Extraction statistique de descripteurs significatifs pour les formes d'objet
John C. Russ, PhD, professeur, Université d'État de Caroline du Nord
F. Brent Neal, PhD, chercheur scientifique, Milliken & Company
La forme est un concept insaisissable. Les humains reconnaissent de nombreuses choses différentes dans leur monde basées sur la présence ou l'absence de caractéristiques clés, qu'ils doivent également apprendre à reconnaître. Apprendre aux ordinateurs à classer les objets en fonction de leur forme ou à mesurer leur forme pour établir une corrélation avec l'historique ou les performances est une tâche classique. C'est important en criminalistique, en sciences naturelles, en génie et même dans des tâches "simples" telles que la reconnaissance optique de caractères pour la lecture de textes imprimés. Il peut s'agir d'identifier une classe d'objets, un individu spécifique ou une marque distinctive. Il existe une vaste gamme d’outils de mesure mathématiques capables de caractériser certains aspects de la forme, notamment les rapports sans dimension, les coefficients de Fourier ou d’ondelettes, les moments invariants, etc. Mais pour déterminer laquelle de ces options est la plus appropriée ou la plus utile dans un cas donné, il est généralement nécessaire de collecter un ensemble de données de formation et de l'explorer de manière statistique. Diverses applications spécifiques, y compris des objets naturels et artificiels, sont utilisées pour illustrer le processus, en utilisant l'analyse discriminante et les réseaux neuronaux.
