Extraction statistique de descripteurs significatifs pour les formes d'objets
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 nombreux éléments différents dans leur monde en fonction de la présence ou de l'absence de caractéristiques clés, qu'ils doivent également apprendre à reconnaître. Apprendre aux ordinateurs à classer les objets selon leur forme, ou à mesurer la forme pour établir une corrélation avec l'histoire ou les performances, est une tâche classiquement difficile. C'est important en criminalistique, en sciences naturelles, en ingénierie, et même pour des tâches « simples » comme la reconnaissance optique de caractères pour la lecture de textes imprimés. Elle peut viser à identifier une classe d'objets, un individu spécifique ou une marque distinctive. Il existe un large éventail d'outils de mesure mathématiques permettant de caractériser certains aspects de la forme, notamment les rapports sans dimension, les coefficients de Fourier ou d'ondelettes, les moments invariants, etc. Mais déterminer lequel de ces outils est le plus approprié ou utile dans un cas donné nécessite généralement la collecte d'un ensemble de données d'apprentissage et leur exploration statistique. Diverses applications spécifiques, notamment celles portant sur des objets naturels et artificiels, sont utilisées pour illustrer ce processus, à l'aide de l'analyse discriminante et des réseaux neuronaux.
