Classification des S{é}ries Temporelles Incertaines par Transformation Shapelet (original) (raw)

Classification automatique de donn\'ees temporelles en classes ordonn\'ees

Cet article propose une méthode de classification automatique de données temporelles en classes ordonnées. Elle se base sur les modèles de mélange et sur un processus latent discret, qui permet d'activer successivement les classes. La classification peut s'effectuer en maximisant la vraisemblance via l'algorithme EM ou en optimisant simultanément les paramètres et la partition par l'algorithme CEM. Ces deux algorithmes peuventêtre vus comme des alternativesà l'algorithme de Fisher, qui permettent d'améliorer son temps de calcul.

Comparaison et Partitionnement de Séries Temporelles Basés sur la Forme des Séries

2019

Dans ce travail, nous nous intéressons à la classification non supervisée de séries temporelles. La méthode de partitionnement utilisée, dérivée des centres mobiles, s'appuie sur la forme des séries pour évaluer leurs ressemblances. Afin de comparer ces formes, nous proposons deux mesures de ressemblance entre séries temporelles invariantes par translation et par changement d'échelle. La première mesure est une adaptation de la mesure cosine pour laquelle l'alignement temporel optimal entre deux séries est obtenu en testant toutes les translations d'une série par rapport à l'autre. La seconde mesure est une version soft de la première : le calcul du min sur les différents alignements est effectué grâce à la fonction softmin.

Composants avec Propriétés Temporelles

Cet article propose une approche pour le développement d'applications mettant en avant le support de propriétés temporelles pour les composants logiciels. Notre processus s'adresse aux développeurs qui (1) construisent des applications à partir de composants avec des contraintes de temps et de performance et/ou (2) con{\c c}oivent des composants logiciels pour ce type d'applications. A partir des spécifications temporelles de l'application, le processus vérifie l'assemblage des composants et génère un connecteur en Giotto préservant les pro- priétés temporelles.

Classification d’Images Satellitaires par Transformée en Ondelettes et Réseau Neuronale

L'objectif de cet article est de développer une technique de segmentation automatique des images satellites en régions en respectant la notion de textures de ces dernières. Cette technique est basée sur l'application de la transformée en ondelettes pour extraire les vecteurs caractéristiques de ces régions et un réseau de neurone de type PMC pour les classifier. Cette technique a été testée sur des images extraites à partir de Google Earth v 4.0. Les résultats obtenus montrent l'efficacité de l'approche proposée.

Super Résolution Temporelle de Formes Multi-Vues

2017

Nous considerons le probleme de super resolution temporelle de formes, par l'utilisation de multiples observations d'un meme modele deforme. Sans pertes de generalite, nous nous concentrons plus particulierement au scenario multi-camera moyenne echelle, c'est a dire des scenes dynamiques, pouvant contenir plusieurs sujets. Ce contexte favorise l'utilisation de cameras couleur, mais necessite une methode de reconstruction robuste aux inconsistances photometriques. Dans ce but, nous proposons une nouvelle approche, specialement dediee a ce contexte moyenne echelle, utilisant des descripteurs et des schemas de votes adaptes. Cette methode est etendue a la dimension temporelle de maniere a ameliorer les reconstructions a chaque instant, en exploitant la redondance des informations dans le temps. Pour cela, les informations photometriques fiables sont accumulees dans le temps a l'aide de champs de deformations combines a une strategie de croissance de region. Nous dem...