|
@@ -0,0 +1,40 @@
|
|
|
+\chapter{Modèles utilisés}
|
|
|
+
|
|
|
+\label{appendices_models_architecture}
|
|
|
+
|
|
|
+\section{M1 : SVM classique}
|
|
|
+
|
|
|
+Nous utilisons le fameux modèle SVM (Support Vector Machine) pour prédire le bruit et non les images bruyantes. SVM est principalement utilisé et fonctionne très bien pour les problèmes NR-IQA (No Reference Image Quality Assessment) avec ces paramètres :
|
|
|
+
|
|
|
+\begin{itemize}
|
|
|
+ \item Kernel : \textit{rbf}
|
|
|
+ \item $C \in \{0.001, 0.01, 0.1, 1, 10, 100, 1000\}$
|
|
|
+ \item $\gamma \in \{0.001, 0.01, 0.1, 1, 5, 10, 100\}$
|
|
|
+ \item $cv = 10$ (paramètre de validation croisée pour les données d'entraînement, ce qui augmente la précision et évite le surapprentissage)
|
|
|
+\end{itemize}
|
|
|
+
|
|
|
+Ensuite, tous ces paramètres sont testés à l'aide du principe de recherche par grille et le meilleur modèle est obtenu.
|
|
|
+
|
|
|
+\vspace{2mm}
|
|
|
+\section{M2 : Voting classifier avec 3 estimateurs}
|
|
|
+
|
|
|
+Nous proposons également un modèle Voting classifier (ensemble de modèles) qui est composé de 3 sous modèles :
|
|
|
+
|
|
|
+\begin{itemize}
|
|
|
+ \item \textbf{\textit{SVM}} avec un kernel RBF comme présenté précédemment.
|
|
|
+ \item \textbf{\textit{Random Forest}} avec 100 estimateurs
|
|
|
+ \item \textbf{\textit{Logistic Regression}} avec le noyau \textit{liblinear} et le paramètre \textit{ovr} pour la classification
|
|
|
+\end{itemize}
|
|
|
+
|
|
|
+\vspace{2mm}
|
|
|
+\section{M3 : Voting classifier avec 5 estimateurs}
|
|
|
+
|
|
|
+Ce nouveau modèle est aussi un Voting classifier et est composé de 5 sous modèles :
|
|
|
+
|
|
|
+\begin{itemize}
|
|
|
+ \item \textbf{\textit{SVM}} avec le RBF Kernel comme présenté précédemment
|
|
|
+ \item \textbf{\textit{Random Forest}} avec 100 estimaeurs
|
|
|
+ \item \textbf{\textit{Logistic Regression}} avec le noyau \textit{liblinear} et le paramètre \textit{ovr} pour la classification
|
|
|
+ \item \textbf{\textit{KNeighbors Classifier}} avec seulement deux voisins (bruité, non bruité)
|
|
|
+ \item \textbf{\textit{Gradient Boosting Classifier}} avec 100 estimateurs, une fonction de perte réglée sur \textit{déviance} et \textit{pas d'apprentissage} de 1.0
|
|
|
+\end{itemize}
|