Détail de l'indexation
THESE : Thèses et HDR |
Ouvrages de la bibliothèque en indexation THESE (569)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Information Géographique Volontaire, vers un usage conjoint avec l’information géographique institutionnelle / Ana-Maria Olteanu-Raimond (2020)
Titre : Information Géographique Volontaire, vers un usage conjoint avec l’information géographique institutionnelle : Habilitation à Diriger des Recherches Type de document : Thèse/HDR Auteurs : Ana-Maria Olteanu-Raimond , Auteur Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2020 Importance : 123 p. Format : 21 x 30 cm Note générale : Bibliographie
Synthèse des travaux en vue d'obtenir l'Habilitation à Diriger des Recherches délivrée par l'Université Gustave Eiffel, Spécialité "Sciences et Technologies de l'Information Géographique"Langues : Français (fre) Descripteur : [Vedettes matières IGN] Information géographique
[Termes IGN] base de données d'occupation du sol
[Termes IGN] données hétérogènes
[Termes IGN] données localisées des bénévoles
[Termes IGN] intégration de données
[Termes IGN] mise à jour de base de données
[Termes IGN] montagne
[Termes IGN] plateforme collaborative
[Termes IGN] qualité des données
[Termes IGN] source de donnéesIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) [Introduction] Ce mémoire présente une synthèse des recherches que j’ai menées au Laboratoire LaSTIG de l’IGN dans le domaine de la géomatique sur la période 2013 – 2020. Dans ce mémoire, je me concentre sur trois aspects que j’ai traités autour de l’information géographique volontaire : les processus collaboratifs, la qualification et l’intégration de données. Le premier chapitre décrit le contexte, les enjeux, les objectifs scientifiques et la démarche générale suivie dans mes travaux de recherche. […] Note de contenu : Chapitre 1. Introduction
1.1 Contexte
1.2 Enjeux et objectifs scientifiques
1.3 Mon parcours recherche
1.4 Démarche globale et organisation du mémoire
Chapitre 2. Information géographique volontaire : des pratiques courantes aux recommandations
2.1 Problématiques et positionnement
2.2 Pratiques courantes de l’information géographique volontaire
2.3 Recommandations et mise en œuvre d’une plateforme collaborative pour la collecte de l’information géographique volontaire
Chapitre 3. Qualification de l’information géographique volontaire
3.1 Problématiques et positionnement
3.2 Proposition d’une méthode de qualification de l’information géographique volontaire issue de plateformes d’autorité
3.3 Proposition d’une méthodologie de qualification de l’information géographique volontaire issue de plateformes d’activités sportives
Chapitre 4. Intégration de l’information géographique hétérogène
4.1 Problématiques et positionnement
4.2 Identification des mises à jour d’un référentiel du réseau routier d’autorité en utilisant les traces issues des activités sportives
4.3 Mise à jour de données d’occupation du sol d’autorité
4.4 Constitution d’un référentiel métier pour la localisation des victimes en montagne
Chapitre 5. Conclusion et perspectives de recherche
5.1 Information géographique volontaire : des pratiques courantes aux recommandations
5.2 Qualification et amélioration de l’information géographique volontaire
5.3 Intégrer différentes sources d’information géographique volontaire et institutionnelle en prenant en compte leur hétérogénéité
5.4 Directions de recherche à long termeNuméro de notice : 26479 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : HDR Note de thèse : HDR : Sciences et Technologies de l’Information Géographique : UGE : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : HDR DOI : sans Date de publication en ligne : 16/12/2020 En ligne : https://hal.science/tel-03078869 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96668 Interactions between hierarchical learning and visual system modeling : image classification on small datasets / Thalita Firmo Drumond (2020)
Titre : Interactions between hierarchical learning and visual system modeling : image classification on small datasets Type de document : Thèse/HDR Auteurs : Thalita Firmo Drumond, Auteur ; Frédéric Alexandre, Directeur de thèse ; Thierry Viéville, Directeur de thèse Editeur : Bordeaux : Université de Bordeaux Année de publication : 2020 Importance : 195 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour obtenir le grade de Docteur de l'Université de Bordeaux, Spécialité InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] classification semi-dirigée
[Termes IGN] corpus
[Termes IGN] échantillonnage de données
[Termes IGN] processus de hiérarchisation analytique
[Termes IGN] reconnaissance d'objets
[Termes IGN] taille du jeu de données
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Deep convolutional neural networks (DCNN) have recently protagonized a revolution in large-scale object recognition. They have changed the usual computer vision practices of hand-engineered features, with their ability to hierarchically learn representative features from data with a pertinent classifier. Together with hardware advances, they have made it possible to effectively exploit the ever-growing amounts of image data gathered online. However, in specific domains like healthcare and industrial applications, data is much less abundant, and expert labeling costs higher than those of general purpose image datasets. This scarcity scenario leads to this thesis' core question: can these limited-data domains profit from the advantages of DCNNs for image classification? This question has been addressed throughout this work, based on an extensive study of literature, divided in two main parts, followed by proposal of original models and mechanisms.The first part reviews object recognition from an interdisciplinary double-viewpoint. First, it resorts to understanding the function of vision from a biological stance, comparing and contrasting to DCNN models in terms of structure, function and capabilities. Second, a state-of-the-art review is established aiming to identify the main architectural categories and innovations in modern day DCNNs. This interdisciplinary basis fosters the identification of potential mechanisms - inspired both from biological and artificial structures — that could improve image recognition under difficult situations. Recurrent processing is a clear example: while not completely absent from the "deep vision" literature, it has mostly been applied to videos — due to their inherently sequential nature. From biology however it is clear such processing plays a role in refining our perception of a still scene. This theme is further explored through a dedicated literature review focused on recurrent convolutional architectures used in image classification.The second part carries on in the spirit of improving DCNNs, this time focusing more specifically on our central question: deep learning over small datasets. First, the work proposes a more detailed and precise discussion of the small sample problem and its relation to learning hierarchical features with deep models. This discussion is followed up by a structured view of the field, organizing and discussing the different possible paths towards adapting deep models to limited data settings. Rather than a raw listing, this review work aims to make sense out of the myriad of approaches in the field, grouping methods with similar intent or mechanism of action, in order to guide the development of custom solutions for small-data applications. Second, this study is complemented by an experimental analysis, exploring small data learning with the proposition of original models and mechanisms (previously published as a journal paper).In conclusion, it is possible to apply deep learning to small datasets and obtain good results, if done in a thoughtful fashion. On the data path, one shall try gather more information from additional related data sources if available. On the complexity path, architecture and training methods can be calibrated in order to profit the most from any available domain-specific side-information. Proposals concerning both of these paths get discussed in detail throughout this document. Overall, while there are multiple ways of reducing the complexity of deep learning with small data samples, there is no universal solution. Each method has its own drawbacks and practical difficulties and needs to be tailored specifically to the target perceptual task at hand. Note de contenu : 1- Introduction
I- Object recognition with deep convolutional neural networks
2- Convolutional neural networks and visual system modeling
3- Feedforward CNN architectures for object recognition
4- Recurrent and feedback CNN architectures for object recognition
II- Image classification on small datasets
5- A review of strategies to use deep learning under limited data
6- Analysis of DCNN applied to small sample learning using data prototypes
7 ConclusionNuméro de notice : 28312 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : thèse de Doctorat : Informatique : Bordeaux : 2020 Organisme de stage : Laboratoire bordelais de recherche en informatique DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03129189v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98233 Inversion de données PolSAR en bande P pour l'estimation de la biomasse forestière / Colette Gelas (2020)
Titre : Inversion de données PolSAR en bande P pour l'estimation de la biomasse forestière Type de document : Thèse/HDR Auteurs : Colette Gelas, Auteur ; Laurent Polidori, Directeur de thèse ; Ludovic Villard, Directeur de thèse Editeur : Toulouse : Université de Toulouse 3 Paul Sabatier Année de publication : 2020 Importance : 154 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse pour obtenir le grade de Docteur de l'Université de Toulouse, spécialité Surface et interfaces continentales, HydrologieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] acquisition d'images
[Termes IGN] Afrique (géographie politique)
[Termes IGN] bande P
[Termes IGN] biomasse forestière
[Termes IGN] données de terrain
[Termes IGN] données polarimétriques
[Termes IGN] état de l'art
[Termes IGN] forêt tropicale
[Termes IGN] image AIRSAR
[Termes IGN] image radar moirée
[Termes IGN] indicateur de biodiversité
[Termes IGN] radar à antenne synthétique
[Termes IGN] série temporelle
[Termes IGN] variation saisonnièreIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) La thèse s'inscrit dans le cadre des travaux préparatoires à la mission spatiale BIOMASS du programme Earth Explorer de l'ESA (Agence Spatiale Européenne), qui prévoit d'exploiter pour la première fois depuis l'espace un SAR en bande P (435 MHz), dans le but de cartographier la biomasse et la hauteur des forêts à l'échelle globale pour la période 2023-2028. L'utilisation de la bande P permet d'obtenir une sensibilité du signal inédite avec la biomasse, en lien avec ses capacités de pénétration même à travers des forêts tropicales denses. La mission BIOMASS se base sur l'utilisation conjointe de trois méthodes d'imagerie qui sont la Polarimétrie (PolSAR), l'Interférométrie (PolInSAR) et la Tomographie (TomoSAR). Ses objectifs sont de produire tous les 7 mois des cartes de biomasse et hauteur des forêts à la résolution de 4 ha, ainsi que des cartes des perturbations sévères à 0.5 ha. La thèse s'est organisée autour du développement d'une chaîne de calcul articulée en plusieurs modules permettant d'extraire des valeurs de biomasse à partir de données PolSAR en bande P dans la perspective de cartographier la biomasse forestière de manière robuste et automatique. Les deux modules principaux consistent à estimer un indicateur polarimétrique lié à la biomasse forestière puis à l'inverser en biomasse en appliquant une méthode bayésienne construite sur des grandeurs a priori issues d'un modèle électromagnétique prédictif (MIPERS-4D). Une étude a été consacrée à la comparaison de différents indicateurs PolSAR permettant l'inversion de la biomasse forestière sur les différents sites expérimentaux étudiés. Cette thèse aborde la possibilité de minimiser les effets de la topographie avec une utilisation conjointe des modèles numériques d'élévation (DEM) qui donnent une approximation des pentes sous forêts et des données PolSAR à partir desquelles il est possible d'extraire des informations sur les coefficients des matrices de covariances et sur les pentes azimutales sous forêt. Dans l'objectif d'améliorer les relations entre les coefficients de rétrodiffusion et la biomasse, la minimisation des effets de speckle a également été étudiée dans le cadre des scénarios d'acquisitions BIOMASS, supposant des adaptations des techniques de filtrage existantes pour des séries temporelles de données SLC polarimétriques. Ces travaux sur le développement d'un filtre multi-temporel et multi-canal adapté aux séries temporelles PolSAR ont été valorisés dans l'article "Multi-temporal speckle filtering of polarimetric P-band SAR data over dense tropical forests in French Guiana : application to the BIOMASS mission" (publié dans la revue Remote Sensing), dans lequel un nouvel indicateur permettant de quantifier les performances du filtrage a également été proposé, en lien avec la capacité inédite de ces données pour caractériser les pentes azimutales du terrain. Ces différents travaux ont permis de mettre au point une méthode d'inversion adaptable aux contraintes de généralisation spatiale et temporelle pour les futures acquisitions BIOMASS à l'échelle globale. La méthode développée repose sur la combinaison d'un indicateur issu des données PolSAR qui optimise la relation à la biomasse ainsi que d'une méthode bayésienne minimisant les effets de dispersion à partir de fonctions de vraisemblance issues du modèle MIPERS-4D. Les conditions d'observations peuvent ainsi être prises en compte au travers de la paramétrisation du modèle, et l'application de cette méthode aux données des campagnes aéroportées étudiées dans cette thèse a montré son intérêt pour éviter la propagation directe des effets temporels ou de structure en biomasse. La combinaison de ces différentes études a permis d'améliorer la méthode d'inversion tout au long de la thèse, en ouvrant également des perspectives de développement pour la consolider avec en particulier la généralisation aux indicateurs PolInSAR et TomoSAR, en vue d'une exploitation la plus complète des futures données BIOMASS. Note de contenu : Introduction
1. Objectifs scientifiques et défis techniques de la mission BIOMASS
1.1 Contexte et objectifs scientifiques de la mission BIOMASS
1.2 Choix technologiques pour répondre aux objectifs de la mission BIOMASS
1.3 Les indicateurs pertinents pour cartographier la biomasse
1.4 Scénarios d’acquisitions et produits de la mission BIOMASS
1.5 Références
2. Présentation des données adaptées aux objectifs de la thèse
2.1 Contexte de réalisation des campagnes aéroportées spécifiques à BIOMASS
2.2 La campagne TropiSAR
2.3 La campagne AfriSAR
2.4 Les expérimentations TropiScat[1&2] et AfriScat
2.5 Références
3. Adaptation du Filtre Multi-canal et Multi-Temporel (MCMT) aux séquences temporelles de données SLC polarimétriques type BIOMASS
3.1 Etat de l’art
3.2 Filtre multi-temporel et multi-canal (MTMC)
3.3 Résultats
3.4 Discussion
3.5 Conclusion
3.6 Références
4. Algorithme d’inversion des données PolSAR bande P en biomasse des forêts
4.1 Modélisation de la relation intensité et biomasse
4.2 Inversion en biomasse
4.3 Procédure d’inversion
4.4 Résultats
4.5 Discussion et analyse
4.6 Références
5. Perspectives et discussions
5.1 Applications liées au filtrage
5.2 Perspectives d’améliorations de l’inversion en biomasse
5.3 Références
ConclusionNuméro de notice : 26556 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/FORET/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Surface et interfaces continentales, Hydrologie : Toulouse 3 Paul Sabatier : 2020 Organisme de stage : Centre d'Etudes Spatiales de la BIOsphère CESBIO nature-HAL : Thèse Date de publication en ligne : 05/07/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03278312/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98045
Titre : Learning 3D generation and matching Type de document : Thèse/HDR Auteurs : Thibault Groueix, Auteur ; Mathieu Aubry, Directeur de thèse Editeur : Paris : Ecole Nationale des Ponts et Chaussées ENPC Année de publication : 2020 Importance : 169 p. Format : 21 x 30 cm Note générale : bibliographie
A doctoral thesis in the domain of automated signal and image processing submitted to École Doctorale Paris-Est
Mathématiques et Sciences et Technologies de l’Information et de la CommunicationLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] appariement de formes
[Termes IGN] appariement dense
[Termes IGN] apprentissage profond
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] déformation de surface
[Termes IGN] isométrie
[Termes IGN] maillage
[Termes IGN] modélisation 3D
[Termes IGN] reconstruction 3D
[Termes IGN] reconstruction d'image
[Termes IGN] segmentation d'image
[Termes IGN] semis de points
[Termes IGN] voxelIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The goal of this thesis is to develop deep learning approaches to model and analyse 3D shapes. Progress in this field could democratize artistic creation of 3D assets which currently requires time and expert skills with technical software. We focus on the design of deep learning solutions for two particular tasks, key to many 3D modeling applications: single-view reconstruction and shape matching. A single-view reconstruction (SVR) method takes as input a single image and predicts the physical world which produced that image. SVR dates back to the early days of computer vision. In particular, in the 1960s, Lawrence G. Roberts proposed to align simple 3D primitives to the input image under the assumption that the physical world is made of cuboids. Another approach proposed by Berthold Horn in the 1970s is to decompose the input image in intrinsic images and use those to predict the depth of every input pixel. Since several configurations of shapes, texture and illumination can explain the same image, both approaches need to form assumptions on the distribution of images and 3D shapes to resolve the ambiguity. In this thesis, we learn these assumptions from large-scale datasets instead of manually designing them. Learning allows us to perform complete object reconstruction, including parts which are not visible in the input image. Shape matching aims at finding correspondences between 3D objects. Solving this task requires both a local and global understanding of 3D shapes which is hard to achieve explicitly. Instead we train neural networks on large-scale datasets to solve this task and capture this knowledge implicitly through their internal parameters.Shape matching supports many 3D modeling applications such as attribute transfer, automatic rigging for animation, or mesh editing.The first technical contribution of this thesis is a new parametric representation of 3D surfaces modeled by neural networks.The choice of data representation is a critical aspect of any 3D reconstruction algorithm. Until recently, most of the approaches in deep 3D model generation were predicting volumetric voxel grids or point clouds, which are discrete representations. Instead, we present an alternative approach that predicts a parametric surface deformation ie a mapping from a template to a target geometry. To demonstrate the benefits of such a representation, we train a deep encoder-decoder for single-view reconstruction using our new representation. Our approach, dubbed AtlasNet, is the first deep single-view reconstruction approach able to reconstruct meshes from images without relying on an independent post-processing, and can do it at arbitrary resolution without memory issues. A more detailed analysis of AtlasNet reveals it also generalizes better to categories it has not been trained on than other deep 3D generation approaches.Our second main contribution is a novel shape matching approach purely based on reconstruction via deformations. We show that the quality of the shape reconstructions is critical to obtain good correspondences, and therefore introduce a test-time optimization scheme to refine the learned deformations. For humans and other deformable shape categories deviating by a near-isometry, our approach can leverage a shape template and isometric regularization of the surface deformations. As category exhibiting non-isometric variations, such as chairs, do not have a clear template, we learn how to deform any shape into any other and leverage cycle-consistency constraints to learn meaningful correspondences. Our reconstruction-for-matching strategy operates directly on point clouds, is robust to many types of perturbations, and outperforms the state of the art by 15% on dense matching of real human scans. Note de contenu : 1- Introduction
2 Related Work
3 AtlasNet: A Papier-Mache Approach to Learning 3D Surface Generation
4 3D-CODED : 3D Correspondences by Deep Deformation
5 Unsupervised cycle-consistent deformation for shape matching
6 ConclusionNuméro de notice : 28310 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Automated signal and image processing : Paris-Est : 2020 Organisme de stage : LIGM DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03127055v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98201 Learning and geometric approaches for automatic extraction of objects from remote sensing images / Nicolas Girard (2020)
Titre : Learning and geometric approaches for automatic extraction of objects from remote sensing images Type de document : Thèse/HDR Auteurs : Nicolas Girard, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 169 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat Présentée en vue de l’obtention du grade de docteur en Automatique, Traitement du Signal et des Images de l'Université Côte d’AzurLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] alignement
[Termes IGN] appariement de données localisées
[Termes IGN] apprentissage profond
[Termes IGN] chaîne de traitement
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection du bâti
[Termes IGN] erreur
[Termes IGN] figure géométrique
[Termes IGN] filtrage du bruit
[Termes IGN] jeu de données
[Termes IGN] polygonation
[Termes IGN] réalité de terrain
[Termes IGN] segmentation d'image
[Termes IGN] vectorisationIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Creating a digital double of the Earth in the form of a map has many applications in e.g. autonomous driving, automated drone delivery, urban planning, telecommunications, and disaster management. Geographic Information Systems (GIS) are the frameworks used to integrate geolocalized data and represent maps. They represent shapes of objects in a vector representation so that it is as sparse as possible while representing shapes accurately, as well as making it easier to edit than raster data. With the increasing amount of satellite and aerial images being captured every day, automatic methods are being developed to transfer the information found in those remote sensing images into Geographic Information Systems. Deep learning methods for image segmentation are able to delineate the shapes of objects found in images, but they do so with a raster representation, in the form of a mask. Post-processing vectorization methods then convert that raster representation into a vector representation compatible with GIS. Another challenge in remote sensing is to deal with a certain type of noise in the data, which is the misalignment between different layers of geolocalized information (e.g. between images and building cadaster data). This type of noise is frequent due to various errors introduced during the processing of remote sensing data. This thesis develops combined learning and geometric approaches with the purpose to improve automatic GIS mapping from remote sensing images. We first propose a method for correcting misaligned maps over images, with the first motivation for them to match, but also with the motivation to create remote sensing datasets for image segmentation with alignment-corrected ground truth. Indeed training a model on misaligned ground truth would not lead to a nice segmentation, whereas aligned ground truth annotations will result in better segmentation models. During this work we also observed a denoising effect of our alignment model and use it to denoise a misaligned dataset in a self-supervised manner, meaning only the misaligned dataset was used for training.
We then propose a simple approach to use a neural network to directly output shape information in the vector representation, in order to by-pass the post-processing vectorization step. Experimental results on a dataset of solar panels show that the proposed network succeeds in learning to regress polygon coordinates, yielding directly vectorial map outputs. Our simple method is limited to predicting polygons with a fixed number of vertices though. While more recent methods for learning directly in the vector representation are not limited to a fixed number of vertices, they still have other limitations in terms of the type of object shapes they can predict. More complex topological cases such as objects with holes or buildings touching each other (with a common wall which is very typical of European city centers) are not handled by these fully deep learning methods. We thus propose a hybrid approach alleviating those limitations by training a neural network to output a segmentation probability map as usual and also to output a frame field aligned with the contours of detected objects (buildings in our case). The frame field constitutes additional shape information learned by the network. We then propose our highly parallelizable polygonization method for leveraging that frame field information to vectorize the segmentation probability map efficiently. Because our polygonization method has access to additional information in the form of a frame field, it can be less complex than other advanced vectorization methods and is thus faster. Lastly, requiring an image segmentation network to also output a frame field only adds two convolutional layers and virtually does not increase inference time, making the use of a frame field only beneficial.Note de contenu : 1- Introduction
2- Building alignment
3- Building alignment from noisy ground truth
4- PolyCNN: learning polygons
5- Frame field learning
6- Polygonization by frame field
7- Conclusions and perspectivesNuméro de notice : 28501 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du Signal et des Images : Côte d’Azur : 2020 Organisme de stage : Inria Sophia-Antipolis nature-HAL : Thèse DOI : sans En ligne : https://hal.inria.fr/tel-03111628/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96940 PermalinkUn modèle spatio-temporel hybride de SIG temporel : application à la géomorphologie marine / Younes Hamdani (2020)PermalinkModélisation des effets de la compétition interspécifique et des pratiques sylvicoles sur la croissance de jeunes plants forestiers / Jean-Charles Miquel (2020)PermalinkPermalinkNew quantitative indices from 3D modeling by photogrammetry to monitor coral reef environments / Isabel Urbina-Barreto (2020)PermalinkOptimiser la gestion conjointe de la voirie et des réseaux enterrés à l'aide de la géomatique : conception d'un référentiel spatial de voirie / Antonin Pavard (2020)PermalinkPast and future evolution of French Alpine glaciers in a changing climate: a deep learning glacio-hydrological modelling approach / Jordi Bolibar Navarro (2020)PermalinkPermalinkPermalinkSimplicial complexes reconstruction and generalisation of 3d lidar data in urban scenes / Stéphane Guinard (2020)Permalink