Réseaux de Neurones Convolutifs avec Apprentissage Minimax pour des Proportions par classe incertaines et déséquilibrées

Ce papier propose une nouvelle approche ajustant les réseaux de neurones convolutifs appliqués sur des jeux de données déséquilibrés dont les proportions par classes sont incertaines. La règle de décision constitutant la sortie du réseau de neurones est remplacée par le classifieur Minimax dont la particularité est de chercher à égaliser les risques conditionnels. De ce fait, le réseau de neurones devient robuste au déséquilibre des bases de données ainsi qu'au changement de probabilités a priori. Des expériences numériques sur des images médicales mettent en évidence la pertinence de notre approche quand il est nécessaire de classifier correctement les classes les moins représentées. Les résultats obtenus sur la base de données CIFAR100 démontre l'extensibilité de notre méthode en présence d'un grand nombre de classes.