Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage profond
apprentissage profond |
Documents disponibles dans cette catégorie (647)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Learning to translate land-cover maps: Several multi-dimensional context-wise solutions / Luc Baudoux (2021)
Titre : Learning to translate land-cover maps: Several multi-dimensional context-wise solutions Titre original : Apprendre à traduire des cartes d'occupation des sols : Plusieurs solutions exploitant de multiples formes de contexte Type de document : Thèse/HDR Auteurs : Luc Baudoux , Auteur ; Clément Mallet , Directeur de thèse ; Jordi Inglada, Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2021 Projets : MAESTRIA / Mallet, Clément Note générale : bibliographie
École doctorale n° 532, Mathématiques, Science, et Technologie de l’Information et de la Communication (MSTIC) - Spécialité de doctorat : Signal, Image, et AutomatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées
[Termes IGN] apprentissage profond
[Termes IGN] base de données d'occupation du sol
[Termes IGN] indicateur de résolution
[Termes IGN] information sémantique
[Termes IGN] nomenclature
[Termes IGN] prise en compte du contexteIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La description de la couverture biophysique des surfaces terrestres, appelée occupation du sol, est d'une importance capitale dans de nombreux domaines, allant de l'urbanisme aux études climatiques en passant par la sécurité alimentaire. Historiquement produites à la main, les cartes d'occupation du sol ont profité de l'essor de l'imagerie satellitaire et des méthodes avancées de vision par ordinateur pour gagner en précision et en fréquence de mise à jour. Elles souffrent toutefois de deux inconvénients limitant leur utilisation. D'une part, la résolution spatiale des cartes produites est fixe. Or une carte d'une résolution de 10 mètres ne conviendra pas à l'analyse de phénomènes à grande échelle, ni à l'étude d'objets de moins de 10 mètres. D'autre part, la nomenclature de la carte est choisie pour répondre à un besoin spécifique qui ne correspond pas nécessairement aux besoins d'un autre utilisateur. Ainsi, une carte peut regrouper sous le terme "bâti" un ensemble d'éléments tels que des "routes" et des "habitations", qui dans d'autres nomenclatures seront classés séparément. Les approches actuelles de traduction de nomenclatures sont principalement fondées sur des méthodes de traduction sémantique (LCCS...) appliquées au niveau de la nomenclature en comparant les définitions de classes (la classe "blé" sera traduite en "herbacée"). Ce faisant, elles négligent le fait que deux objets de la même classe peuvent être traduits différemment en fonction, par exemple, de leur contexte spatial ou de leur évolution temporelle. En outre, la traduction de la résolution spatiale est généralement traitée distinctement de la traduction de nomenclature alors que ces deux notions sont intimement liées (un arbre seul ne peut pas être traduit en "forêt"). Cette thèse aborde ce problème en proposant des méthodes de traduction contextuelle augmentant les possibilités de réutilisation et de génération de nouvelles occupations des sols. Dans un premier temps, nous proposons différentes stratégies, principalement fondées sur des réseaux de neurones à convolution apprenant à traduire une carte source en une carte cible en fonction du contexte. Nous montrons l'importance cruciale du contexte spatial et géographique (une forêt en montagne est probablement constituée de conifères) sur de multiples exemples de traductions. Dans un deuxième temps, partant du constat que les modèles de traduction multi-langues donnent de meilleurs résultats que ceux entraînés à traduire d'une seule langue source vers une seule langue cible, nous proposons un modèle de traduction multi-cartes permettant d'obtenir plusieurs nomenclatures cibles à partir d'une carte source. Nous montrons que ce modèle permet d'obtenir des résultats plus robustes que les modèles entraînés sur une seule traduction, en particulier sur des cartes avec peu d'échantillons d'entraînement. Troisièmement, nous expérimentons différentes configurations de fusion multimodale fusionnant des images satellites (optiques et radar) et des données d'élévation du terrain avec des cartes d'occupation du sol. Enfin, nous définissons la notion et proposons une méthode pour construire un espace de représentation sémantique commun à toutes les occupations du sol. Nous ne représentons alors plus la traduction comme le passage d'un espace de représentation discret à n classes (une nomenclature) vers un autre espace, mais comme un simple changement d'interprétation d'un espace de représentation sémantique continu commun à toutes les nomenclatures. Nous proposons une première application de la notion d'espace de représentation sémantique à la traduction, en nous concentrant sur la traduction de cartes sources non vues pendant l’entraînement du modèle de traduction. Les codes et jeux de données (France entière, six cartes d'occupation du sol, images satellite, vérité terrain) produits au cours de cette thèse sont rendus accessibles pour la reproductibilité et des comparaisons futures. Numéro de notice : 17766 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE/IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse : Signal, Image, et Automatique : Gustave Eiffel : 2021 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 07/02/2023 En ligne : https://hal.science/tel-03977658 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103209 Machine learning for the distributed and dynamic management of a fleet of taxis and autonomous shuttles / Tatiana Babicheva (2021)
Titre : Machine learning for the distributed and dynamic management of a fleet of taxis and autonomous shuttles Titre original : Machine Learning pour la gestion distribuée et dynamique d’une flotte de taxis et navettes autonomes Type de document : Thèse/HDR Auteurs : Tatiana Babicheva, Auteur ; Leïla Kloul, Directeur de thèse ; Dominique Barth, Directeur de thèse Editeur : Bures-sur-Yvette : Université Paris-Saclay Année de publication : 2021 Importance : 190 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Université Paris-Saclay, InformatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage par renforcement
[Termes IGN] autopartage
[Termes IGN] calcul d'itinéraire
[Termes IGN] méthode heuristique
[Termes IGN] navigation autonome
[Termes IGN] OpenStreetMap
[Termes IGN] optimisation (mathématiques)
[Termes IGN] réseau neuronal artificiel
[Termes IGN] réseau routier
[Termes IGN] taxi
[Termes IGN] trafic routier
[Termes IGN] trafic urbain
[Termes IGN] véhicule électrique
[Termes IGN] ville intelligenteIndex. décimale : THESE Thèses et HDR Résumé : (auteur) In this thesis are investigated methods to manage shared electric autonomous taxi urban systems under online context in which customer demands occur over time, and where vehicles are available for ride-sharing and require electric recharging management. We propose the heuristics based on problem decomposition which include road network repartition and highlighting of subproblems such as charging management, empty vehicle redistribution and dynamic ride-sharing.The set of new methods for empty vehicle redistribution is proposed, such as proactive, meaning to take into account both current demand and anticipated future demand, in contrast to reactive methods, which act based on current demand only.We provide the reinforcement learning in different levels depending on granularity of the system.We propose station-based RL model for small networks and zone-based RL model, where the agents are zones of the city obtained by partitioning, for huge ones. The complete information optimisation is provided in order to analyse the system performance a-posteriori in offline context.The evaluation of the performance of proposed methods is provided in set of road networks of different nature and size. The proposed method provides promising results outperforming the other tested methods and the real data on the taxi system performance in terms of number of satisfied passengers under fixed fleet size. Note de contenu : 1- Introduction
2- State-of-the-art
3- Modelling the electrical aTaxisystem
4- Functional architecture of aTaxi system management
5- Reinforcement learning for aTaxi system optimisation
6- Evaluation scenarii
7- Numerical evaluation of aTaxi systems
8- Conclusion and discussionNuméro de notice : 28591 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de Doctorat : Informatique : Paris-Saclay : 2021 Organisme de stage : Données et Algorithmes pour une ville intelligente et durable (UVSQ) DOI : sans En ligne : https://tel.hal.science/tel-03230845/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97968 Mask R-CNN and OBIA fusion improves the segmentation of scattered vegetation in very high-resolution optical sensors / Emilio Guirado in Sensors, vol 21 n° 1 (January 2021)
[article]
Titre : Mask R-CNN and OBIA fusion improves the segmentation of scattered vegetation in very high-resolution optical sensors Type de document : Article/Communication Auteurs : Emilio Guirado, Auteur ; Javier Blanco-Sacristán, Auteur ; Emilio Rodríguez-Caballero, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 320 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse d'image orientée objet
[Termes IGN] apprentissage profond
[Termes IGN] arbuste
[Termes IGN] capteur optique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection de changement
[Termes IGN] image à très haute résolution
[Termes IGN] segmentation d'image
[Termes IGN] service écosystémique
[Termes IGN] surveillance de la végétation
[Termes IGN] zone arideRésumé : (auteur) Vegetation generally appears scattered in drylands. Its structure, composition and spatial patterns are key controls of biotic interactions, water, and nutrient cycles. Applying segmentation methods to very high-resolution images for monitoring changes in vegetation cover can provide relevant information for dryland conservation ecology. For this reason, improving segmentation methods and understanding the effect of spatial resolution on segmentation results is key to improve dryland vegetation monitoring. We explored and analyzed the accuracy of Object-Based Image Analysis (OBIA) and Mask Region-based Convolutional Neural Networks (Mask R-CNN) and the fusion of both methods in the segmentation of scattered vegetation in a dryland ecosystem. As a case study, we mapped Ziziphus lotus, the dominant shrub of a habitat of conservation priority in one of the driest areas of Europe. Our results show for the first time that the fusion of the results from OBIA and Mask R-CNN increases the accuracy of the segmentation of scattered shrubs up to 25% compared to both methods separately. Hence, by fusing OBIA and Mask R-CNNs on very high-resolution images, the improved segmentation accuracy of vegetation mapping would lead to more precise and sensitive monitoring of changes in biodiversity and ecosystem services in drylands. Numéro de notice : A2021-157 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/s21010320 Date de publication en ligne : 05/01/2021 En ligne : https://doi.org/10.3390/s21010320 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97072
in Sensors > vol 21 n° 1 (January 2021) . - n° 320[article]
Titre : Model and reality: Connecting BIM and the built environment Type de document : Thèse/HDR Auteurs : Gustaf Uggla, Auteur Editeur : Stockholm : Royal Institute of Technology Année de publication : 2021 Importance : 79 p. Format : 21 x 30 cm Note générale : bibliographie
Doctoral Thesis in Geodesy and Geoinformatics, KTH Royal Institute of Technology, StockholmLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données localisées 3D
[Termes IGN] format d'échange
[Termes IGN] format Industry foudation classes IFC
[Termes IGN] géoréférencement
[Termes IGN] métadonnées
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] projection Universal Transverse Mercator
[Termes IGN] qualité des données
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The adoption of building information modeling (BIM) in the architecture, engineering, and construction (AEC) industry is changing the way information regarding the built environment is created, stored, and exchanged. In short, documents are replaced with databases, processes are automated, and timelines become more circular with an emphasis on managing the life cycles of all manufactured objects. This has both direct and indirect consequences for the fields of geodesy and geographic information. Although geodesy and surveying have played a vital role in the construction process for a long time, new data standards and higher degrees of prefabrication and automation in the actual construction means that the topic of georeferencing must be revisited. In addition, using object oriented data structures means that semantic information must be inferred from geodata such as point clouds and images in order to adequately document existing assets. This thesis addresses the handling of 3D spatial information by analyzing different georeferencing methods and metadata used to describe the quality and characteristics of geodata. The outcomes include a recommendation for how the open BIM standard Industry Foundation Classes (IFC) could be extended to support more robust georeferencing, a suggestion that all standards and exchange formats used forthe built environment should include metadata for tolerance and uncertainty, and a framework that can describe characteristics of 3D spatial data that are not covered by conventional geographic metadata. On the semantic side, this thesis proposes an image-based method for identifying roadside objects in mobile laser scanning (MLS) point clouds, and it also explores the possibilities to train neural networks for point cloud segmentation by creating training data from 3D mesh models used in infrastructure design. Overall, the thesis describes the connection between model and reality, the importance of geodesy and geodetic surveying in this context, and makes contributions to both the geometric and semantic aspects of modeling the built environment. Note de contenu : 1- Introduction
2- Basis of knowledge and methods
3- Results
4- Summary of papersNuméro de notice : 28668 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Thèse étrangère Note de thèse : PhD Thesis : Geodesy and Geoinformatics : KTH, Stockholm : 2021 DOI : sans En ligne : http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-294087 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99878
Titre : Multispectral object detection Type de document : Thèse/HDR Auteurs : Heng Zhang, Auteur ; Elisa Fromont, Directeur de thèse ; Sébastien Lefèvre, Directeur de thèse Editeur : Rennes : Université de Rennes 1 Année de publication : 2021 Importance : 114 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée en vue de l’obtention du grade de docteur en Informatique de l'Université de Rennes 1Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] chambre de prise de vue thermique
[Termes IGN] détection d'objet
[Termes IGN] données d'entrainement sans étiquette
[Termes IGN] efficacité
[Termes IGN] fusion de données multisource
[Termes IGN] image multibande
[Termes IGN] précision de la classification
[Termes IGN] qualité du modèle
[Termes IGN] segmentation sémantiqueIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Only using RGB cameras for automatic outdoor scene analysis is challenging when, for example, facing insufficient illumination or adverse weather. To improve the recognition reliability, multispectral systems add additional cameras (e.g. infra-red) and perform object detection from multispectral data. Although multispectral scene analysis with deep learning has been shown to have a great potential, there are still many open research questions and it has not been widely deployed in industrial contexts. In this thesis, we investigated three main challenges about multispectral object detection: (1) the fast and accurate detection of objects of interest from images; (2) the dynamic and adaptive fusion of information from different modalities;(3) low-cost and low-energy multispectral object detection and the reduction of its manual annotation efforts. In terms of the first challenge, we first optimize the label assignment of the object detection training with a mutual guidance strategy between the classification and localization tasks; we then realize an efficient compression of object detection models including the teacher-student prediction disagreements in a feature-based knowledge distillation framework. With regard to the second challenge, three different multispectral feature fusion schemes are proposed to deal with the most difficult fusion cases where different cameras provide contradictory information. For the third challenge, a novel modality distillation framework is firstly presented to tackle the hardware and software constraints of current multispectral systems; then a multi-sensor-based active learning strategy is designed to reduce the labeling costs when constructing multispectral datasets. Note de contenu : 1. Introduction
1.1 Context and motivations
1.2 Thesis outline
2. Deep learning background
2.1 General object detection
2.2 Multispectral object detection
2.3 Knowledge distillation
2.4 Active learning
2.5 Datasets
3. Efficient object detection on embedded devices
3.1 Best practices for training object detection models
3.2 Mutual Guidance for Anchor Matching
3.3 Prediction Disagreement aware Feature Distillation
3.4 Experimental results
4. Information fusion from multispectral data
4.1 Multispectral Fusion with Cyclic Fuse-and-Refine
4.2 Progressive Spectral Fusion
4.3 Experimental results for CFR and PS-Fuse
4.4 Guided Attentive Feature Fusion
4.5 Experimental results for GAFF
5. Sensors and annotations: low cost multispectral data processing
5.1 Deep Active Learning from Multispectral Data
5.2 Low-cost Multispectral Scene Analysis with Modality Distillation
6. Conclusions and future works
6.1 Conclusions
6.2 Application to remote sensing data
6.3 PerspectivesNuméro de notice : 26765 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Rennes 1 : 2021 Organisme de stage : (IRISA) INRIA nature-HAL : Thèse DOI : sans Date de publication en ligne : 17/01/2022 En ligne : https://hal.science/tel-03530257/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99855 PermalinkPermalinkA new method for improving the performance of an ionospheric model developed by multi-instrument measurements based on artificial neural network / Wang Li in Advances in space research, vol 67 n° 1 (January 2021)PermalinkPermalinkPanoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)PermalinkPermalinkProduction et mise à jour d’un produit BD Forêt V3 par apprentissage profond / Sébastien Giordano (2021)PermalinkPermalinkSuivi de la rotation des cultures à partir de séries temporelles d’images satellite / Félix Quinton (2021)PermalinkSuivi des vignes par télédétection de proximité : le deep learning au service de l’agriculture de précision / Sami Beniaouf (2021)PermalinkSuper-resolution of VIIRS-measured ocean color products using deep convolutional neural network / Xiaoming Liu in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)PermalinkSupplementary material for: Panoptic segmentation of satellite image time series with convolutional temporal attention networks / Vivien Sainte Fare Garnot (2021)PermalinkThe challenge of robust trait estimates with deep learning on high resolution RGB images / Etienne David (2021)PermalinkThe use of deep machine learning for the automated selection of remote sensing data for the determination of areas of arable land degradation processes distribution / Dimitri I. Rukhovitch in Remote sensing, vol 13 n° 1 (January-1 2021)PermalinkPermalinkUnifying remote sensing image retrieval and classification with robust fine-tuning / Dimitri Gominski (2021)PermalinkVectorization of historical maps using deep edge filtering and closed shape extraction / Yizi Chen (2021)PermalinkVegetation stratum occupancy prediction from airborne LiDAR 3D point clouds / Ekaterina Kalinicheva (2021)PermalinkAutomatic building footprint extraction from UAV images using neural networks / Zoran Kokeza in Geodetski vestnik, vol 64 n° 4 (December 2020 - February 2021)PermalinkCartographic generalization / Monika Sester in Journal of Spatial Information Science, JoSIS, n° 21 (2020)Permalink