supervised dataset are generated from supervised dataset. In fisheries acoustics, fish schools in images are classified, the objective being to study an ecosystem or to assess fish stock biomass. Fish species identification is carried out by trawl catches that provide species prior in a given area. In this context, the new multibeam echosunder provides 3D images. These images are richer and more informative than 2D monobeam echosounder. Firstly, we propose a new global descriptor for characterizing fish school images. The descriptor models both the spatial distribution of fish schools in images and the type of fish schools. Secondly, we propose to apply weakly supervised training schemes to assess fish school biomass in the Bay of Biscay.
- Cette thèse traite de la classification automatique d'objets dans un cadre d'apprentissage faiblement supervisé. Une application à l'acoustique halieutique est considérée. En classification faiblement supervisée, la connaissance des labels des données d'apprentissage est une connaissance a priori. De manière formelle, chaque objet d'apprentissage est associé à un vecteur dont les composantes donnent les probabilités de classification a priori de l'objet dans chaque classe. Dans ce contexte, nous proposons un modèle génératif, un modèle discriminant, et un modèle basé sur les forêts aléatoires. En outre, un processus itératif est proposé pour modifier les données d'apprentissage afin que des a priori faibles tendent vers des a priori plus certains. Nous fournissons une évaluation quantitative des contributions méthodologiques proposées en fonction de la complexité des situations d'apprentissage faiblement supervisé pour différents jeux de données. Les sondeurs acoustiques sont des outils d'observation in situ des écosystèmes pélagiques (couches de planctons, bancs de poissons, etc). L'analyse et la caractérisation des images acoustiques permettent l'étude des écosystèmes et la préservation des espèces. Dans ce contexte, le nouveau sondeur multifaisceaux donne une vision 3D de la colonne d'eau et une résolution accrue de l'observation des agrégations. Premièrement, nous proposons un nouveau descripteur global des images qui modélise la distribution spatiale des agrégations. Deuxièmement, nous proposons d'appliquer les méthodes de classification faiblement supervisée au cas de l'évaluation de la biomasse des espèces.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
