untitled
<OAI-PMH schemaLocation=http://www.openarchives.org/OAI/2.0/ http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd>
<responseDate>2018-01-15T18:41:26Z</responseDate>
<request identifier=oai:HAL:hal-00656502v1 verb=GetRecord metadataPrefix=oai_dc>http://api.archives-ouvertes.fr/oai/hal/</request>
<GetRecord>
<record>
<header>
<identifier>oai:HAL:hal-00656502v1</identifier>
<datestamp>2017-12-21</datestamp>
<setSpec>type:COMM</setSpec>
<setSpec>subject:info</setSpec>
<setSpec>collection:RFIA2012</setSpec>
<setSpec>collection:BNRMI</setSpec>
<setSpec>collection:UNIV-AG</setSpec>
</header>
<metadata><dc>
<publisher>HAL CCSD</publisher>
<title lang=fr>Génération de classes de transition vectorielles par recouvrement de classes floues</title>
<creator>Enguerran, Grandchamp</creator>
<creator>Regis, Sébastien</creator>
<creator>Alain, Rousteau</creator>
<contributor>Laboratoire de Mathématiques Informatique et Applications (LAMIA) ; Université des Antilles et de la Guyane (UAG)</contributor>
<contributor>Dynamique des écosystèmes Caraïbe et biologie des espèces associées (DYNECAR EA 926) ; Université des Antilles et de la Guyane (UAG)</contributor>
<description>Session "Articles"</description>
<description>National audience</description>
<source>Actes de la conférence RFIA 2012</source>
<source>RFIA 2012 (Reconnaissance des Formes et Intelligence Artificielle)</source>
<coverage>Lyon, France</coverage>
<identifier>hal-00656502</identifier>
<identifier>https://hal.archives-ouvertes.fr/hal-00656502</identifier>
<identifier>https://hal.archives-ouvertes.fr/hal-00656502/document</identifier>
<identifier>https://hal.archives-ouvertes.fr/hal-00656502/file/rfia2012_submission_57.pdf</identifier>
<source>https://hal.archives-ouvertes.fr/hal-00656502</source>
<source>RFIA 2012 (Reconnaissance des Formes et Intelligence Artificielle), Jan 2012, Lyon, France. pp.978-2-9539515-2-3, 2012</source>
<language>fr</language>
<subject lang=fr>SIG</subject>
<subject lang=fr>classification</subject>
<subject lang=fr>arbre de décision</subject>
<subject lang=fr>flou</subject>
<subject>[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI]</subject>
<subject>[INFO.INFO-CV] Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV]</subject>
<type>info:eu-repo/semantics/conferenceObject</type>
<type>Conference papers</type>
<description lang=fr>Nous présentons ici une méthode permettant de créer et de représenter sous forme vectorielle des classes de transition à partir d'une classification supervisée basée sur des arbres de décision flous. Cette méthode est particulièrement utile pour la classification stricte de données dont les frontières sont naturellement diffuses ainsi que pour leur représentation au sein d'un System d'Information Géographique. C'est le cas par exemple des formations forestières entre lesquels les transitions sont généralement étalées sur plusieurs centaines de mètres avec des gradients dépendant de condition environnementales locales ne permettant pas de définir une transition identique dans toutes les directions. La méthode présentée permet d'ajouter des classes lorsque les zones de transition sont trop étendues plutôt que de fixer une frontière arbitrairement</description>
<date>2012-01-24</date>
<rights>info:eu-repo/semantics/OpenAccess</rights>
</dc>
</metadata>
</record>
</GetRecord>
</OAI-PMH>
