Large scale support vector machines algorithms for visual classification (Algorithmes de SVM pour la classification d'images à grande échelle ) Doan, Thanh Nghi - (2013-11-07) / Universite de Rennes 1 Large scale support vector machines algorithms for visual classification Accéder au document :  https://ecm.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Poulet, François Discipline : Informatique Ecole Doctorale : Mathématiques, informatique, signal, électronique et télécommunications Classification : Informatique Mots-clés : Séparateurs à Vaste Marge, apprentissage incrémental et parallèle, descente de gradient stochastique, algorithme de bagging équilibré, classification d’images à grande échelle Indexation automatique  - Thèses et écrits académiques Machines à vecteurs de support  - Thèses et écrits académiques Algorithmes parallèles  - Thèses et écrits académiques

Résumé : Nous présentons deux contributions majeures : 1) une combinaison de plusieurs descripteurs d’images pour la classification à grande échelle, 2) des algorithmes parallèles de SVM pour la classification d’images à grande échelle. Nous proposons aussi un algorithme incrémental et parallèle de classification lorsque les données ne peuvent plus tenir en mémoire vive. Abstract : We have proposed a novel method of combination multiple of different features for image classification. For large scale learning classifiers, we have developed the parallel versions of both state-of-the-art linear and nonlinear SVMs. We have also proposed a novel algorithm to extend stochastic gradient descent SVM for large scale learning. A class of large scale incremental SVM classifiers has been developed in order to perform classification tasks on large datasets with very large number of classes and training data can not fit into memory.