Pour la dernière couche du DNN, il s'agit de la fonction d'activation softmax afin de classifier le niveau de réussite financière du film.
Et pour évaluer le modèle, il s'agit d'une fonction de "cross-entropy". La fonction de coût est minimisée est correspond à une erreur quadratique moyenne. \\
Le principal avantage de ce modèle est qu'il utilise des fonctionnalités de données multimodales, ce qui donne plus d'informations et donc une meilleure prédiction.
\end{minipage}
\end{minipage}
Pour la dernière couche du DNN, il s'agit de la fonction d'activation softmax afin de classifier le niveau de réussite financière du film.
Et pour évaluer le modèle, il s'agit d'une fonction de "cross-entropy". La fonction de coût est minimisée est correspond à une erreur quadratique moyenne. \\
Le principal avantage de ce modèle est qu'il utilise des fonctionnalités de données multimodales, ce qui donne plus d'informations et donc une meilleure prédiction.
%EXPERIENCE
\section{Expérience}
...
...
@@ -229,7 +239,6 @@ Cette expérience montre que le CNN se focalise sur les régions avec du texte.
%CONCLUSION
\section{Conclusion}
Dans ce papier, un DNN multimodal a été proposé pour prédire le revenu box-office de films. Un CNN a d’abord été utilisé pour extraire des données de posters puis un DNN multimodal a été mis en place avec en entrée le résultat du CNN et des données relatives aux films (acteurs, durée, genre etc). \\
L’expérience a montré des résultats satisfaisants selon les critères définis. Il a d’ailleurs été noté que le résultat du DNN était meilleur lorsque le CNN (affiche de films) était pris en compte.