Descripteur
|
Termes IGN > mathématiques > statistique mathématique > probabilités > axiome de Bayes
axiome de BayesVoir aussi |
Documents disponibles dans cette catégorie (16)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Supervised image classification by contextual adaboost based on posteriors in neighborhoods / Ryuei Nishii in IEEE Transactions on geoscience and remote sensing, vol 43 n° 11 (November 2005)
Titre : Supervised image classification by contextual adaboost based on posteriors in neighborhoods Type de document : Article/Communication Auteurs : Ryuei Nishii, Auteur ; Shinto Eguchi, Auteur Année de publication : 2005 Conférence : IGARSS 2004, International Geoscience And Remote Sensing Symposium, Science for society: exploring and manging a changing planet 20/09/2004 24/09/2004 Anchorage Alaska - Etats-Unis Proceedings IEEE Article en page(s) : pp 2547 - 2554 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage automatique
[Termes IGN] axiome de Bayes
[Termes IGN] classification contextuelle
[Termes IGN] classification dirigée
[Termes IGN] géostatistique
[Termes IGN] probabilités
[Termes IGN] segmentation d'imageRésumé : (Auteur) AdaBoost, a machine learning technique, is employed for supervised classification of land-cover categories of geostatistical data. We introduce contextual classifiers based on neighboring pixels. First, posterior probabilities are calculated at all pixels. Then averages of the log posteriors are calculated in different neighborhoods and are then used as contextual classification functions. Weights for the classification functions can be determined by minimizing the empirical risk with multiclass. Finally, a convex combination of classification functions is obtained. The classification is performed by a noniterative maximization procedure. The proposed method is applied to artificial multispectral images and benchmark datasets. The performance of the proposed method is excellent and similar to Markov-random-field-based classifier, which requires an iterative maximization procedure. Numéro de notice : A2005-495 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2005.848693 En ligne : https://doi.org/10.1109/TGRS.2005.848693 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=27631
in IEEE Transactions on geoscience and remote sensing > vol 43 n° 11 (November 2005) . - pp 2547 - 2554[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 065-05111 RAB Revue Centre de documentation En réserve L003 Disponible
Titre : The GNSS integer ambiguities : estimation and validation Type de document : Thèse/HDR Auteurs : Sandra Verhagen, Auteur Editeur : Delft : Netherlands Geodetic Commission NGC Année de publication : 2005 Collection : Netherlands Geodetic Commission Publications on Geodesy, ISSN 0165-1706 num. 58 Importance : 170 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-90-6132-290-0 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géodésie spatiale
[Termes IGN] ambiguïté entière
[Termes IGN] axiome de Bayes
[Termes IGN] code GPS
[Termes IGN] contrôle qualité
[Termes IGN] distribution de Student
[Termes IGN] distribution, loi de
[Termes IGN] estimation statistique
[Termes IGN] Galileo
[Termes IGN] Global Navigation Satellite System
[Termes IGN] Global Orbitography Navigation Satellite System
[Termes IGN] Global Positioning System
[Termes IGN] mesurage de phase
[Termes IGN] méthode des moindres carrés
[Termes IGN] modèle fonctionnel
[Termes IGN] modèle stochastique
[Termes IGN] phase
[Termes IGN] propagation du signal
[Termes IGN] qualité des données
[Termes IGN] résidu
[Termes IGN] résolution d'ambiguïtéIndex. décimale : 30.61 Systèmes de Positionnement par Satellites du GNSS Résumé : (Auteur) Fast and high precision relative positioning with a Global Navigation Satellite System (GNSS) is only possible by using the very precise carrier phase measurements. However, these carrier phases are ambiguous by an unknwon number of cycles. The knowledge that the ambiguities are integer-valued has been exploited in the past 15 years for the development of integer ambiguity resolution algorithms. Once the ambiguities are fixed to their integer values, the carrier phase measurements start to act as if they were very precise pseudorange measurements. [...] Nowadays, the non-trivial problem of integer ambiguity estimation can be considered solved. However, a parameter estimation theory is not complete without the appropriate measures to validate the solution. [...] Obviously, validation of the integer ambiguity solution is still an open problem. Two approaches are investigated here. The first method uses a new ambiguity estimator, the Best Integer Equivariant (BIE) estimator. [...] It was shown that the BIE estimator significantly outperforms the float or fixed solution only in a limited number of cases. Therefore, another new class of integer estimators is investigated : the class of Integer Aperture (IA) estimators. [...] IA estimation has several important advantages. [...] Finally, it is shown that the popular ratio test perform almost as good as the optimal IA estimator if the fixed fail rate approach is used. [...] Note de contenu : 1 Introduction
1.1 Background
1.2 Objectives and contribution of this work
1.3 Outline
2 GNSS observation model and quality control
2.1 Global Navigation Satellite Systems
2.2 GNSS observation equations
2.3 GNSS functional model
2.4 GNSS stochastic model
2.5 Least-squares estimation and quality control
3 Integer ambiguity resolution
3.1 Integer estimation
3.2 Quality of the integer ambiguity solution
3.3 The ambiguity residuals .
3.4 Quality of the fixed baseline estimator
3.5 Validation of the fixed solution
3.6 The Bayesian approach
4 Best Integer Equivariant estimation
4.1 The BIE estimator
4.2 Approximation of the BIE estimator
4.3 Comparison of the float, fixed, and BIE estimators .
4.4 Summary . .
5 Integer Aperture estimation
5.1 Integer Aperture estimation
5.2 Ellipsoidal integer aperture estimation
5.3 Ratio test, difference test and projector test
5.4 Integer Aperture Bootstrapping and LeastSquares .
5.5 Penalized Integer Aperture estimation
5.6 Optimal Integer Aperture estimation
5.7 Implementation aspects
5.8 Comparison of the different IA estimators
5.9 Performance of IA estimation
5.10 Summary
6 Conclusions and recommendations
6.1 Integer estimation and validation
6.2 Quality of the baseline estimators
6.3 Reliability of the results
6.4 Bias robustnessNuméro de notice : 15134 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Thèse étrangère DOI : sans En ligne : https://www.ncgeo.nl/downloads/58Verhagen.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=55070 Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 15134-01 30.61 Livre Centre de documentation Géodésie Disponible 15134-02 30.61 Livre Centre de documentation Géodésie Disponible
Titre : Landslide susceptibility mapping using GIS and the weight-of-evidence model Type de document : Article/Communication Auteurs : S. Lee, Auteur ; J. Choi, Auteur Année de publication : 2004 Article en page(s) : pp 789 - 814 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications SIG
[Termes IGN] ArcInfo
[Termes IGN] axiome de Bayes
[Termes IGN] cartographie des risques
[Termes IGN] Corée du sud
[Termes IGN] dommage matériel
[Termes IGN] effondrement de terrain
[Termes IGN] image IRS
[Termes IGN] image Landsat-TM
[Termes IGN] modèle stochastique
[Termes IGN] risque naturel
[Termes IGN] système d'information géographiqueRésumé : (Auteur) The weights-of-evidence model (a Bayesian probability model) was applied to the task of evaluating landslide susceptibility using GIS. Using landslide location and a spatial database containing information such as topography, soil, forest, geology, land cover and lineament, the weights-of-evidence model was applied to calculate each relevant factor's rating for the Boun area in Korea, which had suffered substantial landslide damage following heavy rain in 1998. In the topographic database, the factors were slope, aspect and curvature; in the soil database, they were soil texture, soil material, soil drainage, soil effective thickness and topographic type; in the forest map, they were forest type, timber diameter, timber age and forest density; lithology was derived from the geological database; land-use information came from Landsat TM satellite imagery; and lineament data from IRS satellite imagery. Tests of conditional independence were performed for the selection of factors, allowing 43 combinations of factors to be analysed. For the analysis of mapping landslide susceptibility, the contrast values, W+ and W-, of each factor's rating were overlaid spatially. The results of the analysis were validated using the previous landslide locations. The combination of slope, curvature, topography, timber diameter, geology and lineament showed the best results. The results can be used for hazard prevention and land-use planning. Numéro de notice : A2004-484 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1080/13658810410001702003 En ligne : https://doi.org/10.1080/13658810410001702003 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=27002
in International journal of geographical information science IJGIS > vol 18 n° 8 (december 2004) . - pp 789 - 814[article]Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 079-04081 RAB Revue Centre de documentation En réserve L003 Disponible 079-04082 RAB Revue Centre de documentation En réserve L003 Disponible
Titre : Bayesian classification by data augmentation Type de document : Article/Communication Auteurs : B. Regguzoni, Auteur ; Fernando Sanso, Auteur ; Giovanna Venuti, Auteur ; P.A. Brivio, Auteur Année de publication : 2003 Article en page(s) : pp 3961 - 3981 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] axiome de Bayes
[Termes IGN] classification automatique d'objets
[Termes IGN] classification bayesienne
[Termes IGN] classification par maximum de vraisemblanceRésumé : (Auteur) A typical remote sensing data clustering is the maximum likelihood supervised procedure. It consists of the estimation of a suitable mixture of distributions, based on training samples only, and in the subsequent pixelbypixel classification, performed by maximizing the likelihood ratio. In this way all the information on the parameters of the distributions, contained in the unsurveyed samples, is lost. In the paper it is proposed to apply a suitable Bayesian method, known as a data augmentation algorithm, to fully exploit the information contained in the data. The method is presented in detail and applied to an elementary simulated example proving its capability of achieving almost the theoretical limit for the classification error. Comparisons with current classification methods as well as an application to a real dataset are reported. Numéro de notice : A2003-286 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/0143116031000103817 En ligne : https://doi.org/10.1080/0143116031000103817 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=22581
in International Journal of Remote Sensing IJRS > vol 24 n° 20 (October 2003) . - pp 3961 - 3981[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 080-03201 RAB Revue Centre de documentation En réserve L003 Exclu du prêt
Titre : Fusion d'informations en traitement du signal et des images Type de document : Guide/Manuel Auteurs : Isabelle Bloch, Éditeur scientifique Editeur : Paris : Hermès - Lavoisier Année de publication : 2003 Collection : Traitement du Signal et de l'Image Importance : 319 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-2-7462-0628-1 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] axiome de Bayes
[Termes IGN] datation
[Termes IGN] estimation bayesienne
[Termes IGN] fusion d'images
[Termes IGN] fusion de données
[Termes IGN] information géographique
[Termes IGN] robotique
[Termes IGN] sous ensemble flou
[Termes IGN] système multi-agents
[Termes IGN] théorie de Dempster-Shafer
[Termes IGN] théorie des possibilités
[Termes IGN] traitement d'image
[Termes IGN] traitement du signalIndex. décimale : 35.20 Traitement d'image Résumé : (Auteur) [Extrait] Les objectifs de cet ouvrage sont de présenter d'une part les principes généraux de la fusion et ses spécificités en traitement du signal, en traitement des images et en robotique, et d'autre part les méthodes et outils principaux, essentiellement numériques. Ce livre [...] tâche de mettre l'accent sur les atouts des différentes théories pour les domaines d'application visés. [...] La structure comporte deux ensembles de chapitres. Le premier est dédié aux définitions (chapitre 1) et aux spécificités de domaines abordés : traitement du signal au chapitre 2, traitement des images au chapitre 3 et robotique au chapitre 4. Puis, la deuxième partie s'attache aux principales théories de la fusion. Après un panorama des modes de représentation des connaissances utilisés en fusion (chapitre 5), nous présentons ainsi les principes de la fusion probabiliste et statistique dans le chapitre 6, de la théorie des fonctions de croyance dans le chapitre 7, de la fusion floue et possibiliste dans le chapitre 8. Les spécificités de la fusion en traitement d'images et dans certains problèmes de robotique nécessitent de prendre en compte l'information spatiale. Nous y consacrons le chapitre 9, puisque les méthodes de fusion issues d'autres domaines ne les considèrent naturellement. Un exemple d'application reposant sur une architecture multi-agent est présenté dans le chapitre 10. Les méthodes spécifiques de la fusion temporelle sont enfin décrites au chapitre 11. Note de contenu : CHAPITRE 1. DEFINITIONS
1. Introduction
2. Choix d'une définition
3. Caractéristiques générales des données
4. Nurnérique/symbolique
5. Systèmes de fusion et types d'architecture
6. Fusion en traitement du signal des images et fusion dans d'autres domaines
CHAPITRE 2. FUSION EN TRAITEMENT DU SIGNAL
1. Introduction
2. Objectifs de la fusion en traitement du signal
3. Problèmes et spécificités de la fusion en traitement du signal .
CHAPITRE 3. FUSION EN TRAITEMENT DES IMAGES
1. Objectifs de la fusion en traitement des images
2. Les situations de fusion
3. Caractéristiques des données en fusion d'images
4. Contraintes
5. Aspects numériques et symboliques en fusion d'images
CHAPITRE 4. FUSION EN ROBOTIQUE
1. Nécessité de la fusion pour la robotique
2. Spécificités de la fusion pour la robotique
avec l'opérateur et interprétation symbolique - Contraintes temporelles
3. Caractéristiques des données en robotique
4. Mécanismes de fusion de données
CHAPITRE 5. REPRESENTATION DE L'INFORMATION ET DES CONNAISSANCES DANS LES PROBLEMES DE FUSION
1. Introduction
2. Traitement de l'information en fusion
3. Représentations numériques de connaissances imparfaites
4. Représentaion symboliques de connaissances imparfaites
5. Systèmes à base de connaissances
6. Modes de raisonnement et inférence
CHAPITRE 6. APPROCHES PROBABILISTES ET STATISTIQUES
1. Introduction et principe général
2. Mesures d'information
3. Modélisation et estimation
4. Combinaison dans un cadre bayésien
5. Combinaison vue comme un problème d'estimation
6. Décision
7. Autres approches en détection
8. Un exemple de fusion bayésienne en imagerie satellitaire
9. Méthodes de fusion probabiliste appliquées à la trajectographie
10. Discusion
CHAPITRE 7. THEORIE DES CROYANCES DE DEMPSTER-SHAFER
1. Principe général et philosophique de la théorie
2. Modélisation
3. Estimation des fonctions de masse
4. Combinaison conjonctive
Fonctions de masse séparables
5. Autres modes de combinaison
6. Décision
7. Exemple d'application en imagerie médicale
CHAPITRE 8. THEORIE DES ENSEMBLES FLOUS ET DES POSSIBILITES
1. Introduction, principes généraux
2. Définition des concepts fondamentaux des ensembles flous
3. Mesures floues
4. Eléments de théories des possibilités
5. Opérateurs de combinaison
6. Variables linguistiques
7. Logique floue et possibiliste
8. Modélisation floue en fusion
9. Définition des fonctions d'appartenance ou des distributions de possibilités
10. Combinaison et choix des opérateurs
11. Décision
12. Exemples d'application
CHAPITRE 9. INTRODUCTION DE L'INFORMATION SPATIALE
1. Au niveau de la modélisation
2. Au niveau de la décision
3. Au niveau de la combinaison
4. Exemples d'applications
- Au niveau de la combinaison : classification markovienne multisource - Au niveau de la modélisation et de la décision : fusion de détecteurs de structures par la théorie des fonctions de croyance - Au niveau de la modélisation : fusion floue de relations spatiales
CHAPITRE 10. APPROCHES MULTIAGENTS
1. La fonction DRI
1. Le contexte d'application 2. Les contraintes et les principes de conception 3. Etat de l'art
2. Approche proposée : vers un système de vision
3. Le système multiagent : plate-forme et architecture
4. Le schéma de contrôle
5. Les informations manipulées par les agents
6. Les résultats
CHAPITRE 11. FUSION TEMPORELLE
1. Observations variables dans le temps
2. Les contraintes temporelles
3. Fusion
4. Datation des mesures
5. Modèles d'évolution
6. Prédiction-combinaison monocapteur
7. Prédiction-combinaison multicapteur
8. Conclusion
CHAPITRE 12. CONCLUSION
1. Quelques acquis
2. Quelques perspectives
ANNEXES A. PROBABILITES : POINT DE VUE HISTORIQUE
1. Les probabilités dans l'histoire
2. Classes de probabilités, objectivistes et subjectivistes
3. Postulats fondamentaux pour une logique inductive
ANNEXE B. DEDUCTION AXIOMATIQUE DE LA REGLE DE COMBINAISON DE DEMPSTER-SHAFER.
1. Axiomes de Smets
2. Déduction de la règle de combinaison
3. Relation avec les postulats de CoxNuméro de notice : 18832 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Manuel de cours Accessibilité hors numérique : Accessible à Georges Pérec (Id UGE) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=46613 Statistische Untersuchung ganzzahliger und reellwertiger unbekannter Parameter im GPS-Modell / B. Gundlich (2002)
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
