Détail de l'autorité
|
Workshop 2018 on Spatial big data and machine learning 28/08/2018 28/08/2018 Melbourne Australie OA Proceedings
nom du congrès :
Workshop 2018 on Spatial big data and machine learning
début du congrès :
28/08/2018
fin du congrès :
28/08/2018
ville du congrès :
Melbourne
pays du congrès :
Australie
site des actes du congrès :
|
Documents disponibles (2)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesConvolutional neural network for traffic signal inference based on GPS traces / Yann Méneroux (2018)
contenu dans Spatial big data and machine learning in GIScience, Workshop at GIScience 2018, Melbourne, Australia, 28 August 2018 / Martin Raubal (2018)
Titre : Convolutional neural network for traffic signal inference based on GPS traces Type de document : Article/Communication Auteurs : Yann Méneroux Editeur : Zurich : Eidgenossische Technische Hochschule ETH - Ecole Polytechnique Fédérale de Zurich EPFZ Année de publication : 2018 Projets : 1-Pas de projet / Conférence : Workshop 2018 on Spatial big data and machine learning 28/08/2018 28/08/2018 Melbourne Australie OA Proceedings Importance : pp 9 - 12 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage profond
[Termes IGN] données maillées
[Termes IGN] réseau neuronal convolutif
[Termes IGN] trace GPS
[Termes IGN] trafic routier
[Termes IGN] traitement de données localiséesRésumé : (auteur) Map inference techniques aim at using GPS trajectories collected from a fleet of vehicles, to infer geographic information and enrich road map databases. In this paper, we investigate whether a Convolutional Neural Network can detect traffic signals on a raster map of features computed from a large dataset of GPS traces. Experimentation revealed that our model is able to capture traffic signal pattern signature on this very specific case of unnatural input images. Performance indices are encouraging but need to be improved through a more refined tuning of the workflow. Numéro de notice : C2018-053 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91340 Documents numériques
en open access
CNN for traffic signal inference ... - pdf éditeurAdobe Acrobat PDFSpatial big data and machine learning in GIScience, Workshop at GIScience 2018, Melbourne, Australia, 28 August 2018 / Martin Raubal (2018)
Titre : Spatial big data and machine learning in GIScience, Workshop at GIScience 2018, Melbourne, Australia, 28 August 2018 : Proceedings Type de document : Actes de congrès Auteurs : Martin Raubal, Éditeur scientifique ; Shaowen Wang, Éditeur scientifique ; Mengyu Guo, Éditeur scientifique ; David Jonietz, Éditeur scientifique ; Peter Kiefer, Éditeur scientifique Editeur : Zurich : Eidgenossische Technische Hochschule ETH - Ecole Polytechnique Fédérale de Zurich EPFZ Année de publication : 2018 Conférence : Workshop 2018 on Spatial big data and machine learning 28/08/2018 28/08/2018 Melbourne Australie OA Proceedings Importance : 53 p. Format : 21 x 30 cm Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] apprentissage automatique
[Termes IGN] données localisées
[Termes IGN] données massives
[Termes IGN] interface homme-machine
[Termes IGN] trajectoire (véhicule non spatial)Note de contenu : PART 1: TRAJECTORIES
- Stay-Move Tree for Summarizing Spatiotemporal Trajectories / Eun-Kyeong Kim
- Detection of Unsigned Ephemeral Road Incidents by Visual Cues / Alex Levering, Kourosh Khoshelham, Devis Tuia, and Martin Tomko
- Convolutional Neural Network for Traffic Signal Inference based on GPS Traces / Y. Méneroux, V. Dizier, M. Margollé, M.D. Van Damme, H.Kanasugi, A. Le Guilcher, G. Saint Pierre, and Y. Kato
- Using Stream Processing to Find Suitable Rides: An Exploration based on New York City Taxi Data / Roswita Tschümperlin, Dominik Bucher, and Joram Schito
- Classification of regional dominant movement patterns in trajectories with a convolutional neural
network / Can Yang and Gyozo Gidófalvi
PART 2: COGNITION & HCI
- Spatial Big Data for Human-Computer Interaction / Ioannis Giannopoulos
- Unsupervised Clustering of Eye Tracking Data / Fabian Göbel and Henry Martin
- Collections of Points of Interest: How to Name Them and Why it Matters / Gengchen Mai, Krzysztof Janowicz, Yingjie Hu, Song Gao, Rui Zhu, Bo Yan, Grant McKenzie, Anagha Uppal, and Blake Regalia
PART 3: SPATIAL PATTERNS
- A Multi-scale Spatio-temporal Approach to Analysing the changing inequality in the Housing Market during 2001-2014 / Yingyu Feng and Kelvyn Jones
- Automated social media content analysis from urban green areas – Case Helsinki / Vuokko Heikinheimo, Henrikki Tenkanen, Tuomo Hiippala, Olle Järv, and Tuuli Toivonen
- Long short-term memory networks for county-level corn yield estimation / Haifeng Li, Yudi Wang, Renhai Zhong, Hao Jiang, and Tao Lin
- Conditional Adversarial Networks for Multimodal Photo-Realistic Point Cloud Rendering / Torben Peters and Claus BrennerNuméro de notice : 17546 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Actes En ligne : http://spatialbigdata.ethz.ch/index.php/proceedings/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91338 Documents numériques
en open access
Spatial big data and machine learning in GIScience 2018 - pdf éditeurAdobe Acrobat PDF
