Descripteur
Termes IGN > mathématiques > analyse numérique > algèbre linéaire > calcul tensoriel
calcul tensorielSynonyme(s)analyse tensorielle |
Documents disponibles dans cette catégorie (50)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Rapid source models of the 2021 Mw 7.4 Maduo, China, earthquake inferred from high-rate BDS3/2, GPS, Galileo and GLONASS observations / Jianfei Zang in Journal of geodesy, vol 96 n° 9 (September 2022)
![]()
[article]
Titre : Rapid source models of the 2021 Mw 7.4 Maduo, China, earthquake inferred from high-rate BDS3/2, GPS, Galileo and GLONASS observations Type de document : Article/Communication Auteurs : Jianfei Zang, Auteur ; Yangmao Wen, Auteur ; Zhicai Li, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 58 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géodésie spatiale
[Termes IGN] Chine
[Termes IGN] données GNSS
[Termes IGN] magnitude
[Termes IGN] positionnement par GNSS
[Termes IGN] positionnement ponctuel précis
[Termes IGN] prévention des risques
[Termes IGN] séisme
[Termes IGN] temps réel
[Termes IGN] tenseurRésumé : (auteur) On May 21, 2021, a Mw 7.4 earthquake struck the Maduo County in Qinghai province of China. The earthquake was well recorded by the surrounding high-rate Global Navigation Satellite System (GNSS) stations. In addition to GPS, GLONASS and BDS2 observations, these stations also recorded the latest BDS3 and Galileo observations. The performance of high-rate single-GNSS and fusion of multi-GNSS on warning magnitude calculation, rapid centroid moment tensor inversion and static fault slip inversion are well investigated in this study. The results demonstrate that within a short period of time (5 min), Precise Point Positioning (PPP) displacements of BDS3 alone are better than those of BDS2 alone, while the individual displacement accuracies of BDS3, GPS and Galileo are comparable. When BDS3 and BDS2 data are combined, the combined BDS accuracy is slightly better than that of GPS or Galileo alone. Compared with the single-GNSS displacements, the fusion of GPS + GLONASS + Galileo + BDS3/2 (GREC) can achieve the highest accuracy with standard deviation values of 0.25 cm, 0.22 cm and 0.53 cm in north, east and up components, respectively. For the warning magnitude estimation, BDS3 alone, BDS2 alone, combined BDS3/2, combined GPS + BDS3/2, Galileo alone and GREC all show comparable performance. The results of centroid moment tensor inversion and static fault slip inversion are related to the station distribution. When the same stations are used, the inverted centroid moment tensors and static fault slips of a single GNSS are very similar to the multi-GNSS inversion results, but the multi-GNSS centroid moment tensor series and fault slips appear to be more stable when the observation quality of a single GNSS such as GLONASS, is relatively low. The results obtained in this study imply that GPS, BDS3, Galileo and combined multi-GNSS have the potential to be used for the earthquake early warning and rapid earthquake source modeling. Numéro de notice : A2022-603 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s00190-022-01641-w Date de publication en ligne : 24/08/2022 En ligne : https://doi.org/10.1007/s00190-022-01641-w Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101556
in Journal of geodesy > vol 96 n° 9 (September 2022) . - n° 58[article]A second-order attention network for glacial lake segmentation from remotely sensed imagery / Shidong Wang in ISPRS Journal of photogrammetry and remote sensing, vol 189 (July 2022)
![]()
[article]
Titre : A second-order attention network for glacial lake segmentation from remotely sensed imagery Type de document : Article/Communication Auteurs : Shidong Wang, Auteur ; Maria V. Peppa, Auteur ; Wen Xiao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 289 - 301 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] changement climatique
[Termes IGN] covariance
[Termes IGN] image Landsat-8
[Termes IGN] Inde
[Termes IGN] itération
[Termes IGN] lac glaciaire
[Termes IGN] réflectance de surface
[Termes IGN] segmentation d'image
[Termes IGN] tenseurRésumé : (auteur) Climate change is increasing the risk of glacial lake outburst floods (GLOFs) in many of the world’s most vulnerable and high mountain regions. Simultaneously, remote sensing technologies now facilitate continuous monitoring of glacial lake evolution around the globe, although accurate and reliable automated glacial lake mapping from satellite data remains challenging. In this study, a Second-order Attention Network (SoAN) is devised for the automated segmentation of lakes from satellite imagery. In particular, a novel Second-order Attention Module (SoAM) is proposed to capture the long-range spatial dependencies and establish channel attention derived from the covariance representations of local features. Furthermore, as the dimensions of the input and output tensors are identical and it simply relies on matrix calculations, the proposed SoAM can be embedded into different positions of a given architecture while maintaining similar reference speed. The designed network is implemented on Landsat-8 imagery and outputs are compared against representative deep learning models, demonstrating improved results with a Dice of 81.02% and a F2 Score of 85.17%. Numéro de notice : A2022-470 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.05.007 Date de publication en ligne : 29/05/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.05.007 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100814
in ISPRS Journal of photogrammetry and remote sensing > vol 189 (July 2022) . - pp 289 - 301[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 081-2022071 SL Revue Centre de documentation Revues en salle Disponible Représentation et combinaison de l'information géographique pour l'apprentissage profond / Azelle Courtial (2022)
![]()
![]()
Titre : Représentation et combinaison de l'information géographique pour l'apprentissage profond Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya
, Auteur
Editeur : [s.l.] : [s.n.] Année de publication : 2022 Conférence : EGC 2022, 7e atelier GAST, Gestion et Analyse de données Spatiales et Temporelles 25/01/2022 25/01/2022 Blois France OA Proceedings Importance : pp 54 - 65 Note générale : bibliographie Langues : Français (fre) Descripteur : [Termes IGN] apprentissage profond
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données vectorielles
[Termes IGN] généralisation automatique de données
[Termes IGN] représentation des données
[Termes IGN] tenseur
[Vedettes matières IGN] GénéralisationRésumé : (auteur) L’apprentissage profond permet maintenant de générer des cartes transformées à partir d’images d’autres cartes. Mais contrairement aux méthodes traditionnelles de prédiction de carte qui reposent sur des couches de données vectorielles stockées dans des bases de données géographiques, l’image ne transmet qu’une vue limitée des informations contenues dans la version vectorielle des données. Dans cet article, nous nous intéressons à la représentation de l’information géographique sous forme de tenseurs pour améliorer la génération de cartes par apprentissage profond. Nous proposons d’abord une stratégie alternative pour la création des données d’apprentissage : un ensemble de masques où chacun décrit les formes et positions d’un type d’objet géographique sur une même portion de carte (bâtiments, routes, ...). Nous étudions ensuite comment combiner de l’information géographique additionnelle dans les mécanismes d’apprentissage pour améliorer l’abstraction des cartes générées. Numéro de notice : C2022-054 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://hal.science/hal-03719234v1 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103160 Documents numériques
peut être téléchargé
Représentation et combinaison de l'IG ... - pdf éditeurAdobe Acrobat PDFRepresenting vector geographic information as a tensor for deep learning based map generalisation / Azelle Courtial (2022)
![]()
Titre : Representing vector geographic information as a tensor for deep learning based map generalisation Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya
, Auteur ; Xiang Zhang, Auteur
Editeur : AGILE Alliance Année de publication : 2022 Projets : 1-Pas de projet / Conférence : AGILE 2022, 25th international AGILE Conference on Geographic Information Science, Artificial intelligence in the service of geospatial technologies 14/06/2022 17/06/2022 Vilnius Lithuanie OA Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] alignement des données
[Termes IGN] apprentissage profond
[Termes IGN] architecture de réseau
[Termes IGN] bati
[Termes IGN] carte topographique
[Termes IGN] couche
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données vectorielles
[Termes IGN] information sémantique
[Termes IGN] milieu urbain
[Termes IGN] route
[Termes IGN] tenseur
[Vedettes matières IGN] GénéralisationRésumé : (auteur) Recently, many researchers tried to generate (generalised) maps using deep learning, and most of the proposed methods deal with deep neural network architecture choices. Deep learning learns to reproduce examples, so we think that improving the training examples, and especially the representation of the initial geographic information, is the key issue for this problem. Our article extracts some representation issues from a literature review and proposes different ways to represent vector geographic information as a tensor. We propose two kinds of contributions: 1) the representation of information by layers; 2) the representation of additional information. Then, we demonstrate the interest of some of our propositions with experiments that show a visual improvement for the generation of generalised topographic maps in urban areas. Numéro de notice : C2022-024 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/agile-giss-3-32-2022 En ligne : https://doi.org/10.5194/agile-giss-3-32-2022 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100921 Hyperspectral and multispectral image fusion via graph Laplacian-guided coupled tensor decomposition / Yuanyang Bu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)
![]()
[article]
Titre : Hyperspectral and multispectral image fusion via graph Laplacian-guided coupled tensor decomposition Type de document : Article/Communication Auteurs : Yuanyang Bu, Auteur ; Yong-Qiang Zhao, Auteur ; Jize Xue, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 648 - 662 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse spectrale
[Termes IGN] calcul tensoriel
[Termes IGN] équation de Laplace
[Termes IGN] fusion d'images
[Termes IGN] graphe
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] optimisation (mathématiques)
[Termes IGN] tenseur
[Termes IGN] théorie des variétésRésumé : (auteur) We propose a novel graph Laplacian-guided coupled tensor decomposition (gLGCTD) model for fusion of hyperspectral image (HSI) and multispectral image (MSI) for spatial and spectral resolution enhancements. The coupled Tucker decomposition is employed to capture the global interdependencies across the different modes to fully exploit the intrinsic global spatial–spectral information. To preserve local characteristics, the complementary submanifold structures embedded in high-resolution (HR)-HSI are encoded by the graph Laplacian regularizations. The global spatial–spectral information captured by the coupled Tucker decomposition and the local submanifold structures are incorporated into a unified framework. The gLGCTD fusion framework is solved by a hybrid framework between the proximal alternating optimization (PAO) and the alternating direction method of multipliers (ADMM). Experimental results on both synthetic and real data sets demonstrate that the gLGCTD fusion method is superior to state-of-the-art fusion methods with a more accurate reconstruction of the HR-HSI. Numéro de notice : A2021-036 Affiliation des auteurs : non IGN Thématique : IMAGERIE/MATHEMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2992788 Date de publication en ligne : 18/05/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2992788 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96738
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 1 (January 2021) . - pp 648 - 662[article]Quantification probabiliste des taux de déformation crustale par inversion bayésienne de données GPS / Colin Pagani (2021)
PermalinkSpectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches / Ricardo Augusto Borsoi (2021)
PermalinkTemporal calibration and synchronization of robotic total stations for kinematic multi-sensor-systems / Tomas Thalmann in Journal of applied geodesy, vol 15 n° 1 (January 2021)
PermalinkA discriminative tensor representation model for feature extraction and classification of multispectral LiDAR data / Qingwang Wang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)
PermalinkGeneralized tensor regression for hyperspectral image classification / Jianjun Liu in IEEE Transactions on geoscience and remote sensing, vol 58 n° 2 (February 2020)
PermalinkVelocity field and crustal deformation of broader Athens plain (Greece) from a dense geodetic network / Michael Foumelis in Journal of applied geodesy, Vol 13 n° 4 (October 2019)
PermalinkUnmanned aerial system multispectral mapping for low and variable solar irradiance conditions: Potential of tensor decomposition / Sheng Wang in ISPRS Journal of photogrammetry and remote sensing, vol 155 (September 2019)
PermalinkPotentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne / Florent Abdelghafour (2019)
PermalinkRobust object-based multipass InSAR deformation reconstruction / Jian Kang in IEEE Transactions on geoscience and remote sensing, vol 55 n° 8 (August 2017)
PermalinkAn adaptive weighted tensor completion method for the recovery of remote sensing images with missing data / Michael Kwok-Po Ng in IEEE Transactions on geoscience and remote sensing, vol 55 n° 6 (June 2017)
Permalink