Boosting vs maximum de vraisemblance
Résumé
This article sets out to demonstrate how boosting can serve as a supervised classification method, and to compare its results with those of conventional methods. The comparison begins with a theoretical example drawn from remote sensing classification in which several criteria are varied: number of pixels per class, overlapping (or not) of radiometric values between classes, with and without spatial structuring of classes within the geographical space. It is seen that 1) maximum likelihood give better results than boosting when the radiometric values for each class are clearly separated. This advantage is lost as the number of pixels per class increases; 2) boosting is systematically better than maximum likelihood in the event of overlapping radiometric variable classes, whether or not there is a spatial structure.
L'objectif de cet article est de présenter le Boosting en tant que méthode de classification supervisée et de comparer ses résultats à ceux obtenus par le maximum de vraisemblance. La comparaison se fait à partir d'un exemple théorique issu de télédétection dans lequel on fait varier plusieurs critères : nombre de pixels par classes, chevauchement ou non des radiométries entre classes, avec ou sans structure spatiale des classes dans l'espace géographique. On montre que 1) le maximum de vraisemblance donne de meilleurs résultats que le Boosting lorsque les valeurs radiométriques de chaque classe sont bien séparées. Cet avantage se perd lorsque le nombre de pixels par classe augmente ; 2) le Boosting l'emporte toujours sur le maximum de vraisemblance lorsque les classes radiométriques se chevauchent, qu'il y ait une structure spatiale ou non.