Apprentissage actif en-ligne d'un classifieur évolutif, application à la reconnaissance de commandes gestuelles

Résumé : L'utilisation de commandes gestuelles est une nouvelle méthode d'interaction sur interface tactile. Une bonne méthode pour faciliter la mémorisation de ces commandes gestuelles est de laisser l'utilisateur les personnaliser. Ce contexte applicatif induit une situation d'apprentissage croisé, où l'utilisateur doit mémoriser le jeu de symboles elle système doit apprendre à reconnaître les différents symboles. Cela implique un certain nombre de contraintes, à la fois sur le système de reconnaissance de symboles ct sur le système de supervision de son apprentissage. Il faut par exemple que le classifieur puisse apprendre à partir de peu de données, continuer à apprendre pendant son utilisation et suivre toute évolution des données indéfiniment. Le superviseur doit quant à lui optimiser la coopération entre l'utilisateur et le système de reconnaissance pour minimiser les interactions tout en maximisant l'apprentissage. Cette thèse présente d'une part, le système d'apprentissage évolutif Evolve oo, capable d'apprendre rapidement il partir de peu de données et de suivre les changements de concepts. D'autre part, elle introduit le superviseur actif en-ligne lntuiSup qui permet d'optimiser la coopération entre le système et l'utilisateur, lors de l'utilisation de commandes gestuelles personnalisées notamment Evolve oo est un système d'inférence floue, capable d'apprendre rapidement grâce aux capacités génératrices des prémisses des règles, tout en permettant d'obtenir une précision élevée grâce aux capacités discriminantes des conclusions d'ordre un. L'intégration d'oubli dans le processus d'apprentissage permet de maintenir le gain de l'apprentissage indéfiniment, permettant ainsi l'ajout de classes à n'importe quel moment de l'utilisation du système ct garantissant son évolutivité « à vie». Le superviseur actif en-ligne lntuiSup permet d'optimiser les interactions avec l'utilisateur pour entraîner un système d'apprentissage lorsque l'utilisateur est dans la boucle. Il permet de faire évoluer la proportion de données que l'utilisateur doit étiqueter en fonction de la difficulté du problème et de l'évolution de l'environnement (changements de concepts). L'utilisation d'une méthode de« dopage» de l'apprentissage permet d'optimiser la répartition de ces interactions avec l'utilisateur pour maximiser leur impact sur l'apprentissage.
Type de document :
Thèse
Intelligence artificielle [cs.AI]. INSA de Rennes, 2016. Français. 〈NNT : 2016ISAR0019〉
Liste complète des métadonnées

Littérature citée [194 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01730548
Contributeur : Abes Star <>
Soumis le : mardi 13 mars 2018 - 13:05:07
Dernière modification le : mercredi 16 mai 2018 - 11:23:35
Document(s) archivé(s) le : jeudi 14 juin 2018 - 14:05:24

Fichier

These_2016ISAR0019_BOUILLON_Ma...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01730548, version 1

Citation

Manuel Bouillon. Apprentissage actif en-ligne d'un classifieur évolutif, application à la reconnaissance de commandes gestuelles. Intelligence artificielle [cs.AI]. INSA de Rennes, 2016. Français. 〈NNT : 2016ISAR0019〉. 〈tel-01730548〉

Partager

Métriques

Consultations de la notice

255

Téléchargements de fichiers

235