Détail de l'auteur
Auteur V. Dizier |
Documents disponibles écrits par cet auteur (1)
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 PDF
