💻 computer science

EigenCoin: sassanid coins classification based on Bhattacharyya distance

Cet article propose EigenCoin, une méthode de classification des pièces sassanides basée sur la distance de Bhattacharyya et des variétés, qui surpasse les algorithmes existants en gérant efficacement les bases de données déséquilibrées et le surapprentissage.

Auteurs originaux : Rahele Allahverdi, Mohammad Mahdi Dehshibi, Azam Bastanfard, Daryoosh Akbarzadeh

Publié 2026-04-15

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Rahele Allahverdi, Mohammad Mahdi Dehshibi, Azam Bastanfard, Daryoosh Akbarzadeh

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🪙 Le Défi : Reconnaître des pièces de monnaie anciennes (et déséquilibrées)

Imaginez que vous êtes un expert en numismatique (l'étude des pièces de monnaie). Votre travail consiste à identifier de vieilles pièces sassanides (de l'ancienne Perse) en regardant simplement leur portrait gravé. Le problème ?

C'est difficile : Les pièces sont abîmées, sales, et les gravures sont complexes.
C'est injuste : Vous avez des milliers de pièces du roi Khosrow II, mais seulement quelques-unes du roi Hormozd V. C'est comme essayer d'apprendre à reconnaître des chats alors que vous avez 1000 photos de chats noirs et seulement 3 photos de chats blancs. Les algorithmes classiques ont tendance à oublier les "chats blancs" (c'est ce qu'on appelle le déséquilibre des données).

Les chercheurs de ce papier (Rahele Allahverdi et son équipe) veulent créer un robot capable de faire ce travail sans se tromper, même avec ce déséquilibre.

🛠️ La Solution : "EigenCoin" (La Carte au Trésor des Pièces)

Leur méthode s'appelle EigenCoin. Pour comprendre comment ça marche, utilisons une analogie simple.

1. La Préparation : Nettoyer la pièce (ROI)

Avant de commencer, il faut isoler la pièce de son fond. Imaginez que vous prenez une photo d'une pièce posée sur une table en bois. Le robot utilise des filtres pour effacer la table et ne garder que la pièce elle-même, en enlevant aussi les numéros d'inventaire qui pourraient tromper le système.

2. La Construction de la "Carte" (EigenCoin)

C'est ici que la magie opère.

L'idée : Au lieu de regarder chaque pièce comme une image complexe, le système crée une "Carte au trésor" (un espace mathématique).
Comment ? Ils prennent 70% de leurs pièces (les plus nombreuses) et les analysent pour trouver les traits communs essentiels. Imaginez que vous prenez 100 portraits de rois perses et que vous créez un "visage moyen" de la dynastie, puis vous notez ce qui fait que tel roi a un nez plus long ou une couronne différente.
Ces traits essentiels sont appelés des vecteurs propres (d'où le nom Eigen). C'est comme si on réduisait une pièce complexe à ses 112 caractéristiques les plus importantes.

3. Le Test : La Mesure de la "Distance" (Bhattacharyya)

Maintenant, on lui présente une pièce inconnue.

Le robot projette cette nouvelle pièce sur sa "Carte au trésor".
Ensuite, il doit décider : "À quel roi ressemble-t-elle le plus ?"
La différence clé : La plupart des robots utilisent une règle simple (la distance Euclidienne, comme mesurer la distance à la règle). Ici, les chercheurs utilisent une règle plus intelligente appelée distance de Bhattacharyya.
- L'analogie : Imaginez que vous essayez de reconnaître un ami dans une foule.
  - La méthode classique dit : "Il est à 2 mètres de moi, donc c'est lui." (Trop simple, ça peut se tromper si la foule bouge).
  - La méthode Bhattacharyya dit : "Il a la même démarche, le même style de veste, et la même façon de sourire que mon ami, même s'il est un peu plus loin." Elle prend en compte la forme et la variabilité du groupe. C'est beaucoup plus précis quand les données sont rares ou déséquilibrées.

🏆 Les Résultats : Qui gagne ?

Les chercheurs ont testé leur méthode "EigenCoin" contre trois autres techniques connues (comme l'analyse des coins d'images ou les ondes).

Le Score : EigenCoin a obtenu un taux de réussite allant de 9,45 % à 21,75 %.
Pourquoi c'est impressionnant ? Dans le monde des pièces anciennes, c'est très difficile. Les autres méthodes (comme les "coins" ou les "ondes") ont eu des résultats bien pires.
Le Super-Pouvoir : EigenCoin a réussi à éviter le surapprentissage (Over-fitting).
- L'analogie : Imaginez un élève qui apprend par cœur son cours pour un examen, mais qui échoue dès qu'on change une seule question. C'est le surapprentissage. EigenCoin, lui, a compris le concept des pièces sassanides. Même avec très peu d'exemples pour le roi Hormozd V, il a su s'adapter sans paniquer.

📝 En Résumé

Ce papier nous dit essentiellement :

"Pour reconnaître des pièces anciennes complexes et rares, ne faites pas juste une moyenne simple. Créez une carte mathématique intelligente (EigenCoin) et utilisez une règle de mesure subtile (Bhattacharyya) qui comprend les nuances. C'est la meilleure façon de ne pas se tromper, même quand on a très peu d'exemples pour certains rois."

C'est une victoire de l'intelligence artificielle appliquée au patrimoine culturel, prouvant qu'on peut utiliser des maths avancées pour sauver l'histoire ! 🏛️✨

1. Problématique

L'article aborde le défi de la classification automatique des pièces de monnaie anciennes, spécifiquement les pièces sassanides, dans le contexte de la reconnaissance de motifs appliquée au patrimoine culturel. Les principaux obstacles identifiés sont :

Déséquilibre des données (Imbalanced Data) : La distribution des images par classe est très inégale (certaines classes de rois ont beaucoup plus d'images que d'autres), ce qui conduit souvent à des problèmes de surapprentissage (over-fitting) et biaise les résultats des classifieurs standards.
Complexité visuelle : Les pièces présentent des structures de motifs complexes, des variations intra-classe, des problèmes d'éclairage et d'occlusion.
Limites des méthodes existantes : Les approches précédentes sur les pièces romaines ou modernes (utilisant des descripteurs locaux comme SIFT ou des réseaux de neurones) ont montré des taux de reconnaissance faibles (parfois inférieurs à 30 %) ou manquent de reproductibilité.

L'objectif est de développer une méthode robuste capable de classifier ces pièces avec un taux de précision élevé malgré le petit nombre d'échantillons et le déséquilibre des classes.

2. Méthodologie : EigenCoin

Les auteurs proposent une nouvelle approche appelée EigenCoin, basée sur l'analyse en composantes principales (ACP ou PCA) et la distance de Bhattacharyya. Le processus se déroule en plusieurs étapes :

A. Prétraitement et Extraction de la Région d'Intérêt (ROI)

Segmentation : Une opération de gradient (opérateur de Sobel) est appliquée pour détecter les contours et créer un masque binaire.
Morphologie mathématique : Des opérations de dilatation (éléments structurants verticaux puis horizontaux) et de remplissage de trous sont utilisées pour isoler la pièce du fond.
Nettoyage : Pour éliminer les numéros d'identification imprimés sur les images, l'algorithme calcule la surface de chaque composante connectée et ne conserve que la plus grande (la pièce elle-même).

B. Construction de l'Espace EigenCoin (Manifold)

Réduction de dimension : 70 % des données d'entraînement sont vectorisées. Une ACP est appliquée pour extraire les vecteurs propres (Eigenvectors) les plus informatifs.
Sous-espace : Un sous-espace (le « manifold ») est construit à partir des $K$ vecteurs propres dont la somme des valeurs propres couvre l'énergie maximale des données.
Projection : Une image de test est projetée sur cet espace EigenCoin pour obtenir un vecteur de poids (coefficients).

C. Classification par Distance de Bhattacharyya

Différence fondamentale : Contrairement aux méthodes Eigen classiques (comme les Eigenfaces) qui utilisent la distance euclidienne, EigenCoin utilise la distance de Bhattacharyya.
Justification : Chaque vecteur dans l'espace EigenCoin est modélisé comme une distribution gaussienne multivariée. La distance de Bhattacharyya mesure la similarité entre ces distributions (en tenant compte des moyennes et des covariances), ce qui est plus robuste pour la reconnaissance de motifs complexes.
Décision : La pièce de test est assignée à la classe dont la distance de Bhattacharyya est minimale.

D. Métriques d'Évaluation Spécifiques

Pour pallier le problème de données déséquilibrées, les auteurs définissent deux métriques :

Erreur Quadratique Moyenne Normalisée (MSE) : Pour évaluer et minimiser le surapprentissage (over-fitting) lors de la reconstruction des vecteurs.
Métrique de Précision Pondérée : Une précision globale calculée en multipliant le taux de reconnaissance de chaque classe par un coefficient, afin de ne pas favoriser les classes majoritaires.

3. Résultats Expérimentaux

Les expériences ont été menées sur une base de données de 1288 images de pièces sassanides (résolution 1772×1553), réparties en 4 classes correspondant à quatre rois (Khosrow I, Khosrow II, Hormozd IV, Hormozd V). La distribution est très inégale (ex: 490 images pour Khosrow II contre seulement 4 pour Hormozd V).

Optimisation des vecteurs propres : Le taux de reconnaissance optimal a été atteint avec 112 vecteurs propres.
Performance globale : La méthode EigenCoin a atteint une précision globale allant de 9,45 % à 21,75 % (selon le nombre de vecteurs et la métrique utilisée).
Comparaison avec d'autres méthodes :
- BDPCA (PCA Bidirectionnelle) : Meilleur résultat de 19,54 %.
- Décomposition en Ondelettes (Wavelet) : Meilleur résultat de 19,17 %.
- Détecteur de coins de Harris : Meilleur résultat de 18,81 %.
Analyse par classe : EigenCoin a surpassé les autres méthodes, bien que la classe « Khosrow II » (la plus nombreuse) ait posé des difficultés de discrimination pour les autres classes en raison de la domination de sa distribution dans le modèle.

4. Contributions Clés

Proposition d'EigenCoin : Une nouvelle méthode de classification de pièces anciennes combinant l'ACP et la distance de Bhattacharyya, adaptée aux structures de motifs chaotiques.
Gestion du déséquilibre des données : Introduction d'une métrique de précision pondérée et démonstration de la capacité de la méthode à gérer le surapprentissage dans des bases de données déséquilibrées.
Supériorité empirique : Preuve expérimentale que l'approche basée sur la distance de Bhattacharyya dans un espace de manifold surpasse les méthodes de l'état de l'art (BDPCA, Ondelettes, Harris) pour ce type de patrimoine culturel.
Automatisation du patrimoine : Démonstration de la faisabilité de l'automatisation pour la classification de pièces anciennes, facilitant la traçabilité (lutte contre le vol et le trafic illégal sur Internet).

5. Signification et Conclusion

Cet article marque une avancée significative dans l'application de la reconnaissance de motifs au patrimoine culturel, un domaine souvent négligé en raison de la rareté et du déséquilibre des données. La méthode EigenCoin démontre qu'en modifiant la métrique de distance (passage de l'euclidien au Bhattacharyya) et en intégrant une analyse rigoureuse du surapprentissage, il est possible d'obtenir des résultats robustes même avec des ensembles de données complexes et déséquilibrés.

Les auteurs concluent que leur approche est prometteuse pour servir de modèle (pilot) pour la classification de pièces anciennes et suggèrent que la publication séparée des taux de précision par classe est essentielle pour une évaluation honnête dans ce contexte spécifique.