Gestion du déséquilibre de classe au sein du classifieur de séries d'images astronomiques ConvEntion
Résumé
En classification de séquences d’images astronomiques, l’approche état-de-l’art (ConvEntion) repose sur l’utilisation d’une architecture basé sur une convolution 3D et un transformer. Cette architecture ConvEntion ne gère pas parfaitement le déséquilibre de classes. Dans cet article, nous proposons d’améliorer cela en s’appuyant sur les méthodologies auto-supervisées. Nous réduisons la variance intra-classe en passant par une architecture à deux branches. Chacune des deux branches traite une version augmentée de la donnée d’entrée. Dans le même temps, nous conservons la contrainte de classification ce qui nous permet de faire l’apprentissage sur un petit ensemble de données labellisées. Les résultats de notre modèle ICT-ConvEntion nous ont permis d’obtenir une amélioration de l’exactitude (accuracy) de 2.3% et du score F1 de 4.7% sur la base SDSS Supernova Survey.
Domaines
Informatique [cs]
Fichier principal
CORESA_2024_BAIROUK_CHAUMONT_FOUCHEZ_PASQUET_COMBY_ICT_ConvEntion.pdf (429.44 Ko)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|