Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage dirigé
apprentissage dirigéSynonyme(s)apprentissage superviséVoir aussi |
Documents disponibles dans cette catégorie (198)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Variable-scale maps in real-time generalisation using a quadtree data structure and space deforming algorithms / Pia Bereuter in International journal of cartography, vol 3 n° 1 (June 2017)
![]()
[article]
Titre : Variable-scale maps in real-time generalisation using a quadtree data structure and space deforming algorithms Type de document : Article/Communication Auteurs : Pia Bereuter, Auteur ; Robert Weibel, Auteur Année de publication : 2017 Article en page(s) : pp 134 - 147 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] arbre quadratique
[Termes IGN] déformation géométrique
[Termes IGN] généralisation à la volée
[Termes IGN] généralisation automatique de données
[Termes IGN] généralisation cartographique
[Termes IGN] temps réel
[Vedettes matières IGN] GénéralisationRésumé : (Auteur) Variable-scale maps have been advocated by several authors in the context of mobile cartography. In the literature on real-time map generalisation, however, corresponding methods that resolve cartographic conflicts by deformation of the underlying map space together with the map foreground, are underrepresented. This paper demonstrates how the concept of a malleable space can be applied as a part of the generalisation process and incorporated into the overall methodology of point generalisation. Two different algorithms are used, a density-equalising cartogram algorithm and Laplacian smoothing. Both methods work in real-time and are datadriven. In addition, they allow for a parameterisation in combi-nation with a quadtree data structure, as well as a combination with 'classic' generalisation operators (e.g. selection, aggregation, displacement) based on the quadtree. The quadtree serves both as a spatial index for fast retrieval and search of points, and as a density estimator to inform generalisation operators. The use of the quadtree as a common spatial index provides a tool to combine variable-scale maps with classic generalisation. A combination of the two allows, at small map scales, the maintenance of detail in dense areas and data reduction in sparse areas. Additionally, it facilitates building a modular workflow for real-time map generalisation. Numéro de notice : A2017-322 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/23729333.2017.1304189 En ligne : http://dx.doi.org/10.1080/23729333.2017.1304189 Format de la ressource électronique : URL bulletin Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=85380
in International journal of cartography > vol 3 n° 1 (June 2017) . - pp 134 - 147[article]Dimensionality reduction and classification of hyperspectral images using ensemble discriminative local metric learning / Yanni Dong in IEEE Transactions on geoscience and remote sensing, vol 55 n° 5 (May 2017)
![]()
[article]
Titre : Dimensionality reduction and classification of hyperspectral images using ensemble discriminative local metric learning Type de document : Article/Communication Auteurs : Yanni Dong, Auteur ; Bo Du, Auteur ; Liangpei Zhang, Auteur ; Lefei Zhang, Auteur Année de publication : 2017 Article en page(s) : pp 2509 - 2524 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage dirigé
[Termes IGN] classification
[Termes IGN] image hyperspectrale
[Termes IGN] réductionRésumé : (Auteur) The high-dimensional data space of hyperspectral images (HSIs) often result in ill-conditioned formulations, which finally leads to many of the high-dimensional feature spaces being empty and the useful data existing primarily in a subspace. To avoid these problems, we use distance metric learning for dimensionality reduction. The goal of distance metric learning is to incorporate abundant discriminative information by reducing the dimensionality of the data. Considering that global metric learning is not appropriate for all training samples, this paper proposes an ensemble discriminative local metric learning (EDLML) algorithm for HSI analysis. The EDLML algorithm learns robust local metrics from both the training samples and the relative neighborhood of them and considers the different local discriminative distance metrics by dealing with the data region by region. It aims to learn a subspace to keep all the samples in the same class are as near as possible, while those from different classes are separated. The learned local metrics are then used to build an ensemble metric. Experiments on a number of different hyperspectral data sets confirm the effectiveness of the proposed EDLML algorithm compared with that of the other dimension reduction methods. Numéro de notice : A2017-465 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2645703 En ligne : http://dx.doi.org/10.1109/TGRS.2016.2645703 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86388
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 5 (May 2017) . - pp 2509 - 2524[article]Classifying natural-language spatial relation terms with random forest algorithm / Shihong Du in International journal of geographical information science IJGIS, vol 31 n° 3-4 (March-April 2017)
![]()
[article]
Titre : Classifying natural-language spatial relation terms with random forest algorithm Type de document : Article/Communication Auteurs : Shihong Du, Auteur ; Xiaonan Wang, Auteur ; Chen-Chieh Feng, Auteur ; Xiuyuan Zhang, Auteur Année de publication : 2017 Article en page(s) : pp 542 - 568 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage dirigé
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] intelligence artificielle
[Termes IGN] interface en langage naturel
[Termes IGN] langage naturel (informatique)
[Termes IGN] méthode robuste
[Termes IGN] recherche d'information géographique
[Termes IGN] relation spatiale
[Termes IGN] relation topologique
[Termes IGN] similitude sémantiqueRésumé : (Auteur) The exponential growth of natural language text data in social media has contributed a rich data source for geographic information. However, incorporating such data source for GIS analysis faces tremendous challenges as existing GIS data tend to be geometry based while natural language text data tend to rely on natural language spatial relation (NLSR) terms. To alleviate this problem, one critical step is to translate geometric configurations into NLSR terms, but existing methods to date (e.g. mean value or decision tree algorithm) are insufficient to obtain a precise translation. This study addresses this issue by adopting the random forest (RF) algorithm to automatically learn a robust mapping model from a large number of samples and to evaluate the importance of each variable for each NLSR term. Because the semantic similarity of the collected terms reduces the classification accuracy, different grouping schemes of NLSR terms are used, with their influences on classification results being evaluated. The experiment results demonstrate that the learned model can accurately transform geometric configurations into NLSR terms, and that recognizing different groups of terms require different sets of variables. More importantly, the results of variable importance evaluation indicate that the importance of topology types determined by the 9-intersection model is weaker than metric variables in defining NLSR terms, which contrasts to the assertion of ‘topology matters, metric refines’ in existing studies. Numéro de notice : A2017-078 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2016.1212356 En ligne : http://dx.doi.org/10.1080/13658816.2016.1212356 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84340
in International journal of geographical information science IJGIS > vol 31 n° 3-4 (March-April 2017) . - pp 542 - 568[article]Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 079-2017021 RAB Revue Centre de documentation En réserve L003 Disponible 079-2017022 RAB Revue Centre de documentation En réserve L003 Disponible Dictionary learning-based feature-level domain adaptation for cross-scene hyperspectral image classification / Minchao Ye in IEEE Transactions on geoscience and remote sensing, vol 55 n° 3 (March 2017)
![]()
[article]
Titre : Dictionary learning-based feature-level domain adaptation for cross-scene hyperspectral image classification Type de document : Article/Communication Auteurs : Minchao Ye, Auteur ; Yuntao Qian, Auteur ; Jun Zhou, Auteur ; Yuan Yan Tang, Auteur Année de publication : 2017 Article en page(s) : pp 1544 - 1562 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage dirigé
[Termes IGN] classification dirigée
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image hyperspectrale
[Termes IGN] occupation du sol
[Termes IGN] régression logistiqueRésumé : (Auteur) A big challenge of hyperspectral image (HSI) classification is the small size of labeled pixels for training classifier. In real remote sensing applications, we always face the situation that an HSI scene is not labeled at all, or is with very limited number of labeled pixels, but we have sufficient labeled pixels in another HSI scene with the similar land cover classes. In this paper, we try to classify an HSI scene containing no labeled sample or only a few labeled samples with the help of a similar HSI scene having a relative large size of labeled samples. The former scene is defined as the target scene, while the latter one is the source scene. We name this classification problem as cross-scene classification. The main challenge of cross-scene classification is spectral shift, i.e., even for the same class in different scenes, their spectral distributions maybe have significant deviation. As all or most training samples are drawn from the source scene, while the prediction is performed in the target scene, the difference in spectral distribution would greatly deteriorate the classification performance. To solve this problem, we propose a dictionary learning-based feature-level domain adaptation technique, which aligns the spectral distributions between source and target scenes by projecting their spectral features into a shared low-dimensional embedding space by multitask dictionary learning. The basis atoms in the learned dictionary represent the common spectral components, which span a cross-scene feature space to minimize the effect of spectral shift. After the HSIs of two scenes are transformed into the shared space, any traditional HSI classification approach can be used. In this paper, sparse logistic regression (SRL) is selected as the classifier. Especially, if there are a few labeled pixels in the target domain, multitask SRL is used to further promote the classification performance. The experimental results on synthetic and real HSIs show the advantages of the proposed method for cross-scene classification. Numéro de notice : A2017-157 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2627042 En ligne : http://dx.doi.org/10.1109/TGRS.2016.2627042 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84694
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 3 (March 2017) . - pp 1544 - 1562[article]Predicting the encoding of secondary diagnoses. An experience based on decision trees / Ghazar Chahbandarian in Ingénierie des systèmes d'information, ISI : Revue des sciences et technologies de l'information, RSTI, vol 22 n° 2 (mars - avril 2017)
![]()
[article]
Titre : Predicting the encoding of secondary diagnoses. An experience based on decision trees Titre original : Prédire le codage de diagnostics secondaires. Une expérience basée sur les arbres de décision Type de document : Article/Communication Auteurs : Ghazar Chahbandarian, Auteur ; Nathalie Bricon-Souf, Auteur ; Imen Megdiche, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 69 - 94 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Informatique
[Termes IGN] apprentissage automatique
[Termes IGN] arbre de décision
[Termes IGN] exploration de donnéesRésumé : (Auteur) Afin de mesurer l’activité médicale, les hôpitaux sont tenus de coder manuellement des informations concernant les séjours des patients hospitalisés en utilisant la Classification Internationale des Maladies (CIM-10). Cette tâche est chronophage et nécessite une formation importante pour le personnel en particulier pour le codage des diagnostics associés (secondaires). Afin d’assister les personnels hospitaliers dans leur tâche, nous proposons une approche basée sur les techniques de fouille de données et plus précisément les arbres de décision qui permet de prédire le codage des diagnostics associés. Les arbres de décision sont construits à partir des données structurées de la base PMSI (âge, sexe, nombre de diagnostics et actes médicaux ...). Ces arbres de décision sont facilement exploitables par un non spécialiste en informatique tel qu’un médecin. Deux niveaux de granularité de diagnostic ont été exploités selon que l’on choisisse de représenter le diagnostic de façon très précise (fin niveau de granularité) ou en se contentant de garder une information plus générale (niveau de granularité plus grossier) correspondant aux catégories de diagnostics. Trois types d’expérimentations ont été réalisés selon différentes techniques d’équilibrage de dataset. Les résultats obtenus indiquent qu’il existe une variation significative des scores d’évaluation entre les différentes techniques pour les mêmes diagnostics étudiés. Nous mettons en évidence l’efficacité des techniques "random sampling" quels que soient le type de diagnostic et le type de mesure (F1-mesure, le rappel et la précision). Nos résultats montrent également l’efficacité d’utiliser le niveau fin de granularité de diagnostic quel que soit le diagnostic étudié. Numéro de notice : A2017-607 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Article DOI : 10.3166/isi.22.2.69-94 En ligne : https://dx.doi.org/10.3166/isi.22.2.69-94 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86888
in Ingénierie des systèmes d'information, ISI : Revue des sciences et technologies de l'information, RSTI > vol 22 n° 2 (mars - avril 2017) . - pp 69 - 94[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 093-2017021 SL Revue Centre de documentation Revues en salle Disponible Statistical Relational Learning of Grammar Rules for 3D Building Reconstruction / Youness Dehbi in Transactions in GIS, vol 21 n° 1 (February 2017)
PermalinkPermalinkPermalinkEtude et méthodes d'intégration et d'interaction de données 3D complexes type "nuages de points" vers un web SIG / Victor Lambert (2017)
PermalinkPermalinkThe use of logistic model tree (LMT) for pixel- and object-based classifications using high-resolution WorldView-2 imagery / Ismail Colkesen in Geocarto international, vol 32 n° 1 (January 2017)
PermalinkHow many samples are needed? An investigation of binary logistic regression for selective omission in a road network / Qi Zhou in Cartography and Geographic Information Science, vol 43 n° 5 (November 2016)
PermalinkNoise removal from hyperspectral image with joint spectral–spatial distributed sparse representation / Jie Li in IEEE Transactions on geoscience and remote sensing, vol 54 n° 9 (September 2016)
PermalinkEfficient multiple-feature learning-based hyperspectral image classification with limited training samples / Chongyue Zhao in IEEE Transactions on geoscience and remote sensing, vol 54 n° 7 (July 2016)
PermalinkGrid pattern recognition in road networks using the C4.5 algorithm / Jing Tian in Cartography and Geographic Information Science, Vol 43 n° 3 (June 2016)
Permalink