Les travaux exposés dans cette thèse portent sur une contribution aux techniques de projection de graphes, appliquées à la reconnaissance de formes, visant à tirer parti de la richesse des méthodes structurelles et de l’efficacité des outils statistiques. Nous présentons une nouvelle projection s’inscrivant dans la catégorie des sondages de graphes. La première contribution de cette thèse porte sur l’encapsulation de la topologie du graphe dans une représentation vectorielle, en s’appuyant sur le dénombrement de motifs (sous-graphes) issus d’un lexique généré indépendamment du contexte. Ces motifs permettent de minimiser les pertes de l’information topologique lors de la projection. La deuxième contribution porte sur l’intégration de l’information relative aux étiquettes au sein de notre projection par l’adjonction de leurs dénombrements. Aux problèmes liés à la nature et la variabilité des attributs, nous proposons deux solutions dans le but de constituer des classes d’étiquettes moins nombreuses. La première consiste à discrétiser les attributs numériques puis à les combiner. La deuxième vise à former ces classes par un partitionnement global de l’ensemble des étiquettes. Ces propositions sont ensuite évaluées sur différentes bases de graphes et dans différents contextes. / The work exposed in this thesis focuses on a contribution to techniques of graph embedding, applied to pattern recognition, aiming to take advantages of the richness of structural methods and the efficiency of statistical tools. We present a new embedding, joining the category of graph probing. The first contribution of this thesis deals with the embedding of the graph topology in a vectorial representation, based on the counting of patterns (subgraphs) stemming of a lexicon generated independently of the context. These patterns permit the minimization of losses of the topological information during the embedding. The second contribution focuses on the integration of the information related to labels inside our embedding by adding their counting. To deal with problems linked to the nature and the variability of the attributes, we suggest two solutions to reduce the number of label classes. The first one consists of discretizing numeral attributes and combining them The second one aims to build these classes by a global clustering on the set of labels. Then, these proposals are evaluated on different datasets of graphs and in different contexts.
| Identifer | oai:union.ndltd.org:theses.fr/2012TOUR4009 |
| Date | 24 February 2012 |
| Creators | Sidère, Nicolas |
| Contributors | Tours, Ramel, Jean-Yves, Héroux, Pierre |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0163 seconds