Les méthodes évidentielles d' étalonnage de classifieurs binaires apportent une amélioration par rapport aux méthodes probabilistes, en représentant explicitement l'incertitude d'étalonnage induite par la quantité de données (étiquetées) d'apprentissage. Cette incertitude justifiée mais indésirable peut être réduite en ajoutant des données d'apprentissage, qui sont généralement coûteuses. D'où la nécessité de stratégies qui, étant donné un réservoir de données non étiquetées, sélectionneront des données intéressantes à étiqueter, c'est-à-dire celles induisant une baisse d'incertitude supérieure à la sélection aléatoire. Deux stratégies de ce type, inspirées de l'échantillonnage par incertitude en apprentissage actif, sont considérées dans cet article et appliquées à un ensemble de classifieurs SVM sur des jeux de données de classification binaire classiques. Les résultats expérimentaux montrent l'intérêt de l'approche vis-à-vis de la réduction de l'incertitude d'étalonnage, mais aussi vis-à-vis de l'amélioration des performances de classification.
Dans cet article, on s'intéresse au problème de poursuite et de classification simultanées de plusieurs cibles. Ce travail est à rapprocher de celui de Smets et Ristic. L'article est préliminaire et fédère des approches de plusieurs travaux. L'étape de poursuite sera assurée par des filtres de Kalman et d'IMM (Interacting Multiple Model) classiques, seule l'étape de classification est assurée par des fonctions de croyance. Les objets à classer sont invariants dans le temps, et il n'y a donc pas d'étape de détection ou de suppression de cibles. Une comparaison sur un problème de poursuite d'avions permet d'illustrer quelques différences avec l'approche Bayésienne. In this paper, we study the problem of joint tracking and classification of several targets. Targets are considered to be known and sufficiently separated so that they cannot be confused. Our goal is to shed light on the contribution of credal classification over the Bayesian classification. Our job is to track the movement of targets using conventional Kalman filters and IMMs, and compare the performances of credal and Bayesian classification.
Cet article introduit un système basé sur des fonctions de croyance pour l'échange et la gestion d'informations imparfaites portant sur des événements dans la communication inter-véhicules (VANET). Ce modèle est implémenté sous Matlab afin d'être testé. This paper introduces a system using belief functions for exchanging and managing imperfect information about events in vehicular networks (VANET). This model is implemented with Matlab in order to be tested.