Horizon / Plein textes La base de ressources documentaires de l'IRD

IRD

Publications des scientifiques de l'IRD

Chahdi Hatim, Grozavu N., Mougenot I., Bennani Y., Berti-Equille Laure. (2016). Génération de contraintes pour le clustering à partir d'une ontologie : application à la classification d'images satellites. In : Hirose A. (ed.), Ozawa S. (ed.), Doya K. (ed.), Ikeda K. (ed.), Lee M. (ed.), Liu D. (ed.) Neural information processing : 23rd international conference, ICONIP 2016, Kyoto, Japan, October 16-21, 2016 : proceedings, part III. Cham : Springer, (9949), 156-164. (Lecture Notes in Computer Science ; 9949). ICONIP : International Conference on Neural Information Processing, 23., Kyoto (JPN), 2016/10/16-21. ISBN 978-3-319-46674-3

Accès réservé (Intranet IRD) Document en accès réservé (Intranet IRD)

Lien direct chez l'éditeur doi:10.1007/978-3-319-46675-0_18

Titre
Génération de contraintes pour le clustering à partir d'une ontologie : application à la classification d'images satellites
Année de publication2016
Type de documentArticle référencé dans le Web of Science WOS:000389805200018
AuteursChahdi Hatim, Grozavu N., Mougenot I., Bennani Y., Berti-Equille Laure.
InHirose A. (ed.), Ozawa S. (ed.), Doya K. (ed.), Ikeda K. (ed.), Lee M. (ed.), Liu D. (ed.) Neural information processing : 23rd international conference, ICONIP 2016, Kyoto, Japan, October 16-21, 2016 : proceedings, part III
SourceCham : Springer, 2016, p. 156-164. (Lecture Notes in Computer Science ; 9949). ISBN 978-3-319-46674-3
ColloqueICONIP : International Conference on Neural Information Processing, 23., Kyoto (JPN), 2016/10/16-21
RésuméIn this paper, we present a new approach combining topological unsupervised learning with ontology based reasoning to achieve both: (i) automatic interpretation of clustering, and (ii) scaling ontology reasoning over large datasets. The interest of such approach holds on the use of expert knowledge to automate cluster labeling and gives them high level semantics that meets the user interest. The proposed approach is based on two steps. The first step performs a topographic unsupervised learning based on the SOM (Self-Organizing Maps) algorithm. The second step integrates expert knowledge in the map using ontology reasoning over the prototypes and provides an automatic interpretation of the clusters. We apply our approach to the real problem of satellite image classification. The experiments highlight the capacity of our approach to obtain a semantically labeled topographic map and the obtained results show very promising performances.
Plan de classementIntelligence artificielle [122INTAR] ; Traitement / Analyse numérique [126TELTRN]
DescripteursINTELLIGENCE ARTIFICIELLE ; TRAITEMENT D'IMAGE ; IMAGE SATELLITE ; CLASSIFICATION ; ONTOLOGIE ; CLUSTERING
LocalisationFonds IRD [F B010072201]
Identifiant IRDfdi:010072201
Lien permanenthttp://www.documentation.ird.fr/hor/fdi:010072201

Export des données

Disponibilité des documents

Télechargment fichier PDF téléchargeable

Lien sur le Web lien chez l'éditeur

Accès réservé en accès réservé

HAL en libre accès sur HAL


Accès aux documents originaux :

Le FDI est labellisé CollEx

Accès direct

Bureau du chercheur

Site de la documentation

Espace intranet IST (accès réservé)

Suivi des publications IRD (accès réservé)

Mentions légales

Services Horizon

Poser une question

Consulter l'aide en ligne

Déposer une publication (accès réservé)

S'abonner au flux RSS

Voir les tableaux chronologiques et thématiques

Centres de documentation

Bondy

Montpellier (centre IRD)

Montpellier (MSE)

Cayenne

Nouméa

Papeete

Abidjan

Dakar

Niamey

Ouagadougou

Tunis

La Paz

Quito