N01 Cours Fusion Intro
description
Transcript of N01 Cours Fusion Intro
-
5/28/2018 N01 Cours Fusion Intro
1/85
Fusion de
donnes :
introduction
1
Fusion de donnes
De lutilisation des
mesures de confiance
Olivier COLOT
Ce que les hommes veulent en fait, ce nest
pas la connaissance, cest la certitude.
Bertrand Russel
-
5/28/2018 N01 Cours Fusion Intro
2/85
2
Fusion de
donnes :
introduction
2
Road book
Introduction ( C koi leu problme? , A koi sa sair? )
Prsentation des problmatiques
Imprcision et incertitude
Fusion dinformations imparfaites: mthodes, techniques,
champs dapplication,...
Exemples
Once upon a time the data fusion
-
5/28/2018 N01 Cours Fusion Intro
3/85
3
Fusion de
donnes :
introduction
3
Objectifs
Des lments relatifs la fusion tant sur les aspects mthodes que sur les aspects applications .
Intrt de la fusion de donnes dans de nombreux domaines
-
5/28/2018 N01 Cours Fusion Intro
4/85
4
Fusion de
donnes :
introduction
4
Who is it ?1) Pamela Anderson?
2) George W. Bush?
3) E.T.?
4) The lord of the rings?
Panel dexperts(Plusieurs capteurs)
Comment rsoudre
le problme?
Pamela
E.T.
?
George or
E.T.
DcisionTraitementde linformation
ModlisationAgrgation (Fusion)
Rgle(s)
de dcision
Segmentation, Analyse, RdF
Objectif:Prendre une dcision
DsaccordSources conflictuelles
Petit exemple introductif
-
5/28/2018 N01 Cours Fusion Intro
5/85
5
Fusion de
donnes :
introduction
5
Petit exercice introductif
Petits papiers et bouts de crayon!
-
5/28/2018 N01 Cours Fusion Intro
6/85
6
Fusion de
donnes :
introduction
6
E1Quelle est ma taille en cm :
E2
Quelle est ma taille en cm :
E3Quelle est ma taille en cm :
A partir des informations donnes parE1, E2 et E3, quelle est ma taille en cm :
Petit exercice introductif
-
5/28/2018 N01 Cours Fusion Intro
7/85
7
Fusion de
donnes :
introduction
7
Petit exercice introductif
Informations
Source 4
Source 1 Source 2
Source 3
Information combine:
Synthse de la connaissance
Combinaison (fusion)
-
5/28/2018 N01 Cours Fusion Intro
8/85
8
Fusion de
donnes :
introduction
8
Fusion? Vous avez dit Fusion ?
Souvenez-vous!
110 OR
010 AND
Et a, a ne vous rappelle rien?
n
i
ix
nx
1
1
Et bien dautres exemples encore!
n
i
iix
n
x
1
1 avec 1,0i
Rgle de Bayes
Rseau de neurones
)(
)()()(
HP
EPEHPHEP
-
5/28/2018 N01 Cours Fusion Intro
9/85
9
Fusion de
donnes :
introduction
9
When you use information from one source, its plagiarism; When
you use information from many, its information fusion.
Belur Dasarathy
La fusion dinformations consiste combiner des informations
issues de plusieurs sourcesafin damliorer la prise de dcision
Isabel le Bloch
Fusion? Vous avez dit Fusion ?
-
5/28/2018 N01 Cours Fusion Intro
10/85
10
Fusion de
donnes :
introduction
10
We are drowning in information but starved for knowledge.This level of information is clearly impossible to be handled by present means.
Uncontrolled and unorganized information is no longer a resource in an
information society, instead it becomes the enemy.
John Naisbi t t, in Megatrends, 1982
Pourquoi la fusion?XXImesicle:
Le sicle delinformation
-
5/28/2018 N01 Cours Fusion Intro
11/85
11
Fusion de
donnes :
introduction
11
On dispose d'informations:
de plus en plus riches et complexes,de nature et de fiabilit diffrentes.
Systmes d'information, de communication ou de commande
Aider ou cooprer avec les oprationnels du domaine applicatif
(les utilisateurs) dans le but de dcider.
Systme interactif avec l'utilisateur
Pilotage de certaines parties du systmes
modification des confiances sur l'exhaustivit d'un ensemble
d'hypothses envisages ou en dfinissant en temps rel unquilibre entre diffrents critres de dcision.
Systme doit pouvoir fournir des informations complmentaires
sur les conflits entre sources dinformations par exemple
Pourquoi la fusion?XXImesicle:
Le sicle delinformation
-
5/28/2018 N01 Cours Fusion Intro
12/85
12
Fusion de
donnes :
introduction
12
Accroissement du nombre de sources d'information
dveloppement de nouveaux capteurs (ex : imagerie
mdicale)IRM+angiographie; Scanner+echographie
dveloppements de nouveaux algorithmes
augmentation de la puissance de calcul
Besoin en information de haut niveau
Intgration de l'oprateur humain dans la boucle
Intrt de la fusion
-
5/28/2018 N01 Cours Fusion Intro
13/85
13
Fusion de
donnes :
introduction
13
Combinaison de donnes issues de diffrentes sources, en vue
de rpondre une certaine question (valeur dun paramtre).
Problmatique rcente : e.g.multiplication des capteurs, systmes
dcentraliss,
Domaines dapplications:Fusion multi-capteurs (application militaire, tldtection, etc.)
Systmes dinterrogation de bases de donnes multiples
Combinaison davis dexperts
Difficult du problme : donnes incompltes, incertaines,htrognes, issues de sources de fiabilit inconnue,
ventuellement dpendantes.
Cadres thoriques : probabilits, possibilits, croyances.
Pourquoi la fusion?
-
5/28/2018 N01 Cours Fusion Intro
14/85
14
Fusion de
donnes :
introduction
14
Systme autonome
Systmerel
dcision
capteurs commande
oprateur
landonnesnumriques
Interaction systme-oprateur
-
5/28/2018 N01 Cours Fusion Intro
15/85
15
Fusion de
donnes :
introduction
15
Systme tl-opr
Systmerel
dcision
capteurs commande
oprateurralitvirtuelle/
augmente consigne
Interaction systme-oprateur
-
5/28/2018 N01 Cours Fusion Intro
16/85
16
Fusion de
donnes :
introduction
16
Systme opr
Systmerel
dcision
capteurs commande
oprateur
diagnosticdonnes
symboliques
Interaction systme-oprateur
-
5/28/2018 N01 Cours Fusion Intro
17/85
17
Fusion de
donnes :
introduction
17
Modlisation de la connaissancesur un systme rel maisdont on ne connat qu'une image partielle et/ou dforme.
Fusion dirige par les buts
reconstruction la plus complte et prcise
dcision la plus fiable quen se fondant sur une seulesource dinformation
Cadre de la fusion
-
5/28/2018 N01 Cours Fusion Intro
18/85
18
Fusion de
donnes :
introduction
18
Techniques de fusion de donnes permettent:1- de mettre profit un nombre maximum de donnes, en tenant
compte de la diversit de leurs imperfections
2- en tentant de pallier les faiblesses de certaines avec les point forts
des autres
3- dans le but de fournir une information labore, ddie et pertinentevis--vis du contexte.
Le processus global1- Situation relle est observe par un ensemble de capteurs de plus
ou moins haut niveau fournissant plusieurs vues dformes de la
situation (ex.: convolution par une lentille optique).
2- Informations sont alors collectes et exploites conjointement par
un traitement de fusion permettant destimer la situation relle.
Principes de base de la fusion
-
5/28/2018 N01 Cours Fusion Intro
19/85
19
Fusion de
donnes :
introduction
19
Systmes de fusion de donnes1- s'appuient principalement sur des tapes de modlisation
2- de recalage
3- et de combinaison(ou fusion, ou agrgation) d'informations4- puis de dcision
De linformation la dcision
-
5/28/2018 N01 Cours Fusion Intro
20/85
20
Fusion de
donnes :
introduction
20
Information et reprsentation mathmatiquepermet de l'exploiter
constitue l'tape de modlisation de l'information
rflexion sur le sens de chacune des informations manipules
modlisation doit tre adapte de faon fidle au sens del'information rellement disponible
fidlit de modlisation conduit des problmes d'htrognit
ou d'hybridit (plus l'ensemble des informations dont on veut tenir
compte est large, plus on rencontre les problmes de reprsentation
des donnes et plus ils deviennent cruciaux)
De linformation la dcision
-
5/28/2018 N01 Cours Fusion Intro
21/85
21
Fusion de
donnes :
introduction
21
Points essentiels:
Mcanismes de modlisation et ventuellementrecalage
Mcanisme de fusion(ventuellement donnes htrognes)
Prise en compte de la notion de fidlitentre le sens de
l'information rellement disponible et le sens de la reprsentationmathmatique (pertinence, confiance, fiabilit)
Rgles de dcisionsappuyant sur les rsultats de la fusion
En rsum
Remarque:Prise en compte de la fiabilit des sources dinformationlors de la modlisation par exemple, si cela est possible
-
5/28/2018 N01 Cours Fusion Intro
22/85
22
Fusion de
donnes :
introduction
22
O? Quand? Comment?
-
5/28/2018 N01 Cours Fusion Intro
23/85
23
Fusion de
donnes :
introduction
23
Applications militaires :
dtection, identification et suivi de cibles
surveillance des champs de bataille
dtection de mines enfouies ou sous-marines
Applications aronautiques et spatiales :
imagerie satellitaire
commande d'engins spatiaux (fuses et robots)
Domaines dapplication
Applications mdicales :
observation du corps et des pathologies
aide au geste et au diagnostic mdical
Robotique et vhicules intelligents
robots d'assistance humaine (fauteuils roulants, vhicule
automobile, machines agricoles,)
robots autonomes en environnement difficile (robots sous-marins,
robots d'intervention, micro-robots,)
Assistance l'oprateur humain :
aide au diagnostic
salle de contrle (aiguilleurs du ciel)
-
5/28/2018 N01 Cours Fusion Intro
24/85
24
Fusion de
donnes :
introduction
24
capteurs physiques :
type images : camra, tlmtre, radar, images IRM, images
ultrason
type signaux : temprature, vitesse, acclration, temps de vol
capteurs logiques (analogiques ou numriques):
modules de traitement de signaux
modules de traitement d'images
connaissances a priori: objets et leurs caractristiques
scne observe (cartes, atlas...)
rgles d'volution...
Pour se comprendre
Sources d'information
-
5/28/2018 N01 Cours Fusion Intro
25/85
25
Fusion de
donnes :
introduction
25
Type des donnes
Mesures de type numrique :
distance
niveau de gris
dure d'un signal
Dcision de type symbolique :
situation dangereuse existence d'une lsion
cible offensive...
Matire brute et produits manipuls
-
5/28/2018 N01 Cours Fusion Intro
26/85
26
Fusion de
donnes :
introduction
26
Donnes numriques : Valeur absolue (longueur,
temprature)
Valeur relative (%)
Les plus frquentes
Donnes ordinales : Ranger des lves du plus petit au
plus grand
Echelle de salaires (petit, moyen,lev)
on peut dfinir un ordre A
-
5/28/2018 N01 Cours Fusion Intro
27/85
27
Fusion de
donnes :
introduction
27
Informations numriques
informations donnes sous forme de nombre
espace de dfinition W ordonn
exemple : la largeur du vhicule est de 1,5m
x WX
Matire brute et produits manipuls
-
5/28/2018 N01 Cours Fusion Intro
28/85
28
Fusion de
donnes :
introduction
28
Informations symboliques
informations donnes sous forme de symboles, de propositions,
de rgles
espace de dfinition W non ordonn
H1
H2
H4
H3
H1: lobjet est une voiture
H2: lobjet est un camion
H3: lobjet est une moto
H4: lobjet est un piton
Matire brute et produits manipuls
-
5/28/2018 N01 Cours Fusion Intro
29/85
29
Fusion de
donnes :
introduction
29
Hypothses et propositions
Hypothses Hi
Elments de l'ensemble de dfinitionW {H1, H2, , Hn}
hypothses singletons (exclusives, exhaustives)
Propositions A i
Elments de l'ensemble 2Wdes parties de W.
2W {, {H1}, {H2}, , {H1, H2}, W}
Matire brute et produits manipuls
-
5/28/2018 N01 Cours Fusion Intro
30/85
30
Fusion de
donnes :
introduction
30
Rapprochement avec la thorie des ensembles
OU logique : union
ET logique : intersection
Proposition : union d'hypothses OU entre les hypothses
{Hi, Hj} Hi Hj hypothse composite
not Hi, Hjou Hij
Vision ensembliste
-
5/28/2018 N01 Cours Fusion Intro
31/85
31
Fusion de
donnes :
introduction
31
Utilisation d'un modle de conversion
d
petit moyen grand
Conversion numrique-symbolique
x
petit moyen grand
petit(d) moyen(d) grand(d)
d
-
5/28/2018 N01 Cours Fusion Intro
32/85
32
Fusion de
donnes :
introduction
32
Imperfections des donnes
Les capteurs et les algorithmes parfaits nexistent pas.
imprcision
incertitude retard
manque de donnes
Ncessit dune modlisation des erreurs
Caractristiques des donnes manipules
-
5/28/2018 N01 Cours Fusion Intro
33/85
33
Fusion de
donnes :
introduction
33
Exemple de limagerie
Image:entache de bruit
conditions dacquisition, chane de mesure, quantification
Consquences:
sur les couleurs par exemplesur lhomognit des rgions, des textures
sur les contours
donc. imprcisions et incertitudes
Consquences sur les traitements et rsultats:
risques derreur
interprtation(s) fausse(s)
Caractristiques des donnes manipules
-
5/28/2018 N01 Cours Fusion Intro
34/85
34
Fusion de
donnes :
introduction
34
Le monde nest pas parfait.les informations non plus!
Je mesure environ 1m80!
Il pleuvra peut-tre demain!
Il pleuvra peut-tre beaucoup demain!
Imprcision
Incertitude
Les 2 pour corser le tout!
Rptition des mesuresvaleurs diffrentes (Incertitude)
CausesVariations des conditions de mesure (variables dinfluence)
Imperfection des capteurs (bruit lectronique,)
Une valeur unique ne reprsente pas la ralit
La fusion doit permettre de tenir compte
des imprcisions et des incertitudes
Subjectivit?
Caractristiques des donnes manipules
-
5/28/2018 N01 Cours Fusion Intro
35/85
35
Fusion de
donnes :
introduction
35
Diffrentes formes dimperfection:
Imprcision : traduit le manque dexactitude de la connaissance
(en terme quantitatif)
Incertitude : traduit le degr de conformit de linformation la ralit
Incompltude : absence dinformation apporte par une source sur certainsaspects du problme
Ambigut : information fournie peut conduire 2 interprtations diffrentes
Conflit : plusieurs informations conduisent des interprtations
contradictoires
Caractristiques des donnes manipules
-
5/28/2018 N01 Cours Fusion Intro
36/85
36
Fusion de
donnes :
introduction
36
On peut diminuer lincertitude dune proposition en
augmentant son imprcision.
Exemple :
Le prof mesureprobablementplus de 1.70 m Le prof mesure trscertainementplus de 1.50 m
Autre forme dimperfection de linformation :
ambigut, flou
Exemple : Le prof est grand Ncessite une extension de la thorie des ensembles
Thorie des sous-ensembles flous.
Imprcision, incertitude
-
5/28/2018 N01 Cours Fusion Intro
37/85
37
Fusion de
donnes :
introduction
37
Imprcision
Estimation de la diffrence entre la mesure dprovenant du
capteur et la valeur relle inconnueX mesurer.
x WX d
Caractristiques des donnes manipules
Exemp les :
Je mesure environ 180cm!
La taille du prof est 180cmplus ou moins 2cm
Cela signifie :
La relle valeurX de la taille du prof est dans lintervalle
[178cm ; 182cm]
-
5/28/2018 N01 Cours Fusion Intro
38/85
38
Fusion de
donnes :
introduction
38
Incertitude
Doute sur la ralit des diffrentes hypothses Hide l'ensemble W
(confiance)
Exemples :
Il pleuvra peut-tre demain!
La probabilit que lindividu observ soit G.W.B. est de 90%.
Caractristiques des donnes manipules
39
-
5/28/2018 N01 Cours Fusion Intro
39/85
39
Fusion de
donnes :
introduction
39
Modlisation de la mconnaissance (ignorance)
Reprsentation du fait que l'on ne sait pas
modlisation implicite (probabilits)
modlisation explicite (masse de croyance sur le rfrentiel) Exemple :
jeu de pile ou face :
P(pile) = 50%, P(face) = 50%Joueriez vous votre vie sur un
toss?
Mconnaissance, ignorance
40
-
5/28/2018 N01 Cours Fusion Intro
40/85
40
Fusion de
donnes :
introduction
40
Conflit des sources dinformation
Conflit
Des sources dinformation peuvent tre en dsaccord et gnrerainsi un conflit dans le processus de fusion.
Question: Peut-on grer ce conflit? Si oui, comment?
dsaccord
Certaines thories permettent la gestion du conflit
Pamela
E.T.
?
George orE.T.
41
-
5/28/2018 N01 Cours Fusion Intro
41/85
41
Fusion de
donnes :
introduction
41
Principe
Estimation d'une donne par la combinaison de plusieurs donnes
Estimation des erreurs associes (prcision, certitude)
Fusion
42
-
5/28/2018 N01 Cours Fusion Intro
42/85
42
Fusion de
donnes :
introduction
42
Sources d'information
Sources redondantes: mme espace de dfinition (espace de
discernement)
ex : estimation distance dpar capteur ultrasons et tlmtre
laser;
Sourc es complmentai res: espaces de dfinition diffrents
ex : dtection d'une lsion par sa forme et sa position
Fusion
43
-
5/28/2018 N01 Cours Fusion Intro
43/85
43
Fusion de
donnes :
introduction
43
Sources concordantes
les informations donnes par les deux sources sont compatibles
ex : source 1 : la mesure d [12,15]
source 2 : la mesure d [10,13]
la qualit des informations est amliore
Fusion
12m 15m
10m 13m
S2
S1
S1S2
Fusion :
Vrit dans S1S2
44
-
5/28/2018 N01 Cours Fusion Intro
44/85
44
Fusion de
donnes :
introduction
44
Sources discordantes
les informations donnes par les deux sources sont
incompatibles
ex : source 1 : la mesure d [12,15]
source 2 : la mesure d [9,11]disc ordance (con f l i t )
si les donnes sont fusionnes, la qualit du rsultat est
dgrade
Fusion
12m
15m
9m 11m
S2
S1
S1S2=
Fusion :
9m 15mVrit dans S1S2
45
-
5/28/2018 N01 Cours Fusion Intro
45/85
45
Fusion de
donnes :
introduction
45
Conflit
Causes du conflit :
capteurs physiques : fonctionnement dgrad
(dysfonctionnement dun capteur)
capteurs logiques : mauvaise configuration
choix des hypothses (mise en correspondance...)
Modlisation du conflitutilisation d'une mesure
Fusion
46
-
5/28/2018 N01 Cours Fusion Intro
46/85
46
Fusion de
donnes :
introduction
46
Dcision
Choix d'une hypothse ou d'une valeur numrique
Prise de risque
Exemple en dtection : faux positifs
faux ngatifs
Dfinition d'un critre de choix
compromis "prcision - certitude"
maximisation d'une mesure
Dcision avec ou sans rejet
Fusion
47
-
5/28/2018 N01 Cours Fusion Intro
47/85
47
Fusion de
donnes :
introduction
47
Architecture de fusion
Niveau de fusion : niveau signal / pixel
niveau attribut
niveau objet
niveau dcision
Mcanismes : conversion numrique/symbolique
mise en correspondance combinaison
dcision
Fusion
48
-
5/28/2018 N01 Cours Fusion Intro
48/85
48
Fusion de
donnes :
introduction
48
Mouaaais... mais en pratique???
=
=
49
-
5/28/2018 N01 Cours Fusion Intro
49/85
49
Fusion de
donnes :
introduction
49
Exemples de problme de fusion
50
-
5/28/2018 N01 Cours Fusion Intro
50/85
50
Fusion de
donnes :
introduction
50
Jai la mmoire qui flanche, jme souviens plus
trs bien
Reconnaissance d'un objet :
RDF
capteur 1 : rouge ou bleucapteur 2 : rouge ou bleucapteur 3 : rond ou carr
} Mme espace de discernementCadres de discernement diffrents
51
-
5/28/2018 N01 Cours Fusion Intro
51/85
51
Fusion de
donnes :
introduction
51
Alea jacta est
source 2 : points cotsource 1 : point du milieu
Librement inspir de M. Rombaut (LISUJF, Grenoble)
Face du d
52
-
5/28/2018 N01 Cours Fusion Intro
52/85
52
Fusion de
donnes :
introduction
52
Fusion Signature
SAR
IR
Reconnaissance
mon bateau,
CRM, Canada
53
-
5/28/2018 N01 Cours Fusion Intro
53/85
Fusion de
donnes :
introduction
53
Image fusionne de la mme cible constitue de la combinaison
de 87 images squentielles, chacune d'elles tant semblable
l'image du haut. La rsolution, la fois spatiale et thermique, a
t grandement amliore; on peut voir clairement les points
chauds et on commence pouvoir identifier le navire.
Reco. = ???!!!Reco. = possible
Image thermique simple
dun ? obtenue laide
dun systme imageurinfrarouge arien
plusieurs lments.
Chaque carr reprsente
le rayonnement
reu par un lment
dtecteur.
Objet Volant, Naviguant ou Immobile (OVNI)?
CRDV
Canada
54
-
5/28/2018 N01 Cours Fusion Intro
54/85
Fusion de
donnes :
introduction
54
Plan 1958 Image optique 1992 Image radar1992
Fusion probabiliste
(Bayes + MAP)
Fusion videntielle Vrit terrain 1992
Big Brother is watching you
ONERA
55
-
5/28/2018 N01 Cours Fusion Intro
55/85
Fusion de
donnes :
introduction
55
Segmentation de coupes IRM et reconstruction 3D
T2
T1
T1Gado
Contexte de ltude
Imagerie mdicale
Aide au diagnostic
Suivi de patients atteints de cancers
IRM
56
-
5/28/2018 N01 Cours Fusion Intro
56/85
Fusion de
donnes :
introduction
56
T1Gado
T2
IRM
Conflit
Segmentation par diffrents modles
57
-
5/28/2018 N01 Cours Fusion Intro
57/85
Fusion de
donnes :
introduction
57
58 Dtection de complexes K
-
5/28/2018 N01 Cours Fusion Intro
58/85
Fusion de
donnes :
introduction
58
EEG
tiquetage
subjectifpar 5 experts
0= onde delta1 = complexe K
Daprs T. Denux (HeudiasycUTC)
Qui a raison?
59 Surveillance acoustique dappareils pression
-
5/28/2018 N01 Cours Fusion Intro
59/85
Fusion de
donnes :
introduction
59
I
II III
I : source mineureII : source activeIII : source critique
Daprs T. Denux (HeudiasycUTC)
60 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
60/85
Fusion de
donnes :
introduction
60
Comparaison des 2 experts
tiquetage incertain etimprcis
Daprs T. Denux (HeudiasycUTC)
61 Dtection dobstacles (INRETS - LIVIC)
-
5/28/2018 N01 Cours Fusion Intro
61/85
Fusion de
donnes :
introduction
61
62 Dtection dobstacles (INRETS - LIVIC)
-
5/28/2018 N01 Cours Fusion Intro
62/85
Fusion de
donnes :
introduction
62
63 Dtection dobstacles (INRETS - LIVIC)
-
5/28/2018 N01 Cours Fusion Intro
63/85
Fusion de
donnes :
introduction
63
64 Accrochez-vouson va dcoller
-
5/28/2018 N01 Cours Fusion Intro
64/85
Fusion de
donnes :
introduction
64
65
-
5/28/2018 N01 Cours Fusion Intro
65/85
Fusion de
donnes :
introduction
65
Gestionde limprcis et de lincertain:Les thories en comptition
66 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
66/85
Fusion de
donnes :
introduction
66
Incertitude, imprcision
Ensemble W: ensemble (continu ou discret) dhypothses, de
possibilits, de rponses possibles une certaine question.
y=rponse correcte. La valeur de ypeut tre
connue (y=w, w W)
inconnue (y W)
partiellement connue (cas le plus frquent)
Problme: comment modliser des connaissances partielles,
et les utiliser dans des raisonnements ?
67 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
67/85
Fusion de
donnes :
introduction
67
Incertitude, imprcision Modle gnral :
lment dinformation = (A W, confiance)
A=ensemble de valeurs possibles pour y
confiance : confiance dans le fait que yA.
Deux formes principales dimperfection de linformation :
imprcision: card(A)>1
incertitude: confiance non absolue (doute) dans la vracit
de linformation
Exemples :
Pierre mesure entre 1.70 m et 1.90 m
Pierre mesure probablement 1.80 m
Pierre mesure probablement entre 1.70 m et 1.90 m
68 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
68/85
Fusion de
donnes :
introduction
68
Incertitude, imprcision
On peut diminuer lincertitude dune proposition en augmentant
son imprcision.
Exemple : Le prof mesureprobablementplus de 1.70 m
Le prof mesure trscertainementplus de 1.50 m
Autre forme dimperfection de linformation :ambigut, flou
Exemple : Le prof est grand
Ncessite une extension de la thorie des ensembles
thorie des ensembles flous.
69 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
69/85
Fusion de
donnes :
introduction
69
Incertitude et imprcision en RdF
Rappel: objets ou systme dcrits par 2 variables :
xX (=Rd) (vecteur forme)
y
W
(classe) Problmes : ayant observ x,
donner une prdiction ponctuelle de y ( affectation uneclasse ), mais aussi
dcrire lincertitude sur y (important quand intgration dansun processus de dcision plus complexe).
70 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
70/85
Fusion de
donnes :
introduction
70
Apprentissage Supervis
classifieur
ensemble dapprentissagenexemples (xi,yi)
entre connue
prdiction ponctuelleou probabiliste (mesurede probabilit PWsur W)
71 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
71/85
Fusion de
donnes :
introduction
71
Gnralisation
classifieur 1
ensemble dapprentissage =donnes imprcises ou incertainesei= connaissance partielle sur
(xi,yi)
entrex
partiellementconnue Fusion
description de laconnaissance partielle
sur ycompte tenu de toutes
les sourcesdinformation et de
leur incertitudeclassifieur q
72 Gestion de limprcis et de lincertain
-
5/28/2018 N01 Cours Fusion Intro
72/85
Fusion de
donnes :
introduction
72
Bases de donnes htrognes
Ex : base de donnes mdicales
Jusqu une date t0: W={w1,w2}
A partir de t0: on identifie 2 variantes de la maladie w2 {w21, w22} Nouvel ensemble W={w1,w21 , w22}
Parmi les cas tiquets avant t0, certains seront tiquets de
manire imprcise.
tiquetage imprcis
73 De linformation la dcision
-
5/28/2018 N01 Cours Fusion Intro
73/85
Fusion de
donnes :
introduction
73 Mthodes probabilistes ou non probabilistes
RdF, diagnostic
Commande floue
Rgle(s) de dcisionLois de commande
Extraire
lescaractristiques
ApprendreComprendreConstruire
Acqurir
Reprsentation
EnvironnementContexte
Informations a pr ior i
Multi-capteursMulti-sourcesMulti-modalitExpert(s)
Fiabilit
Confiance
Htrognit
ImprcisesIncertainesIncompltes
Htrognes
Modle(s)?Multi-modles?
Stratgies
DciderAgir
Interprter
Numriques/
Symboliques
Monde observ
Systme de perception
74 De linformation la dcision
-
5/28/2018 N01 Cours Fusion Intro
74/85
Fusion de
donnes :
introduction
74
1. Modlisation des connaissances
2. Combinaison des connaissances
3. Dcision
Les tapes fondamentales
Dfinition dune architecture ad hoc
75 Mcanismes de fusion
-
5/28/2018 N01 Cours Fusion Intro
75/85
Fusion de
donnes :
introduction
75
d
petit moyen grand
)(
1,02:
ACA
C
d
d
W
Fusionner des donnes ncessite qu'elles soient dfinies dans le
mme cadre de discernement
Modlisation des connaissances
d mesure numrique
espace des hypothses W= {petit, moyen, grand}
Cdconfiance
Mesure de confiance
x
petit moyen grand
petit(d) moyen(d) grand(d)
d
76 Mcanismes de fusion
-
5/28/2018 N01 Cours Fusion Intro
76/85
Fusion de
donnes :
introduction
76
Modlisation des connaissances pour deux sources
d1etd2 mesures numriques
mme espace des hypothses W
Cd1et Cd2 confiances
d1
petit moyen grand
d2
petit moyen grand
11
: 0,12
( )
d
d
C
C AA
W
22
: 0,12( )
d
d
CC AA
W
d1
d2
x
petit moyen grand
petit(d) moyen(d) grand(d)
d
77 Mcanismes de fusion
-
5/28/2018 N01 Cours Fusion Intro
77/85
Fusion de
donnes :
introduction
77
Gains attendus de la modlisation des incertitudes
Flexibilit: prise en compte de la totalit desinformations disponibles, mme htrognes, deprcision et de fiabilit variables
Robustesse: tolrance limprcision et lincertitudedes entres du systme de dcision.
Fusion de dcisions, systme interactif daide ladcision: linfluence de la sortie dun systme sur ladcision doit dpendre de lincertitude associe
Il faut un cadre mathmatique permettant
de modliser toutes les formes dincertitude
78 Mcanismes de fusion
-
5/28/2018 N01 Cours Fusion Intro
78/85
Fusion de
donnes :
introduction
78
Modlisation des connaissances
Combinaison des connaissances Dcision
)(1,02:
1
1
ACAC
d
d
W
)(1,02:
2
2
ACAC
d
d
W
)(1,02:
12
12
ACAC
d
d
W
Confiance aprs combinaison
79 Mcanismes de fusion
-
5/28/2018 N01 Cours Fusion Intro
79/85
Fusion de
donnes :
introduction
79
Modlisation des connaissances Combinaison des connaissances
Dcision
id HC
12
)(max 12 idH
retenue HCfArgHi W
Exemple : MAP en probabilits
80 Formalismes disponibles
-
5/28/2018 N01 Cours Fusion Intro
80/85
Fusion de
donnes :
introduction
80
3 formalismes : probabilits (vision frquentiste et subjective)
possibilits (sous-ensembles flous)
vidence (croyance, Dempster-Shafer)
Didier DUBOIS Henri PRADELofti ZADEH
Glenn SHAFER Philippe SMETS Thierry DENUX
Thomas BAYES
81 Formalismes disponibles
-
5/28/2018 N01 Cours Fusion Intro
81/85
Fusion de
donnes :
introduction
81
Thorie des probabilits(Bayes, Kolmogorov, Cox, Jeffreys)
Inconvnient: introduction de lois a priori
Fusion: Rgle de Bayes
Thorie des sous-ensembles flous et des possibilits
(Zadeh, Bezdek, Dubois & Prade)Degrs dappartenance
Mesures de possibilit et de ncessit
Fusion: plusieurs oprateurs
Thorie de lvidence(Shafer, Smets, Kholas)Masses de croyance, crdibilit, plausibilit, probabilit
pignistique
Fusion: Oprateurs de Dempster, Yager, Dubois & Prade,
Smets, Lefevre et al.
82 Formalismes disponibles
-
5/28/2018 N01 Cours Fusion Intro
82/85
Fusion de
donnes :
introduction
82
Thorie des probabilitsAppro che frquentis te
une probabilit = la limite d'une frquence d'occurrence d'vnements
App roche subject ive (ou con f iance)une probabilit reflte simplement un tat de connaissance et le lien
avec une frquence relle d'occurrence n'existe que dans certains
cas.
Thories non probabilistesthorie des possibilits (cadre de la logique floue)
thorie de l'vidence propose par Shafer (1976).
Deux coles de pense :
1- les probabi l istes:les rsultats et mcanismes auxquels conduisentces approchestoujours atteints par une mthode strictement
probabiliste ( condition qu'elle soit suffisamment adapte)
2- les adep tes de la thorie de l 'vid ence ou des poss ib il its
volont de chercher une modlisation plus fidle smantiquement
vis--vis de l'information disponible.
83 Conseils
-
5/28/2018 N01 Cours Fusion Intro
83/85
Fusion de
donnes :
introduction
83
1) Rflchir avant dagir (bien analyser le problme pos)!
2) Ne pas sortir la grosse artillerie si cela nest pas ncessaire !
3) Savoir pourquoi on choisit une mthode ou une technique
plutt quune autre!
4) Rflchir pour savoir si la mthode ou la technique est
un tant soit peu raisonnable [cf. rgles 1), 2) et 3) ] dans le
cadre de son application!
5) Ne jamais ignorer les informations (quand elles existent) qui
peuvent permettre de faciliter la rsolution du problme!
Les rgles du bon fusionneur
84 et postscriptum
-
5/28/2018 N01 Cours Fusion Intro
84/85
Fusion de
donnes :
introduction
84
When the only tool you have is a hammer,
everything looks like a nail.
Lo tf i ZADEH
(cf . aussi Ab raham MASLOW)
Le principe du marteau et autres petits adages
"The proof of the pudding is in the eating.
Clbre proverbe c it
par Phil ippe SMETS
On peut faire des tas de choses avec la fusion dinformationsimparfaites conditionde savoir ce que lon cherche faire!
85
-
5/28/2018 N01 Cours Fusion Intro
85/85
Fusion de
donnes :
introduction
This is the end of this part!