{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/6835"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/6835","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Clustering automatique basé sur le partitionnement hiérarchique de données: application à la classification d'images","abstract":""Déterminer un nombre optimal de classes et produire des résultats fiables sont deux enjeux difficiles et critiques dans le domaine du clustering. Nous proposons dans cette thèse une méthode qui apporte des éléments de réponses à ces deux défis. Cette méthode génère des résultats valides en estimant automatiquement un nombre optimal de classes. La méthode proposée permet d'obtenir un partitionnement de données valide sans aucune connaissance préalable concernant le nombre de classes. De plus, elle produit des résultats valable avec des données imbriquées ou entrecroisées. Afin de tester les performances de notre méthode, nous l'avons comparée à des méthodes nécessitant la connaissance à priori de nombre de classes, ainsi qu'à d'autres méthodes de clustering automatique. Notre méthode produit des résultats équivalents ou supérieurs à ces méthodes dépendamment des jeux de données utilisés. La méthode proposée comporte deux phases principales: la division et le regroupement. Une méthode de clustering basée sur l'algorithme DIANA est d'abord appliquée et est interrompu par une foncton heuristique d'arrêt. Ce partitionnement peut générer un nombre excessif de groupes. Une méthode de regroupement est alors appliquée jusqu'à obtention du résultat optimal. Nous avons par la suite testé notre méthode pour classifier un ensemble d'images représentées par leur moments principaux de couleurs. Nous avons obtenu des résultats prometteurs avec un ensemble restreint d'images. Keywords: Forage de données, partitionnement de donéées, clustering, clustering automatique, apprentissage non-supervisé, classification d'images, traitement d'images."--Résumé.","abstract_html":""Déterminer un nombre optimal de classes et produire des résultats fiables sont deux enjeux difficiles et critiques dans le domaine du clustering. Nous proposons dans cette thèse une méthode qui apporte des éléments de réponses à ces deux défis. Cette méthode génère des résultats valides en estimant automatiquement un nombre optimal de classes. La méthode proposée permet d'obtenir un partitionnement de données valide sans aucune connaissance préalable concernant le nombre de classes. De plus, elle produit des résultats valable avec des données imbriquées ou entrecroisées. Afin de tester les performances de notre méthode, nous l'avons comparée à des méthodes nécessitant la connaissance à priori de nombre de classes, ainsi qu'à d'autres méthodes de clustering automatique. Notre méthode produit des résultats équivalents ou supérieurs à ces méthodes dépendamment des jeux de données utilisés. La méthode proposée comporte deux phases principales: la division et le regroupement. Une méthode de clustering basée sur l'algorithme DIANA est d'abord appliquée et est interrompu par une foncton heuristique d'arrêt. Ce partitionnement peut générer un nombre excessif de groupes. Une méthode de regroupement est alors appliquée jusqu'à obtention du résultat optimal. Nous avons par la suite testé notre méthode pour classifier un ensemble d'images représentées par leur moments principaux de couleurs. Nous avons obtenu des résultats prometteurs avec un ensemble restreint d'images. Keywords: Forage de données, partitionnement de donéées, clustering, clustering automatique, apprentissage non-supervisé, classification d'images, traitement d'images."--Résumé.","abstract_has_math":false,"creators":["Laplante, François"],"institution":"Université de Moncton,","degree_name":"Maîtrise ès sciences (informatique)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["Kardouchi, Mustapha","Belacel, Nabil"],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-07-24T03:10:09Z","subjects":["Classification automatique (Statistique)","Informatique","Exploration de données (Informatique)","Segmentation d'image","Traitement d'images","Classification (Exploration de données)","Programmation heuristique"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 984158920"],"render_values":[{"text":"oclc: 984158920","href":null,"code":true}]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1854"],"render_values":[{"text":"umir:1854","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/6835","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Kardouchi, Mustapha","Belacel, Nabil"]},{"key":"dc:creator","label":"Author","values":["Laplante, François"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T17:56:02Z","2025-05-13T20:35:23Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T17:56:02Z","2025-05-13T20:35:23Z"]},{"key":"dc:date.issued","label":"Date","values":["2016"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton,"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (informatique)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Classification automatique (Statistique)","Informatique","Exploration de données (Informatique)","Segmentation d'image","Traitement d'images","Classification (Exploration de données)","Programmation heuristique"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 984158920"]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1854"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/6835"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":[""Déterminer un nombre optimal de classes et produire des résultats fiables sont deux enjeux difficiles et critiques dans le domaine du clustering. Nous proposons dans cette thèse une méthode qui apporte des éléments de réponses à ces deux défis. Cette méthode génère des résultats valides en estimant automatiquement un nombre optimal de classes. La méthode proposée permet d'obtenir un partitionnement de données valide sans aucune connaissance préalable concernant le nombre de classes. De plus, elle produit des résultats valable avec des données imbriquées ou entrecroisées. Afin de tester les performances de notre méthode, nous l'avons comparée à des méthodes nécessitant la connaissance à priori de nombre de classes, ainsi qu'à d'autres méthodes de clustering automatique. Notre méthode produit des résultats équivalents ou supérieurs à ces méthodes dépendamment des jeux de données utilisés. La méthode proposée comporte deux phases principales: la division et le regroupement. Une méthode de clustering basée sur l'algorithme DIANA est d'abord appliquée et est interrompu par une foncton heuristique d'arrêt. Ce partitionnement peut générer un nombre excessif de groupes. Une méthode de regroupement est alors appliquée jusqu'à obtention du résultat optimal. Nous avons par la suite testé notre méthode pour classifier un ensemble d'images représentées par leur moments principaux de couleurs. Nous avons obtenu des résultats prometteurs avec un ensemble restreint d'images. Keywords: Forage de données, partitionnement de donéées, clustering, clustering automatique, apprentissage non-supervisé, classification d'images, traitement d'images."--Résumé."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic","sans médiatio","volume"]},{"key":"dc:title","label":"Title","values":["Clustering automatique basé sur le partitionnement hiérarchique de données: application à la classification d'images"]}]}],"canonical_facts":{"dc:contributor.advisor":["Kardouchi, Mustapha","Belacel, Nabil"],"dc:creator":["Laplante, François"],"dc:date.accessioned":["2024-12-20T17:56:02Z","2025-05-13T20:35:23Z"],"dc:date.available":["2024-12-20T17:56:02Z","2025-05-13T20:35:23Z"],"dc:date.issued":["2016"],"dc:description.abstract":[""Déterminer un nombre optimal de classes et produire des résultats fiables sont deux enjeux difficiles et critiques dans le domaine du clustering. Nous proposons dans cette thèse une méthode qui apporte des éléments de réponses à ces deux défis. Cette méthode génère des résultats valides en estimant automatiquement un nombre optimal de classes. La méthode proposée permet d'obtenir un partitionnement de données valide sans aucune connaissance préalable concernant le nombre de classes. De plus, elle produit des résultats valable avec des données imbriquées ou entrecroisées. Afin de tester les performances de notre méthode, nous l'avons comparée à des méthodes nécessitant la connaissance à priori de nombre de classes, ainsi qu'à d'autres méthodes de clustering automatique. Notre méthode produit des résultats équivalents ou supérieurs à ces méthodes dépendamment des jeux de données utilisés. La méthode proposée comporte deux phases principales: la division et le regroupement. Une méthode de clustering basée sur l'algorithme DIANA est d'abord appliquée et est interrompu par une foncton heuristique d'arrêt. Ce partitionnement peut générer un nombre excessif de groupes. Une méthode de regroupement est alors appliquée jusqu'à obtention du résultat optimal. Nous avons par la suite testé notre méthode pour classifier un ensemble d'images représentées par leur moments principaux de couleurs. Nous avons obtenu des résultats prometteurs avec un ensemble restreint d'images. Keywords: Forage de données, partitionnement de donéées, clustering, clustering automatique, apprentissage non-supervisé, classification d'images, traitement d'images."--Résumé."],"dc:format":["application/pdf"],"dc:format.medium":["electronic","sans médiatio","volume"],"dc:identifier":["oclc: 984158920"],"dc:identifier.other":["umir:1854"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/6835"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton,"],"dc:rights":["Author"],"dc:subject":["Classification automatique (Statistique)","Informatique","Exploration de données (Informatique)","Segmentation d'image","Traitement d'images","Classification (Exploration de données)","Programmation heuristique"],"dc:title":["Clustering automatique basé sur le partitionnement hiérarchique de données: application à la classification d'images"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (informatique)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:10:09Z"}