Chacune des m´ethodes de segmentation a son propre concept de travail. Elle pro- duit, g´en´eralement, une image segment´ee qui est diff´erente aux images segment´ees par les autres m´ethodes. Ainsi, le probl`eme de combinaison des r´esultats de diff´erentes m´ethodes de segmentation se pose d`es qu’on se trouve dans un contexte de seg- mentation collaborative visant `a obtenir une image segment´ee finale combinant ces diff´erents r´esultats. Plusieurs travaux ont ´et´e ´elabor´es dans le contexte de combinaison des r´esultats de la segmentation, parmi lesquels nous citons : [120] [97].
Forestier [64] distingue trois familles de m´ethodes de combinaison de diff´erents r´esultats de la segmentation collaborative : par ensemble (bas´ee sur une fonction de consensus), multiobjective et floue. Le but des m´ethodes par ensemble est de produire une unique segmentation `a partir d’un ensemble de plusieurs segmentation donn´e. Les m´ethodes par ensemble tentent `a am´eliorer la qualit´e des r´esultats en r´eduisant le biais induit par chaque m´ethode, et donc d’am´eliorer la qualit´e du r´esultat final. Elles s’int´eressent prin- cipalement `a : 1) cr´eer des r´esultats de l’ensemble (diff´erents algorithmes, diff´erentes initialisations, etc.) et 2) d´efinir une fonction permettant de trouver la partition consen- suelle finale. Pour les m´ethodes bas´ees sur les fonctions de consensus, Ghaemi et al. [68] distingue essentiellement : le vote, fonction bas´ee sur la co-association, fonction bas´ee sur l’information mutuelle, fonction bas´ee sur les graphes et le mod`ele du m´elange fini. Pour la famille des m´ethodes multiobjectives, le but est d’optimiser simultan´ement plusieurs crit`eres de segmentation. Ceci revient `a mieux saisir la notion de cluster en d´efinissant explicitement diff´erentes fonctions objectives. Ces m´ethodes permettent de produire un ensemble de solutions qui sont des compromis de diff´erents objectifs uti- lis´es.
La troisi`eme famille de m´ethodes de combinaison est bas´ee sur la notion de floue. Dans ces m´ethodes, les sous-ensembles d’objets sont trait´es dans le but de trouver une struc- ture commune en accord avec toutes les m´ethodes de segmentation.
En conclusion, nous pouvons dire que les m´ethodes de segmentation par ensemble ne s’int´eressent qu’`a la cr´eation du r´esultat consensuel final et n´egligent l’´etape de la g´en´eration des r´esultats initiaux. Ces m´ethodes introduisent un nouveau biais, relatif `
a la fonction objective choisie pour combiner les diff´erents r´esultats. D’autant plus, pour obtenir des r´esultats pertinents il faut g´en´erer de nombreuses partitions. Ces probl`emes sont partag´es avec les m´ethodes multiobjectives. Ces m´ethodes g´en`erent de tr`es nombreuses solutions pour s’assurer de trouver des r´esultats pertinents. De plus, les m´ethodes multiobjectives exigent l’intervention de l’expert pour le choix du r´esultat final de fait qu’elles g´en`erent des r´esultats h´et´erog`enes. Pour les m´ethodes floues, elles offrent des fondements th´eoriques solides, mais ces m´ethodes ne proposent pas de solu- tion `a de nombreux probl`emes (nombre de clusters diff´erents, correspondance entre les
Conclusion
clusters, passage `a l’´echelle, etc.) [64].
A.6
Conclusion
La segmentation d’images est une tˆache ayant pour but de trouver des clusters au sein d’une image. Dans cette annexe, nous avons expos´e les familles de m´ethodes de segmentation. Ensuite, nous avons pr´esent´e les probl`emes li´es `a la segmentation. En- fin, nous avons ´etudi´e les m´ethodes de combinaison des r´esultats issus de l’application de plusieurs m´ethodes de segmentation. En effet, l’objectif de la combinasion est de tirer parti des informations fournies par diff´erents m´ethodes pour am´eliorer la qualit´e de l’image segment´ee finale. L’´etude des diff´erentes propositions existantes pour com- biner plusieurs r´esultats de segmentation nous a permis de d´egager les probl`emes qui accompagnent chaque famille de m´ethodes.
B
Mesures d’int´erˆet
SommaireB.1 Introduction . . . 117
B.2 Mesure d’int´erˆet . . . 118
B.2.1 Les crit`eres de choix de mesures d’int´erˆets . . . 118
B.2.2 Classification des mesures d’int´erˆets . . . 120
B.2.2.1 Mesures d’int´erˆets objectives . . . 120
B.2.2.2 Mesures d’int´erˆets subjectives . . . 122
B.3 Etude comparative des mesures d’int´erˆets . . . 123
B.4 Conclusion . . . 124
B.1
Introduction
Les mesures d’int´erˆet jouent un rˆole important dans la fouille de donn´ees. Ces me- sures sont destin´ees `a la s´election et le classement des mod`eles en fonction de leurs int´erˆets potentiels pour l’utilisateur. Un mod`ele est dit int´eressant s’il est une source de forte attention de la part des utilisateurs. En effet, un utilisateur peut trouver un mod`ele int´eressant pour des diverses raisons. Pour d’autres utilisateurs, ce mˆeme mod`ele n’est pas int´eressant.
Dans la litt´erature, il existe plusieurs mesures d’int´erˆet. Ces mesures peuvent se classi- fier g´en´eralement `a des mesures objectives ou subjectives. Elles peuvent ˆetre appliqu´ees pour divers types de mod`eles afin d’analyser leurs propri´et´es th´eoriques, les ´evaluer de mani`ere empirique et de sugg´erer des strat´egies pour s´electionner les mesures appro- pri´ees pour des domaines particuliers et des exigences diff´erentes.
Cependant, la capture de toutes les fonctionnalit´es de l’int´erˆet d’un mod`ele dans un seul coup pour une seule mesure est tr`es difficile. Ainsi, le choix d’une bonne mesure demeure un d´efit majeur pour la communaut´e de fouille de donn´ees.
Dans la litt´erature, plusieurs crit`eres ont ´et´e propos´es pour identifier une bonne me- sure. Dans la pr´esente annexe, nous commen¸cons par pr´esenter les mesures d’int´erˆets. Ensuite, nous exposons une ´etude comparative de quelques mesures d’int´erˆet.
Mesure d’int´erˆet
Figure B.1 — Position de la mesure d’int´erˆet dans le processus ECBD.