{"id":2559,"date":"2018-08-10T14:39:49","date_gmt":"2018-08-10T14:39:49","guid":{"rendered":"http:\/\/docs.creativegigs.net\/docs\/gullu-wp\/faqs\/how-to-edit-the-theme-footer\/"},"modified":"2025-12-15T15:15:20","modified_gmt":"2025-12-15T15:15:20","slug":"how-to-edit-the-theme-footer","status":"publish","type":"docs","link":"https:\/\/sahelib.atatec-design.com\/index.php\/docs\/gullu-knowledge-base\/faqs\/how-to-edit-the-theme-footer\/","title":{"rendered":"Apprentissage profond de dictionnaires pond\u00e9r\u00e9s et partag\u00e9s par classe pour la classification d&#8217;images"},"content":{"rendered":"\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<h2 class=\"wp-block-heading\">Points forts<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Proposer un apprentissage profond des dictionnaires pond\u00e9r\u00e9s et partag\u00e9s par classe.<\/li>\n\n\n\n<li>Concevoir une contrainte hi\u00e9rarchique prenant en compte la localit\u00e9 pour l&#8217;apprentissage profond de dictionnaires.<\/li>\n\n\n\n<li>Proposer l&#8217;utilisation d&#8217;une fonction d&#8217;activation non lin\u00e9aire pour le codage parcimonieux.<\/li>\n<\/ul>\n<\/blockquote>\n\n\n\n<h2 class=\"wp-block-heading\">Abstrait<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;apprentissage profond de dictionnaires a d\u00e9montr\u00e9 des performances prometteuses dans diverses t\u00e2ches de classification d&#8217;images. Cependant, des images diff\u00e9rentes, contenant des objets diff\u00e9rents, pr\u00e9sentent g\u00e9n\u00e9ralement \u00e0 la fois des caract\u00e9ristiques sp\u00e9cifiques \u00e0 chaque classe et des caract\u00e9ristiques partag\u00e9es entre les classes. La distinction de ces deux types de caract\u00e9ristiques, gr\u00e2ce \u00e0 l&#8217;apprentissage de dictionnaires sp\u00e9cifiques et partag\u00e9s, peut am\u00e9liorer la capacit\u00e9 de discrimination du codage parcimonieux, conduisant \u00e0 des performances de classification encore meilleures. Ce domaine de recherche, bien qu&#8217;actif, reste peu explor\u00e9. Dans cet article, nous proposons l&#8217;apprentissage profond de dictionnaires pond\u00e9r\u00e9s et partag\u00e9s (DCWSDL), qui combine les avantages de l&#8217;apprentissage profond de dictionnaires, de l&#8217;apprentissage de dictionnaires partag\u00e9s et de la g\u00e9om\u00e9trie des donn\u00e9es. Notre m\u00e9thode DCWSDL est capable d&#8217;apprendre, \u00e0 diff\u00e9rents niveaux, des dictionnaires contenant des caract\u00e9ristiques partag\u00e9es et des dictionnaires contenant des caract\u00e9ristiques sp\u00e9cifiques \u00e0 chaque classe, ce qui lui permet d&#8217;acqu\u00e9rir des dictionnaires plus abstraits. Afin d&#8217;am\u00e9liorer l&#8217;efficacit\u00e9 du codage parcimonieux pour les dictionnaires sp\u00e9cifiques \u00e0 chaque classe, nous adaptons les termes de contrainte de discrimination intra- et inter-classes de Fisher, issus de l&#8217;apprentissage de dictionnaires de discrimination de Fisher, en introduisant des facteurs de pond\u00e9ration bas\u00e9s sur la localit\u00e9 des \u00e9chantillons. Ces contraintes sont appliqu\u00e9es \u00e0 plusieurs couches pour apprendre des repr\u00e9sentations d&#8217;\u00e9chantillons plus discriminantes. Les r\u00e9sultats exp\u00e9rimentaux obtenus \u00e0 partir de plusieurs jeux de donn\u00e9es d&#8217;images de r\u00e9f\u00e9rence ont d\u00e9montr\u00e9 que DCWSDL surpasse les algorithmes de pointe r\u00e9cents que nous avons consid\u00e9r\u00e9s. Le code source est disponible \u00e0 l&#8217;adresse suivante\u00a0:\u00a0<a href=\"https:\/\/github.com\/qinghe-D\/DCWSDL\" target=\"_blank\" rel=\"noreferrer noopener\">https:\/\/github.com\/qinghe-D\/DCWSDL<\/a>\u00a0.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Introduction<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La complexit\u00e9 des t\u00e2ches de vision par ordinateur est due \u00e0 de multiples variables, telles que l&#8217;\u00e9clairage, l&#8217;angle de prise de vue, l&#8217;occlusion, les dommages et le degr\u00e9 \u00e9lev\u00e9 d&#8217;incertitude des \u00e9chantillons analys\u00e9s, ce qui explique l&#8217;int\u00e9r\u00eat constant qu&#8217;elles suscitent chez les chercheurs. La compr\u00e9hension des caract\u00e9ristiques essentielles des \u00e9chantillons est cruciale pour que les mod\u00e8les soient performants dans les t\u00e2ches de vision. L&#8217;apprentissage par dictionnaire, en raison de ses bonnes performances, est couramment utilis\u00e9 dans la classification d&#8217;images Chen, Wu, Xu, Kittler, 2023, Meng, Gu, 2024, Tariyal, Majumdar, Singh, Vatsa, 2016, Zheng, Liang, Zhao, Deng, 2024, le diagnostic des d\u00e9fauts Kong, Qin, Han, Wang, Chu, 2022, Lu, Wang, 2021, Wang, Dong, Chen, Hu, Zhu, 2023, Wang, Cao, Liu, Fu, Ding, 2021, classification d&#8217;images hyperspectrales Hajiani, Parhizgar, Keshavarz, 2021, Nie, Xue, Lin, Zhang, Su, 2024, Wang, Ge, Gou, Ou, Yin, Su, 2022, et am\u00e9lioration d&#8217;image et d\u00e9bruitage Sheng, Lv, Wang, Feng, 2022, Sun, Zhang, Sun, Li, Liu, Gao, 2023, Zhang, Liu, 2022. L&#8217;apprentissage profond a \u00e9galement d\u00e9montr\u00e9 des performances exceptionnelles dans le domaine de la vision [Zhang, 2023], et un nombre croissant d&#8217;universitaires sont impatients de d\u00e9couvrir ce qui peut se produire lorsque l&#8217;apprentissage profond et l&#8217;apprentissage de dictionnaire sont combin\u00e9s Bhowmik, Arifuzzaman, Mondal, 2022, Li, Wang, Wang, Kong, Yin, 2023, Singhal, Majumdar, 2020, Zhou, Chen, Zhou, 2023.Les algorithmes d&#8217;apprentissage de dictionnaires existants pour la classification d&#8217;images sont g\u00e9n\u00e9ralement class\u00e9s en deux grandes cat\u00e9gories. La premi\u00e8re comprend les m\u00e9thodes d&#8217;apprentissage de dictionnaires superficiels, qui utilisent un ensemble d&#8217;atomes de base pour obtenir des repr\u00e9sentations parcimonieuses des donn\u00e9es. La classification bas\u00e9e sur la repr\u00e9sentation parcimonieuse (SRC), introduite par Wright, Yang, Ganesh, Sastry et Ma [2008], a \u00e9tabli un cadre fondamental en imposant des contraintes de parcimonie sur le processus d&#8217;encodage des caract\u00e9ristiques. La seconde cat\u00e9gorie englobe l&#8217;apprentissage de dictionnaires profonds. Initi\u00e9 par Tariyal et al. [2016], l&#8217;apprentissage de dictionnaires profonds \u00e9tend les m\u00e9thodes superficielles en employant des dictionnaires hi\u00e9rarchiques et un codage parcimonieux pour apprendre des repr\u00e9sentations de caract\u00e9ristiques de plus en plus discriminantes \u00e0 partir des donn\u00e9es d&#8217;entr\u00e9e.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cependant, les m\u00e9thodes existantes souffrent encore de trois limitations : la confusion entre les caract\u00e9ristiques partag\u00e9es et sp\u00e9cifiques : la plupart des m\u00e9thodes traditionnelles d&#8217;apprentissage de dictionnaires (par exemple, K-SVD Aharon, Elad et Bruckstein, 2006, FDDL Yang, Zhang, Feng et Zhang, 2014) et les mod\u00e8les de dictionnaires profonds existants (par exemple, MDDL Song, Xie, Shi et Dong, 2019, DDLCN Tang, Liu, Xiao et Sebe, 2021, DDDL Gou, Yuan, Yu, Yu et Yi, 2023, M-LCLEDL Zhao, Zhang, Yin et Guo, 2025) ne parviennent pas \u00e0 distinguer explicitement les caract\u00e9ristiques communes entre les cat\u00e9gories (par exemple, des arri\u00e8re-plans similaires), ce qui rend difficile l&#8217;am\u00e9lioration des performances du mod\u00e8le ; Goulot d&#8217;\u00e9tranglement de la repr\u00e9sentation des mod\u00e8les superficiels&nbsp;: Les m\u00e9thodes d&#8217;apprentissage de dictionnaires superficiels int\u00e9grant des mod\u00e8les partag\u00e9s (par exemple, JDL Zhou &amp; Fan, 2014, LSRDL Vu &amp; Monga, 2017) ont obtenu de bons r\u00e9sultats, mais elles sont incapables de capturer les attributs abstraits de haut niveau des \u00e9chantillons, ce qui limite leur capacit\u00e9 \u00e0 mod\u00e9liser des donn\u00e9es complexes&nbsp;; utilisation insuffisante des structures de localit\u00e9&nbsp;: Bien que la localit\u00e9 des donn\u00e9es (par exemple, les relations de proximit\u00e9 des \u00e9chantillons dans l&#8217;espace des caract\u00e9ristiques) ait prouv\u00e9 qu&#8217;elle am\u00e9liore la g\u00e9n\u00e9ralisation, les mod\u00e8les de dictionnaires profonds existants (par exemple, DDDL Gou et al., 2023, M-LCLEDL Zhao et al., 2025) n&#8217;ont pas pleinement int\u00e9gr\u00e9 ces informations pour guider le processus d&#8217;encodage.Pour pallier ces limitations, cet article propose l&#8217;apprentissage profond de dictionnaires pond\u00e9r\u00e9s et partag\u00e9s par classe (DCWSDL). Concr\u00e8tement, pour chaque couche d&#8217;apprentissage de dictionnaires, un ensemble de dictionnaires sp\u00e9cifiques \u00e0 chaque classe est appris simultan\u00e9ment, ainsi qu&#8217;un dictionnaire partag\u00e9. Les dictionnaires sp\u00e9cifiques pr\u00e9servent les caract\u00e9ristiques propres \u00e0 chaque classe, tandis que le dictionnaire partag\u00e9 contient les caract\u00e9ristiques communes \u00e0 toutes les classes. Pour la repr\u00e9sentation des donn\u00e9es d&#8217;entr\u00e9e dans le dictionnaire sp\u00e9cifique \u00e0 chaque classe, nous introduisons un facteur de pond\u00e9ration bas\u00e9 sur la localit\u00e9 de l&#8217;\u00e9chantillon original afin d&#8217;optimiser les coefficients de codage. Dans l&#8217;apprentissage profond de dictionnaires, la repr\u00e9sentation des caract\u00e9ristiques obtenue par la couche pr\u00e9c\u00e9dente apr\u00e8s application de la fonction d&#8217;activation est utilis\u00e9e comme entr\u00e9e de la couche actuelle. Gr\u00e2ce \u00e0 cet apprentissage multicouche, nous pouvons apprendre des dictionnaires plus abstraits et obtenir une repr\u00e9sentation des caract\u00e9ristiques plus discriminante des donn\u00e9es d&#8217;entr\u00e9e, am\u00e9liorant ainsi les performances de classification du mod\u00e8le.Solutions parcimonieuses bas\u00e9es surLes normes &#8211; conduisent g\u00e9n\u00e9ralement \u00e0 des singularit\u00e9s matricielles et \u00e0 des temps de calcul longs, et il a \u00e9t\u00e9 d\u00e9montr\u00e9 dans Zhang, Yang et Feng [2011] que les repr\u00e9sentations collaboratives bas\u00e9es sur la norme &#8230; \u00e0 des singularit\u00e9s matricielles et \u00e0 des temps de calcul longs, et il a \u00e9t\u00e9 d\u00e9montr\u00e9 dans Zhang, Yang et Feng [-norme donne des r\u00e9sultats tr\u00e8s comp\u00e9titifs et est nettement moins complexe quem\u00e9thodes bas\u00e9es sur la norme -norme. Par cons\u00e9quent, dans DCWSDL, nous utilisonsLes termes de r\u00e9gularisation sont bas\u00e9s sur la norme \u03a3, tandis que le dictionnaire partag\u00e9 utilise une contrainte de faible rang, ce qui permet \u00e0 la m\u00e9thode DCWSDL d&#8217;\u00eatre r\u00e9solue efficacement par un simple algorithme d&#8217;optimisation altern\u00e9e. Apr\u00e8s chaque couche d&#8217;apprentissage du dictionnaire, nous ajoutons \u00e9galement une couche de fonction d&#8217;activation pour garantir l&#8217;efficacit\u00e9 du codage parcimonieux. Enfin, la sortie de chaque couche d&#8217;apprentissage du dictionnaire est extraite pour la classification.En r\u00e9sum\u00e9, nos principales contributions sont les suivantes&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>1.Nous proposons une nouvelle m\u00e9thode d&#8217;apprentissage de dictionnaires profonds, appel\u00e9e\u00a0<strong>apprentissage de dictionnaires pond\u00e9r\u00e9s par classe et partag\u00e9s par classe<\/strong>\u00a0(DCWSDL), qui combine les avantages de l&#8217;apprentissage de dictionnaires profonds et de l&#8217;apprentissage de dictionnaires partag\u00e9s afin qu&#8217;elle puisse apprendre simultan\u00e9ment des dictionnaires sp\u00e9cifiques \u00e0 la classe et des dictionnaires partag\u00e9s gr\u00e2ce \u00e0 des architectures profondes.<\/li>\n\n\n\n<li>2.DCWSDL privil\u00e9gie\u00a0<strong>l&#8217;apprentissage de dictionnaires tenant compte de la localit\u00e9<\/strong>\u00a0. Il exploite les informations de localit\u00e9 des donn\u00e9es originales pour guider le codage parcimonieux obtenu \u00e0 partir des donn\u00e9es d&#8217;entr\u00e9e et favoriser simultan\u00e9ment l&#8217;apprentissage du dictionnaire lors du processus d&#8217;optimisation altern\u00e9e. Plus pr\u00e9cis\u00e9ment, lors de l&#8217;apprentissage du codage parcimonieux des donn\u00e9es d&#8217;entr\u00e9e sur des dictionnaires sp\u00e9cifiques \u00e0 chaque classe, le calcul des coefficients de codage prend en compte les informations de localit\u00e9 des donn\u00e9es originales.<\/li>\n\n\n\n<li>3.Au lieu d&#8217;utiliser une fonction d&#8217;activation d&#8217;identit\u00e9 \u00e0 chaque niveau du dictionnaire, nous proposons\u00a0<strong>l&#8217;utilisation d&#8217;une fonction d&#8217;activation non lin\u00e9aire<\/strong>\u00a0(c&#8217;est-\u00e0-dire ReLU) pour garantir l&#8217;efficacit\u00e9 du codage parcimonieux, et de nombreuses exp\u00e9riences sur plusieurs ensembles de donn\u00e9es de r\u00e9f\u00e9rence v\u00e9rifient l&#8217;efficacit\u00e9 de DCWSDL.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Le reste de cet article est organis\u00e9 comme suit. La section 2 pr\u00e9sente les travaux connexes et fournit les notions de base n\u00e9cessaires concernant la repr\u00e9sentation parcimonieuse, l&#8217;apprentissage de dictionnaires discriminants, l&#8217;apprentissage de dictionnaires partag\u00e9s et l&#8217;apprentissage de dictionnaires profonds. La section 3 d\u00e9crit en d\u00e9tail le cadre DCWSDL propos\u00e9, notamment sa motivation, sa fonction objectif, sa strat\u00e9gie d&#8217;optimisation, son algorithme d&#8217;apprentissage et son algorithme de classification. Dans la section 4, nous pr\u00e9sentons et analysons les r\u00e9sultats exp\u00e9rimentaux. Enfin, la section 5 conclut ce travail et ouvre des perspectives.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Apprendre le dictionnaire<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><em>Apprentissage de dictionnaires superficiels&nbsp;:<\/em>&nbsp;L\u2019apprentissage de dictionnaires (DL) repr\u00e9sente les donn\u00e9es de mani\u00e8re parcimonieuse \u00e0 l\u2019aide d\u2019atomes de base. La classification bas\u00e9e sur la repr\u00e9sentation parcimonieuse (SRC) [Wright et al., 2008] a ouvert la voie en introduisant des contraintes de parcimonie pour l\u2019encodage des caract\u00e9ristiques. La K-SVD [Aharon et al., 2006] a am\u00e9lior\u00e9 la pr\u00e9cision de la repr\u00e9sentation en optimisant alternativement le dictionnaire et les codes parcimonieux, tandis que l\u2019apprentissage de dictionnaires discriminants de Fisher (FDDL) [Yang et al., 2014] a int\u00e9gr\u00e9 l\u2019analyse discriminante de Fisher pour am\u00e9liorer<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Apprentissage profond de dictionnaires pond\u00e9r\u00e9s et partag\u00e9s par classe<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cette section, nous pr\u00e9sentons bri\u00e8vement les mod\u00e8les d&#8217;apprentissage profond (DL) \u00e9troitement li\u00e9s \u00e0 cet article. Nous introduisons ensuite un nouveau cadre, appel\u00e9 DCWSDL (Deep Class-Weighted and Class-Shared Dictionary Learning), qui vise \u00e0 apprendre conjointement, gr\u00e2ce \u00e0 des structures profondes, un dictionnaire partag\u00e9 capturant les caract\u00e9ristiques communes et un dictionnaire sp\u00e9cifique \u00e0 chaque classe mettant l&#8217;accent sur ses caract\u00e9ristiques propres. Nous mettons \u00e0 jour alternativement le dictionnaire et les coefficients, et d\u00e9crivons la m\u00e9thode de classification dans la derni\u00e8re section.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Exp\u00e9riences<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cette section, nous comparons notre DCWSDL \u00e0 plusieurs techniques de pointe, notamment la classification bas\u00e9e sur la repr\u00e9sentation parcimonieuse (SRC) [Wright et al., 2008], l&#8217;apprentissage de dictionnaires sp\u00e9cifiques \u00e0 la classe (D-KSVD) [Zhang &amp; Li, 2010], LC-KSVD1 et LC-KSVD2 [Jiang, Lin &amp; Davis, 2013], SLatDPL [Zhang et al., 2021], RBD-DPL [Chen, Wu &amp; Kittler, 2022], FDDL [Yang et al., 2014] et DLSI [Ramirez, Sprechmann &amp; Sapiro, 2010], l&#8217;apprentissage de dictionnaires partag\u00e9s (LRSDL) [Vu &amp; Monga, 2017], ainsi que les dictionnaires profonds.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusion<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dans cet article, nous proposons une nouvelle m\u00e9thode d&#8217;apprentissage de dictionnaires profonds, appel\u00e9e DCWSDL (Deep Class-Weighted and Class-Shared Dictionary Learning), qui combine les avantages de l&#8217;apprentissage de dictionnaires profonds, de l&#8217;apprentissage de dictionnaires partag\u00e9s et de la pr\u00e9servation de la localit\u00e9 des donn\u00e9es dans un cadre unifi\u00e9. DCWSDL distingue les caract\u00e9ristiques sp\u00e9cifiques \u00e0 chaque classe et les caract\u00e9ristiques communes aux \u00e9chantillons gr\u00e2ce \u00e0 un nouvel apprentissage hi\u00e9rarchique et pond\u00e9r\u00e9 des dictionnaires sp\u00e9cifiques et partag\u00e9s aux classes. Concernant l&#8217;apprentissage des dictionnaires sp\u00e9cifiques aux classes,<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">D\u00e9claration de contribution \u00e0 l&#8217;auteur CRediT<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Jianping Gou&nbsp;:<\/strong>&nbsp;Conceptualisation, m\u00e9thodologie, analyse formelle, r\u00e9daction (premi\u00e8re version), supervision, obtention de financement.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Xin He&nbsp;:<\/strong>&nbsp;R\u00e9daction (relecture et corrections), logiciel, validation, analyse formelle, investigation, visualisation.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Lan Du&nbsp;:<\/strong>&nbsp;R\u00e9daction (relecture et corrections), analyse formelle.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Weiyong Zhang&nbsp;:<\/strong>&nbsp;Logiciel, validation, visualisation.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Weihua Ou&nbsp;:<\/strong>&nbsp;Analyse formelle, investigation, obtention de financement.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"sctt0035\">D\u00e9claration de conflit d&#8217;int\u00e9r\u00eats<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Les auteurs d\u00e9clarent n&#8217;avoir aucun conflit d&#8217;int\u00e9r\u00eats financiers ou personnels connu susceptible d&#8217;avoir influenc\u00e9 les travaux pr\u00e9sent\u00e9s dans cet article.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"sctt0036\">Reconnaissance<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Ce travail a \u00e9t\u00e9 financ\u00e9 en partie par&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">la Fondation nationale des sciences naturelles de Chine&nbsp;(subventions n\u00b0&nbsp;62576292&nbsp;et&nbsp;62262005&nbsp;), la Fondation de recherche pour les chercheurs de haut niveau de l&#8217;Universit\u00e9 du Sud-Ouest (subvention n\u00b0 SWU-KR24002), le programme \u00ab&nbsp;Talents innovants de haut niveau&nbsp;\u00bb de la province de Guizhou (n\u00b0 GCC[2023]033), le D\u00e9partement provincial des sciences et technologies de Guizhou (subvention n\u00b0 QKHCG-DXGA[2025]-ZD002), le projet de recherche en sciences naturelles du&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">D\u00e9partement de l&#8217;\u00e9ducation de la province de Guizhou&nbsp;(subvention n\u00b0&nbsp;QJJ[2024]009&nbsp;) et le programme \u00ab&nbsp;High&nbsp;\u00bb<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">R\u00e9f\u00e9rences&nbsp;(53)<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>NR\u00a0Bhowmik\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S259000562100059X\">Analyse des sentiments sur des textes en bengali \u00e0 l&#8217;aide d&#8217;un dictionnaire lexical \u00e9tendu et d&#8217;algorithmes d&#8217;apprentissage profond<\/a>Tableau(2022)<\/li>\n\n\n\n<li>F.\u00a0Hajiani\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0925231221011577\">Classification d&#8217;images hyperspectrales utilisant une repr\u00e9sentation de faible rang r\u00e9gularis\u00e9e par graphes bas\u00e9e sur le clustering et l&#8217;apprentissage de dictionnaires<\/a>Neuroinformatique(2021)<\/li>\n\n\n\n<li>Y.\u00a0Kong\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0003682X22002444\">Approche de classification parcimonieuse am\u00e9lior\u00e9e bas\u00e9e sur l&#8217;apprentissage de dictionnaires avec applications au diagnostic des d\u00e9fauts des roulements plan\u00e9taires<\/a>Acoustique appliqu\u00e9e(2022)<\/li>\n\n\n\n<li>J.\u00a0Lin\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0925231225000621\">Apprentissage de dictionnaire non lin\u00e9aire profond bas\u00e9 sur la machine avec op\u00e9rateur proximal relev\u00e9 et r\u00e9gularisation multicouche<\/a>Neuroinformatique(2025)<\/li>\n\n\n\n<li>Y.\u00a0Lu\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2351978921000846\">Diagnostic des pannes des machines du proc\u00e9d\u00e9 de fabrication par d\u00e9p\u00f4t de filament fondu avec apprentissage de dictionnaire contraint par la physique<\/a>Fabrication Procedia(2021)<\/li>\n\n\n\n<li>J.\u00a0Sheng\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S1051200422003190\">SRNET\u00a0: R\u00e9seau de d\u00e9bruitage d&#8217;images bas\u00e9 sur la repr\u00e9sentation parcimonieuse<\/a>Traitement num\u00e9rique du signal(2022)<\/li>\n\n\n\n<li>V.\u00a0Singhal\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0031320319304637\">Une approche d&#8217;adaptation de domaine pour r\u00e9soudre les probl\u00e8mes inverses en imagerie via l&#8217;apprentissage de dictionnaires profonds coupl\u00e9s<\/a>Reconnaissance de formes(2020)<\/li>\n\n\n\n<li>J.\u00a0Song\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0031320319300822\">Apprentissage de dictionnaires discriminatifs multicouches avec contrainte de localit\u00e9 pour la classification d&#8217;images<\/a>Reconnaissance de formes(2019)<\/li>\n\n\n\n<li>Z.\u00a0Sun\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S092523122301041X\">Apprentissage de dictionnaires convolutionnels profonds multimodaux pour le d\u00e9bruitage d&#8217;images<\/a>Neuroinformatique(2023)<\/li>\n\n\n\n<li>H.\u00a0Wang\u00a0<em>et al.<\/em><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0888327022006653\">Une nouvelle m\u00e9thode d&#8217;apprentissage de dictionnaires, appel\u00e9e apprentissage de dictionnaires profonds et partag\u00e9s, pour le diagnostic de pannes.<\/a>Syst\u00e8mes m\u00e9caniques et traitement du signal(2023<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>Abstrait L&#8217;apprentissage profond de dictionnaires a d\u00e9montr\u00e9 des performances prometteuses dans diverses t\u00e2ches de classification d&#8217;images. Cependant, des images diff\u00e9rentes, contenant des objets diff\u00e9rents, pr\u00e9sentent g\u00e9n\u00e9ralement \u00e0 la fois des caract\u00e9ristiques sp\u00e9cifiques \u00e0 chaque classe et des caract\u00e9ristiques partag\u00e9es entre les classes. La distinction de ces deux types de caract\u00e9ristiques, gr\u00e2ce \u00e0 l&#8217;apprentissage de dictionnaires [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":2027,"menu_order":9,"comment_status":"closed","ping_status":"closed","template":"","doc_tag":[],"class_list":["post-2559","docs","type-docs","status-publish","hentry","no-post-thumbnail"],"acf":[],"_links":{"self":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs"}],"about":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/types\/docs"}],"author":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/comments?post=2559"}],"version-history":[{"count":2,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2559\/revisions"}],"predecessor-version":[{"id":6617,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2559\/revisions\/6617"}],"up":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2027"}],"wp:attachment":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media?parent=2559"}],"wp:term":[{"taxonomy":"doc_tag","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/doc_tag?post=2559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}