Détail de l'auteur
Auteur Abhineet Singh |
Documents disponibles écrits par cet auteur (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
River ice segmentation with deep learning / Abhineet Singh in IEEE Transactions on geoscience and remote sensing, vol 58 n° 11 (November 2020)
[article]
Titre : River ice segmentation with deep learning Type de document : Article/Communication Auteurs : Abhineet Singh, Auteur ; Hayden Kalke, Auteur ; Mark Loewen, Auteur Année de publication : 2020 Article en page(s) : pp 7570 - 7579 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage non-dirigé
[Termes IGN] apprentissage profond
[Termes IGN] Canada
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] glace
[Termes IGN] image captée par drone
[Termes IGN] rivière
[Termes IGN] segmentation d'image
[Termes IGN] segmentation sémantiqueRésumé : (auteur) This article deals with the problem of computing surface concentrations for two types of river ice from digital images acquired during freeze-up. It presents the results of attempting to solve this problem using several state-of-the-art semantic segmentation methods based on deep convolutional neural networks (CNNs). This task presents two main challenges—very limited availability of labeled training data and presence of noisy labels due to the great difficulty of visually distinguishing between the two types of ice, even for human experts. The results are used to analyze the extent to which some of the best deep learning methods currently in existence can handle these challenges. The code and data used in the experiments are made publicly available to facilitate further work in this domain. Numéro de notice : A2020-674 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2981082 Date de publication en ligne : 13/04/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2981082 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96165
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 11 (November 2020) . - pp 7570 - 7579[article]