DEA

J’ai présenté mon mémoire de DEA en physique option Géophysique dans la spécialité télédétection et système d’information Géographique. Mon sujet se basait sur la classification des images satellitaires par l’algorithme Séparateur à Vaste Marge (SVM). C’est une méthode non paramétrique qui a été développé par Vladimir Vapnik (Boser et al., 1992). En général il donne de bons résultats par rapports aux algorithmes de classification classique comme MDV (Maximum De Vraisemblance) et k-plus proches voisins (k-ppv).

Pour bien appréhender cette théorie, je vous suggère la bibliographie suivante :

1. B. Boser, I. Guyon, V. Vapnik (1992). A training algorithm for optimal margin classifiers. In Proceedings of the Fifth Annual Workshop of computational learning theory, p. 144-1153.

2. C-C. Chang, C-J. Lin. (2010) Libsvm: A Library for Support Vector Machines (http://www.csie.ntu.edu.tw/~cjlin/libsvm/), 30p.

3. C. Cortes, V. Vapnik. (1995) Support-vector network. Machine Learning 20, p. 273–297.

4. N. Cristianini, J. Shawe-Taylor. (2000) An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press.

5. L-M. He, F-S. Kong, Z-Q. Shen. (2005) Multiclass svm based land cover classification with multisource data. Proceedings of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, 18-21 August 2005. Artificial Intelligence Institute, Zhejiang University, Hangzhou 310027, China. p. 3541-3545.

6. T. Hofmann, B. Schölkopf, J. Smola. (2008) kernel methods in machine learning. Institute of Mathematical Statistics, Darmstadt University of Technology, Max Planck Institute for Biological Cybernetics and National ICT Australia, 53 p.

7. C-W. Hsu, C-C. Chang, C-J. Lin. (2009) A Practical Guide to Support Vector Classication. Department of Computer Science, National Taiwan University. 15 p.

8. C-W. Hsu, C-J. Lin. (2002) A Comparison of Methods for Multiclass Support Vector Machines. IEEE Transactions On Neural Networks, vol. 13, n°. 2, p. 415-425.

9. S. S. Keerthi, S. K. Shevade, C. Bhattacharyya, K. R. K. Murthy. (2001) Improvements to Platt’s SMO Algorithm for SVM Classifier Design. Neural Computation 13, p. 637–649.

10. S. Knert, L. Personnaz, G. Dreyfus. (1990) Single-layer learning revisited: A stepwise procedure for building and training neural network. Neurocomputing: Algorithms, Architectures and Applications, NATO ASI, Berlin: Springer-Verlag.

11. H-T. Lin, C-J. Lin. (2005) A Study on Sigmoid Kernels for SVM and the Training of non PSD Kernels by SMO-type Methods. Department of Computer Science and  Information Engineering National Taiwan University Taipei 106, Taiwan (http://www.csie.ntu.edu.tw/~cjlin/papers/tanh.pdf). 32 p.

12. J. C. Platt (1998). Fast training of support vector machines using sequential minimal optimization. In B. Sch¨olkopf, C. J. C. Burges, and A. J. Smola,

13. V. Vapnik (1995). The Nature of Statistical Learning Theory. New York 7 Springer-Verlag.

14. V. Vapnik, A. Lerner. (1963) Pattern Recognition using Generalized Portrait Method, Automation and Remote Control.

15. V. Vapnik. (1998) Statistical Learning Theory. Wiley-Interscience, New York.

16. O. Zammit. (2008) Détection de zones brûlées après un feu de forêt à partir d’une seule image satellitaire spot 5 par techniques SVM. Thèse de doctorat, Université de Nice - Sophia Antipolis, Nice, 159 p.