Descripteur
|
Termes IGN > géomatique > base de données localisées > généralisation automatique de données
généralisation automatique de donnéesVoir aussi |
Documents disponibles dans cette catégorie (536)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Titre : Apprentissage supervisé pour la généralisation cartographique Type de document : Thèse/HDR Auteurs : Sébastien Mustière , Auteur ; J.G. Ganascia, Directeur de thèse
Editeur : Paris : Université de Paris 6 Pierre et Marie Curie Année de publication : 2001 Importance : 241 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de doctorat en informatique, option intelligence artificielleLangues : Français (fre) Descripteur : [Termes IGN] apprentissage dirigé
[Termes IGN] base de connaissances
[Termes IGN] exagération de forme
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] objet géographique
[Termes IGN] réseau routier
[Termes IGN] système expert
[Vedettes matières IGN] GénéralisationIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Cette thèse a pour contexte l'automatisation de la généralisation cartographique, processus de création d'une carte à partir d'une base de données géographique trop détaillée. Pour réaliser cela, de nombreux algorithmes existent pour transformer la géométrie des objets géographiques à représenter sur la carte, mais aucun d'entre eux n'est générique. Nous adoptons alors une approche pas à pas, adaptative et focalisée, où le traitement d'un objet nécessite l'application de plusieurs algorithmes sur des espaces de travail adéquats. Dans ce contexte, il faut définir des règles permettant de choisir quels algorithmes appliquer sur un objet donné à partir de la description de celui-ci par un ensemble de mesures numériques. Un processus d'enchaînement des algorithmes est mis au point empiriquement pour la généralisation des routes. L'efficacité et les limites de ce processus conduisent à envisager l'utilisation de l'apprentissage automatique supervisé pour acquérir les connaissances nécessaires à un système expert cartographique. Notre problème d'apprentissage se caractérise par la recherche de règles efficaces et compréhensibles à partir d'exemples peu nombreux, bruités et de description riche. Un apprentissage classique produit alors des règles de faible qualité. Pour améliorer cela, nous guidons l'apprentissage par les connaissances du domaine en décomposant notre problème d'apprentissage en plusieurs sous-problèmes plus simples : nous apprenons tout à tour à abstraire puis à choisir comment transformer les objets géographiques manipulés. La phase d'abstraction consiste à reformuler la représentation des observables sous la forme d'un ensemble restreint de nouveaux attributs symboliques. La phase de choix de transformation consiste à déterminer quelle transformation réaliser en fonction de la description abstraite de l'objet. L'introduction de cette phase d'abstraction permet d'apprendre des règles cartographiques à la fois plus efficaces et plus compréhensibles qu'un apprentissage direct. Elle permet d'améliorer ainsi la qualité cartographique des résultats obtenus. Note de contenu : A GENERALISATION CARTOGRAPHIQUE AUTOMATIQUE
A. 1 Représentation de l'Information Géographique Numérique
A. 2 Opérations de généralisation cartographique
1 Simplifier
2 Caricaturer
3 Harmoniser
A.3 Algorithmes de généralisation cartographique
1 De la compression aux premiers algorithmes de généralisation
2 Propriétés des algorithmes de généralisation :
- Trois algorithmes représentatifs de différentes approches
- Contraintes, opérations, et champ d'application des algorithmes
3 Enchainement des algorithmes .
A.4 Recueil des connaissances de généralisation
A.5 Sujet et approche.
B GENERALISATION CARTOGRAPHIQUE DES ROUTES : LE PROCESSUS GALBE
B. 1 Domaine d'application : les routes pour les cartes routières
B.2 Règles de généralisation cartographique des routes
B.3 Le bon espace de travail pour les routes
1 Focalisation idéale
2 Focalisation selon l'empâtement
- Définitions théoriques de l'empâtement
- Evaluation empirique des définitions de l'empâtement
- Implémentation et résultats
B 4 Algorithmes de transformation
1 Algorithmes de caricature d'une série de virages empâtée
2 Algorithmes de caricature d'un virage empâté
3 Algorithmes de simplification d'une ligne entière BAA Propagation des déformations
B.5 Processus GALBE
1 Mesures de description
2 Moteur du processus
B.6 Evaluation des résultats
1 Analyse par des cartographes
2 Application au réseau routier des cartes au 1:250.000
3 Bilan de GALBE
B.7 Vers l'utilisation de l'apprentissage automatique
C APPRENTISSAGE AUTOMATIQUE SUPERVISE
C.1 Présentation de l'apprentissage supervisé et définitions
C.2 Poser un problème d'apprentissage
C.3 Algorithmes d'apprentissage
1 L'apprentissage supervisé, un problème de recherche
2 Mise en ceuvre des biais d'apprentissage
3 Types d'algorithmes existants
4 Choisir un algorithme d'apprentissage
5 Combiner plusieurs algorithmes.
C 4 Vers des connaissances plus efficaces et mieux structurées
C.5 Evaluation de l'apprentissage
1 Evaluation théorique
2 Evaluation empirique
C.6 Conclusion
D APPRENTISSAGE ET GENERALISATION CARTOGRAPHIQUE
D. 1 Introduction
1 Bref rappel du problème
2 Contexte : utilisation de la tâche apprise.
D. 2 Spécificité de notre problème vis-à-vis de l'apprentissage
1 Difficultés du recueil d'exemples
2 Bruit sur les exemples
3 Taille des exemples
4 Bilan : caractéristiques des exemples
D. 3 Abstraire
1 Modèle théorique d'abstraction
2 Abstraction et cartographie
3 Abstraction et apprentissage
D. 4 Construction de la méthode de résolution de problème
1 Méthode initiale de résolution de problème
2 Abstraire les mesures
3 Déterminer et spécifier : opération, algorithme
4 Couvrir et différencier : algorithmes applicables, algorithme choisi
5 Paramétrage des algorithmes
D. 5 Bilan -processus d'apprentissage
1 Méthode de définition du processus d'apprentissage
2 Intérêt de l'approche
E EXPERIMENTATION DE L'APPRENTISSAGE SUR LES ROUTES
E. 1 Présentation des tests
1 Objetsétudiés
2 Langage abstrait utilisé
3 Mesures utilisées
4 Opérations et algorithmes géométriques utilisés
5 Méthode de résolution de problème choisie
6 Recueil des exemples
7 Algorithme d'apprentissage utilisé : RIPPER
8 Expérimentations réalisées
E. 2 Résultats : règles apprises
1 Détermination des attributs descriptifs abstraits
2 Détermination de l'opération .
3 Applicabilité des algorithmes
4 Choix de l'algorithme
5 Pararnétrage
6 Enchaînement des inférences
E. 3 Analyse cartographique de l'application des regles apprises
1 Qualite des résultats
2 Analyse des erreurs
3 Convergence et temps de calcul
4 Généricité de lieu et d'échelle
E. 4 Intérêt de la méthode de résolution de problème
1 Comparaison a l'apprentissage direct.
2 Influence de chaque étape
3 Intérêt de l'étape d'abstraction des mesures
E. 5 Bilan des expérimentationsNuméro de notice : 11635 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Thèse française Note de thèse : Thèse de doctorat : Informatique. Intelligence artificielle : Paris 6 : 2001 Organisme de stage : COGIT (IGN) nature-HAL : Thèse DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=45165 Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 11635-01 THESE Livre Centre de documentation Thèses Disponible Documents numériques
en open access
11635_these_2001_mustiere.pdfAdobe Acrobat PDFArbeitsgruppe "Automation in der Kartographie", Tagung 2000 / Bundesamt für Kartographie und Geodäsie (2001)
Titre : Arbeitsgruppe "Automation in der Kartographie", Tagung 2000 Type de document : Actes de congrès Auteurs : Bundesamt für Kartographie und Geodäsie, Auteur Editeur : Francfort sur le Main : Bundesamt für Kartographie und Geodäsie Année de publication : 2001 Collection : Mitteilungen des Bundesamtes für Kartographie und Geodäsie, ISSN 1436-3445 num. 20 Conférence : Arbeitsgruppe Automation in der Kartographie, Tagung 2000 Francfort sur le Main Allemagne Importance : 136 p. Format : 21 x 30 cm ISBN/ISSN/EAN : 978-3-88648-306-8 Note générale : Bibliographie Langues : Allemand (ger) Descripteur : [Vedettes matières IGN] Cartographie numérique
[Termes IGN] base de données
[Termes IGN] base de données localisées
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] géodésie
[Termes IGN] informatique
[Termes IGN] Java (langage de programmation)
[Termes IGN] Open GIS Consortium
[Termes IGN] triangulationNuméro de notice : 68935 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Actes Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=37265 Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 68935-02 CG2000 Livre Centre de documentation Congrès Disponible 68935-01 CG2000 Livre Centre de documentation Congrès Disponible
Titre : Automatisierung der kartographischen Verdrängung mittels Energieminimierung Titre original : [Automatisation de l'élimination cartographique avec la minimalisation d'énergie] Type de document : Thèse/HDR Auteurs : Dirk Burghardt, Auteur Editeur : Munich : Bayerische Akademie der Wissenschaften Année de publication : 2001 Collection : DGK - C Sous-collection : Dissertationen num. 536 Importance : 95 p. Format : 21 x 30 cm ISBN/ISSN/EAN : 978-3-7696-9575-5 Note générale : Bibliographie Langues : Allemand (ger) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] calcul variationnel
[Termes IGN] cartographie numérique
[Termes IGN] conflit d'espace
[Termes IGN] déplacement d'objet géographique
[Termes IGN] données vectorielles
[Termes IGN] factorisation de Cholesky
[Termes IGN] fonction spline
[Termes IGN] formule d'Euler
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] objet géographique linéaire
[Termes IGN] objet géographique ponctuel
[Termes IGN] objet géographique zonalRésumé : (Auteur) With the help of highly advanced cartographic software programs it is possible to produce topographic maps from digital data. In some cases, however, there exist graphical conflicts, because symbol widths require more space than their real-size equivalents. Generalization of such objects by manual editing is rather time-consuming. Therefore, automation of generalization operations is desirable and should be possible in the age of information technology.
Automated cartographic displacement of vector data distinguishes between point, line and area objects subject to processing. Modeling of line objects assumes a central position, because the human eye is extremely sensitive to shape alterations caused by displacement. In many applications splines are well-known tool for describing lines. It is especially the energy-minimizing spline also called snakes model shape deformation as a result of external forces. The internal energy is used to maintain the line shape which has been displaced due to conflicts. First and second derivatives of the line coordinates with respect to the are length are used as quality measures. In cartographic displacement a minimal distance between adjacent objects should be maintained. The external energy is used to describe the conflict situation if objects are too close to each other.
To solve the graphic conflicts while maintaining the shape of the objects, the method of energy minimization is employed. Minimizing the energy functional of internal and external energy leads to two independent Euler equations. These are discretized by means of finite differences. The equations can be solved iteratively using the Cholesky factorization. Parametrization of the energy-minimizing splines by means of the tangent angle function (tafus) replaces the two eulerian equations of the 4th order with one equation of the 2nd order. Simplification of the equation system requires an additional amount of calculation for transforming the resulting changes of line direction to attain cartesian coordinates. Verification of a desirably faster convergence has yet to be achieved. The Greedy Algorithm is an alternative procedure to accomplish energy minimization using the Variational Calculus. With the aid of this algorithm the energy of each individual support point is minimized by way of minor displacements. As opposed to the Variational Calculus the effects are more local. Therefore, the Greedy Algorithm is advantageous used for the displacement of buildings or for the positioning of label boxes.
The integration of this displacement approach in a cartographic program provides evidence of the fact that it can be used in practical applications. Cooperation with a software producer will help to find additional fields of application, a case in point being the automated map edge work which allows displacement and suppression of text and symbols at the map boundaries. Experience has shown that the research effort required for developing new software tools is estimated to amount to between 30 and 50 percent of the total effort.Numéro de notice : 27829 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Thèse étrangère Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=56453 Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 27829-02 37.10 Livre Centre de documentation Géomatique Disponible 27829-01 37.10 Livre Centre de documentation Géomatique Disponible
contenu dans Mapping the 21st century: the 20th International Cartographic Conference, ICC 2001, Beijing, China, August 6 - 10, 2001, vol 2. Proceedings / L. Li (2001)
Titre : Cartographic database updating Type de document : Article/Communication Auteurs : Cécile Lemarié Editeur : International Cartographic Association ICA - Association cartographique internationale ACI Année de publication : 2001 Conférence : ICC 2001, 20th International Cartographic Conference ICA, Mapping the 21th century 06/08/2001 10/08/2001 Pékin Chine OA Proceedings Importance : pp 1376 - 1385 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] base de données cartographiques
[Termes IGN] base de données localisées
[Termes IGN] échelle cartographique
[Termes IGN] généralisation automatique de données
[Termes IGN] généralisation de base de donnéesRésumé : (Auteur) IGN (the French National Mapping Agency ) derives cartographic products from reference geographic databases through complex processes, including among others, generalisation and label placement. Derivation is partly automated but still a long interactive part is necessary to achieve a good cartographic result. Now that cartographic derivation processes are rather well known and reference databases are updatied regularly, the next step is to be able to rapidly update these maps, without performing the whole cartographic derivation process anew but only by using updates which have been captured in the reference databases. This paper reports on research, development and tests carried out by Research Department of IGN to automate the updating of cartographic databases by using updating information coming from their reference databases. Numéro de notice : C2001-005 Affiliation des auteurs : IGN (1940-2011) Thématique : GEOMATIQUE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://icaci.org/files/documents/ICC_proceedings/ICC2001/icc2001/file/f11066.pd [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=64914 Comparison of different approaches to combine road generalisation algorithms: GALBE, AGENT and CartoLearn / Sébastien Mustière (2001)
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkMéthode de création d'informations multi-niveaux pour la généralisation cartographique de l'urbain / Annabelle Boffet (2001)
Permalink
