Dans cette thèse, nous nous intéressons à la classification des images de textures avec aucune connaissance a priori sur les conditions de numérisation. Cette classification selon des définitions pré-établies de matériaux repose sur des algorithmes qui extraient des descripteurs visuels.A cette fin, nous introduisons tout d'abord une variante de descripteurs par motifs binaires locaux (Local Binary Patterns).Dans cette proposition, une approche statistique est suivie pour représenter les textures statiques.Elle incorpore la quantité d'information complémentaire des niveaux de gris des images dans des opérateurs basés LBP.Nous avons nommé cette nouvelle méthode "Completed Local Entropy Binary Patterns (CLEBP)".CLEBP capture la distribution des relations entre les mesures statistiques des données aléatoires d'une image, l'ensemble étant calculé pour tous les pixels au sein d'une structure locale.Sans la moindre étape préalable d'apprentissage, ni de calibration automatique, les descriptions CLEBP contiennent à la fois des informations locales et globales des textures, tout en étant robustes aux variations externes.En outre, nous utilisons le filtrage inspiré par la biologie, ou biologically-inspired filtering (BF), qui simule la rétine humaine via une phase de prétraitement.Nous montrons que notre approche est complémentaire avec les LBP conventionnels, et les deux combinés offrent de meilleurs résultats que l'une des deux méthodes seule.Les résultats expérimentaux sur quatre bases de texture, Outex, KTH-TIPS-2b, CURet, et UIUC montrent que notre approche est plus performante que les méthodes actuelles.Nous introduisons également un cadre formel basé sur une combinaison de descripteurs pour la classification de textures.Au sein de ce cadre, nous combinons des descripteurs LBP invariants en rotation et en échelle, et de faible dimension, avec les réseaux de dispersion, ou scattering networks (ScatNet).Les résultats expérimentaux montrent que l'approche proposée est capable d'extraire des descripteurs riches à de nombreuses orientations et échelles.Les textures sont modélisées par une concaténation des codes LBP et valeurs moyennes des coefficients ScatNet.Nous proposons également d'utiliser le filtrage inspiré par la biologie, ou biologically-inspired filtering (BF), pour améliorer la resistance des descripteurs LBP.Nous démontrons par l'expérience que ces nouveaux descripteurs présentent de meilleurs résultats que les approches usuelles de l'état de l'art.Ces résultats sont obtenus sur des bases réelles qui contiennent de nombreuses avec des variations significatives.Nous proposons aussi un nouveau réseau conçu par l'expertise appelé réseaux de convolution normalisée, ou normalized convolution network.Celui-ci est inspiré du modèle des ScatNet, auquel deux modifications ont été apportées.La première repose sur l'utilisation de la convolution normalisé en lieu et place de la convolution standard.La deuxième propose de remplacer le calcul de la valeur moyenne des coefficients du réseaux par une agrégation avec la méthode des vecteurs de Fisher.Les expériences montrent des résultats compétitifs sur de nombreuses bases de textures.Enfin, tout au long de cette thèse, nous avons montré par l'expérience qu'il est possible d'obtenir de très bons résultats de classification en utilisant des techniques peu coûteuses en ressources. / This thesis investigates the complementary approaches for classifying texture images.The thesis begins by proposing a Local Binary Pattern (LBP) variant for efficient texture classification.In this proposed method, a statistical approach to static texture representation is developed. It incorporates the complementary quantity information of image intensity into the LBP-based operators. We name our LBP variant `the completed local entropy binary patterns (CLEBP)'. CLEBP captures the distribution of the relationships between statistical measures of image data randomness, calculated over all pixels within a local structure. Without any pre-learning process and any additional parameters to be learned, the CLEBP descriptors convey both global and local information about texture while being robust to external variations. Furthermore, we use biologically-inspired filtering (BF) which simulates the performance of human retina as preprocessing technique. It is shown that our approach and the conventional LBP have the complementary strength and that by combining these algorithms, one obtains better results than either of them considered separately. Experimental results on four large texture databases show that our approach is more efficient than contemporary ones.We then introduce a framework which is a feature combination approach to the problem of texture classification. In this framework, we combine Local Binary Pattern (LBP) features with low dimensional, rotation and scale invariant counterparts, the handcrafted scattering network (ScatNet). The experimental results show that the proposed approach is capable of extracting rich features at multiple orientations and scales. Textures are modeled by concatenating histogram of LBP codes and the mean values of ScatNet coefficients. Then, we propose using Biological Inspired Filtering (BF) preprocessing technique to enhance the robustness of LBP features. We have demonstrated by experiment that the novel features extracted from the proposed framework achieve superior performance as compared to their traditional counterparts when benchmarked on real-world databases containing many classes with significant imaging variations.In addition, we propose a novel handcrafted network called normalized convolution network. It is inspired by the model of ScatNet with two important modification. Firstly, normalized convolution substitute for standard convolution in ScatNet model to extract richer texture features. Secondly, Instead of using mean values of the network coefficients, Fisher vector is exploited as an aggregation method. Experiments show that our proposed network gains competitive classification results on many difficult texture benchmarks.Finally, throughout the thesis, we have proved by experiments that the proposed approaches gain good classification results with low resource required.

No description available.

No description available.

Advances in technology have provided industry with an array of devices for collecting data. The frequency and scale of data collection means that there are now many large datasets being generated. To find patterns in these datasets it would be useful to be able to apply modern methods of classification such as support vector machines. Unfortunately these methods are computationally expensive, quadratic in the number of data points in fact, so cannot be applied directly. This thesis proposes a framework whereby a variety of clustering methods can be used to summarise datasets, that is, reduce them to a smaller but still representative dataset so that these advanced methods can be applied. It compares the results of using this framework against using random selection on a large number of classification and regression problems. Results show that the clustered datasets are on average fifty percent smaller than the original datasets without loss of classification accuracy which is significantly better than random selection. They also show that there is no free lunch, for each dataset it is important to choose a clustering method carefully.

Bibliography: p. 133-147.

Bibliography: leaves 204-222 / v, 222 leaves, [11] leaves of plates : ill ; 30 cm. / Title page, contents and abstract only. The complete thesis in print form is available from the University Library. / Thesis (Ph.D.)--University of Adelaide, Dept. of Zoology, 1986

Ce mémoire se focalise sur les systèmes de communication sans fil ayant plusieurs antennes en réception et en émission. D'abord, on étudie les performances de ces systèmes en se basant sur un schéma de multiplexage spatial en transmission et sur un détecteur ML en réception. On en déduit une bonne approximation de la probabilité d'erreur conditionnelle pour un canal quasi statique. Cette approximation est obtenue dans le cas où différentes modulations seraient appliquées sur les antennes de transmission et pour toute configuration de canal MIMO. Ensuite, on met en avant des techniques adaptatives pour les systèmes MIMO : modulation adaptative et sélection d'antennes. La première adapte les modulations en émission en fonction des conditions radio afin de maximiser l'efficacité spectrale tout en respectant une contrainte sur la probabilité d'erreur. Alors que la deuxième, sélectionne un sous ensemble d'antennes actives pour optimiser le critère de sélection (par exemple : maximiser la capacité, etc.) étant donnée une estimation de canal. Les deux techniques adaptatives ont besoin d'une métrique pour évaluer les performances du système MIMO. On propose donc un nouveau schéma de modulation adaptative et un nouvel algorithme de sélection d'antennes où l'approximation de la probabilité d'erreur obtenue précédemment est utilisée comme métrique. Finalement, on considère la quantification des canaux MIMO. Cette quantification, dans notre terminologie classification, permet de faire une partition de l'ensemble des canaux MIMO en des classes différentes, où chaque classe est identifiée par un représentant. Cette méthode peut être utilisée pour les techniques adaptatives afin de trouver le meilleur jeu de paramètre. Dans ce chapitre, on décrit l'algorithme de classification et on illustre son application pour les systèmes MIMO à boucle fermée comme le " beamforming ".

<p>In this work we investigate the structure of this type of Lie algebras over arbitrary fields F by constructing them from their Abelian ideal. To accomplish this, an algorithm is developed and as application a classification up to 7-dimensional Lie Algebras is given. We discuss a recent example of financial mathematics as well.</p>

A comprehensive tribal-level classification for the world's subfamilies of Hesperiidae, the skipper butterflies, is proposed for the first time. Phylogenetic relationships between tribes and subfamilies are inferred using DNA sequence data from three gene regions: 943 bp of cytochrome oxidase subunit I (COI) (in the mitochondrial genome), 739 bp of elongation factor-lα (EF-lα) and 403 bp of wingless (both in the nuclear genome). Morphological character scores were then added to the molecular matrix, for a combined simultaneous analysis. In both analyses, branch support for each clade is investigated, and conflict among data partitions is assessed using the partition congruence index. Monophyly of the family Hesperiidae is strongly supported, as are some of the traditionally recognized subfamilies, with the following relationships (from the combined molecular and morphological analysis): (Coeliadinae + (Euschemoninae + (Eudaminae + (Pyrginae + (Trapezitinae + (Heteropterinae + Hesperiinae)))))). The formerly recognized subfamily Pyrrhopyginae, while strongly supported as a monophyletic group, is downgraded to a tribe of Pyrginae. The former subfamily Megathyminae is considered to be an infra-tribal group of Hesperiinae (Erionotini), although its phylogenetic position therein remains uncertain. The Australian endemic Euschemon rafflesia is a hesperiid, given subfamily-status. Most of the traditionally recognized generic groups and subgroups currently employed to partition the subfamilies of Hesperiidae are not monophyletic. Seven subfamilies of Hesperiidae are recognized: Coeliadinae, Euschemoninae (confirmed reinstated status), Eudaminae (new status), Pyrginae, Trapezitinae, Heteropterinae (confirmed status) and Hesperiinae. Pyrrhopygini (reinstated status), Tagiadini (confirmed reinstated status), Celaenorrhinini (confirmed new status), Carcharodini (reinstated status), Achlyodini (new status), Erynnini (confirmed new status) and Pyrgini (confirmed status) are treated as tribes of Pyrginae, but the circumscription of Achlyodini and Pyrgini requires further elaboration. Tribes of Hesperiinae include Aeromachini (new status), Erionotini (new status), Baorini (new status), Taractrocerini (confirmed reinstated status), Thymelicini (confirmed reinstated status), Calpodini (reinstated status), Anthoptini (new tribe), Moncini (new tribe), and Hesperiini (confirmed reinstated status), but the circumscription of Erionotini should be considered tentative. / Graduation date: 2006

Members of the tribe Sabethini (Diptera: Culicidae) oviposit and develop in phytotelmata (plant-held waters) and are primarily distributed in a pantropical pattern. Recent cladistic studies have demonstrated that while the tribe is monophyletic, three of its 13 genera are not. The genus Wyeomyia is particularly problematic and debate among culicidologists continues with regard to the monophyly of its subgenera. For example, the subgenus Hystatomyia was recently resurrected to include seven species within Wyeomyia that were without subgeneric placement. This was based on unique larval, pupal, and adult characters. However, 12 more undescribed species were separated out and identified as Hystatomyia species by John Belkin during the "Mosquitoes of Middle America" project. The objective of this study was to provide a modern species-level revision of Hystatomyia that includes diagnosis and description of all species and an examination of phylogenetic relationships within Hystatomyia using morphological characters from larval, pupal, and adult stages. / Graduation date: 2004