Recherche
Panier électronique
Votre panier ne contient aucune notice
Connexion à la base
(Identifiez-vous pour accéder aux fonctions de mise à jour. Utilisez votre login-password de courrier électronique)
Entrepôt OAI-PMH
 | Consulter la notice détaillée |
 | Version complète en ligne |
 | Version complète en ligne accessible uniquement depuis l'Ircam |
 | Ajouter la notice au panier |
 | Retirer la notice du panier |
(full translation not yet available)
Consultation des notices
| Vue détaillée | Vue Refer | Vue Labintel | Vue BibTeX |
| Catégorie de document | Article paru dans une revue |
| Titre | Unsupervised Segmentation of Randomly Switching Data Hidden With Non-Gaussian Correlated Noise |
| Sous-titre | Hidden Markov chains, Triplet Markov Chains, Copulas, non-Gaussian correlated noise |
| Auteur principal | Pierre Lanchantin |
| Co-auteurs | Jérôme Lapuyade-Lahorgue, Wojciech Pieczynski |
| Paru dans | Signal Processing, Février 2011, Vol. 91, n° 2 |
| Comité de lecture | Oui |
| Année | 2011 |
| Statut éditorial | Publié |
| Résumé | Hidden Markov chains (HMC) are a very powerful tool in hidden data restoration and are currently used to solve a wide range of problems. However, when these data are not stationary, estimating the parameters, which are required for unsupervised processing, poses a problem. Moreover, taking into account correlated non-Gaussian noise is difficult without model approximations. The aim of this paper is to propose a simultaneous solution to both of these problems using triplet Markov chains (TMC) and copulas. The interest of the proposed models and related processing is validated by different experiments some of which are related to semi-supervised and unsupervised image segmentation. |
| Equipe | Analyse et synthèse sonores |
| Cote | Lanchantin11a |