Coriolys

http://ubuntuforums.org/showthread.php?t=875401

=============== THANKS davemc ======================

Install SyncKolab for Thunderbird for AMD64

cvs -d :pserver:guest@mozdev.org:/cvs login
cvs -z3 -d :pserver:guest@mozdev.org:/cvs co synckolab
It doesn't seem to come with a make or build. 

#!/bin/sh
cd chrome
zip -r sync_kolab-cvs-amd64.jar content/ skin/ locale/
cd ..
zip sync_kolab-cvs-amd64.xpi install.rdf chrome/sync_kolab-cvs-amd64.jar

Une superbe ballade jusqu'à la croix perrin de 14km. Ouf! Ils nous reste un peu de jus alors on se rajoute 4km jusqu'au bourg de Méaudre pour aller déguster la fondue. Bon l'année prochaine on remet ça ! Catégorie Raid cette fois...

C'était du bonheur de la fraiche partout et du soleil. ...

Bravo pour l'organisation. Merci l'OT de Méaudre.

Hier j'ai remis mon rapport du cnam pour l'épreuve dite "TEST". Je mettrais un exemplaire sur le site un de ces jours. En attendant le titre et le résumé au cas ou cela intéresse du monde.

Les machines à vecteurs support pour la classification en imagerie hyperspectrale : implémentation et mise en œuvre.

RÉSUMÉ

Les machines à vecteurs support (SVM) développées dans les années 1990 ont été utilisées dans de très nombreux domaines. Avec le récent développement des capteurs spectrométriques de haute résolution spatiale (quelques dizaines de centimètres par pixel) et spectrale (plusieurs centaines de bandes), les SVM peuvent s’avérer de précieux outils pour le traitement des images hyperspectrales. Ce document a pour but de montrer le fonctionnement des SVM et leur usage comme classifieur dans le cadre de l’imagerie hyperspectrale. Plusieurs techniques de sélection des hyper-paramètres sont abordées. Nous détaillons une technique particulière qui utilise les algorithmes génétiques.
La mise en œuvre sur des données réelles passe par l’usage de librairies type LIBSVM et par la possibilité de faire de la classification multiple. Un algorithme SVM ne pouvant séparer que deux classes, il est alors nécéssaire de choisir une stratégie multi-classes adaptée. L’utilisation de SVM multi-classes associées à un algorithme génétique pour la classification d’image hyperspectrale pourrait être alors envisagée dans le cadre du projet de recherche VAHINE.

MOTS CLEFS :

Algorithme génétique (AG), apprentissage, classification, classification supervisée, classification multi-classes, image hyperspectrale, machines à vecteurs support (SVM),
télédétection.

ABSTRACT

Support vector machine (SVM) created in 90s is a popular tool for classification problems. Last hyperspectral remote sensors generate large dimensional data because of their very high spatial and spectral resolution. The support vector machine classifier can help us to process these hyperspectral images. Therefore the goal of this document is to explain the mechanism of SVM and its use as classifier. Several methods of model parameters selections are presented. We focus on one of them, the selection by genetic algorithm. The implementation of SVM typically uses LIBSVM solver to process real data. Our algorithms have to be able to operate in multi-class mode. As the SVMs were originally designed for binary classification, we have to select an efficient multiclass strategy. For VAHINE research project, we assume the usage of a SVM classifier with integrated genetic algorithm for parameter model selection.

KEYWORDS :

Classification, genetic algorithm (GA), hyperspectral image, multiclass classification, remote sensing, supervised classification, support vector machines (SVM).