Détail de l'auteur
Auteur Sébastien Mustière
Commentaire :
Autorités liées :
idHAL :
pas d'identifiant
idRef :
autre URL :
ORCID :
Scopus :
G. Scholar :
DBLP URL :
|
Documents disponibles écrits par cet auteur (110)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Titre : Apprentissage supervisé pour la généralisation cartographique Type de document : Thèse/HDR Auteurs : Sébastien Mustière , Auteur ; J.G. Ganascia, Directeur de thèse Editeur : Paris : Université de Paris 6 Pierre et Marie Curie Année de publication : 2001 Importance : 241 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de doctorat en informatique, option intelligence artificielleLangues : Français (fre) Descripteur : [Termes IGN] apprentissage dirigé
[Termes IGN] base de connaissances
[Termes IGN] exagération de forme
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] objet géographique
[Termes IGN] réseau routier
[Termes IGN] système expert
[Vedettes matières IGN] GénéralisationIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Cette thèse a pour contexte l'automatisation de la généralisation cartographique, processus de création d'une carte à partir d'une base de données géographique trop détaillée. Pour réaliser cela, de nombreux algorithmes existent pour transformer la géométrie des objets géographiques à représenter sur la carte, mais aucun d'entre eux n'est générique. Nous adoptons alors une approche pas à pas, adaptative et focalisée, où le traitement d'un objet nécessite l'application de plusieurs algorithmes sur des espaces de travail adéquats. Dans ce contexte, il faut définir des règles permettant de choisir quels algorithmes appliquer sur un objet donné à partir de la description de celui-ci par un ensemble de mesures numériques. Un processus d'enchaînement des algorithmes est mis au point empiriquement pour la généralisation des routes. L'efficacité et les limites de ce processus conduisent à envisager l'utilisation de l'apprentissage automatique supervisé pour acquérir les connaissances nécessaires à un système expert cartographique. Notre problème d'apprentissage se caractérise par la recherche de règles efficaces et compréhensibles à partir d'exemples peu nombreux, bruités et de description riche. Un apprentissage classique produit alors des règles de faible qualité. Pour améliorer cela, nous guidons l'apprentissage par les connaissances du domaine en décomposant notre problème d'apprentissage en plusieurs sous-problèmes plus simples : nous apprenons tout à tour à abstraire puis à choisir comment transformer les objets géographiques manipulés. La phase d'abstraction consiste à reformuler la représentation des observables sous la forme d'un ensemble restreint de nouveaux attributs symboliques. La phase de choix de transformation consiste à déterminer quelle transformation réaliser en fonction de la description abstraite de l'objet. L'introduction de cette phase d'abstraction permet d'apprendre des règles cartographiques à la fois plus efficaces et plus compréhensibles qu'un apprentissage direct. Elle permet d'améliorer ainsi la qualité cartographique des résultats obtenus. Note de contenu : A GENERALISATION CARTOGRAPHIQUE AUTOMATIQUE
A. 1 Représentation de l'Information Géographique Numérique
A. 2 Opérations de généralisation cartographique
1 Simplifier
2 Caricaturer
3 Harmoniser
A.3 Algorithmes de généralisation cartographique
1 De la compression aux premiers algorithmes de généralisation
2 Propriétés des algorithmes de généralisation :
- Trois algorithmes représentatifs de différentes approches
- Contraintes, opérations, et champ d'application des algorithmes
3 Enchainement des algorithmes .
A.4 Recueil des connaissances de généralisation
A.5 Sujet et approche.
B GENERALISATION CARTOGRAPHIQUE DES ROUTES : LE PROCESSUS GALBE
B. 1 Domaine d'application : les routes pour les cartes routières
B.2 Règles de généralisation cartographique des routes
B.3 Le bon espace de travail pour les routes
1 Focalisation idéale
2 Focalisation selon l'empâtement
- Définitions théoriques de l'empâtement
- Evaluation empirique des définitions de l'empâtement
- Implémentation et résultats
B 4 Algorithmes de transformation
1 Algorithmes de caricature d'une série de virages empâtée
2 Algorithmes de caricature d'un virage empâté
3 Algorithmes de simplification d'une ligne entière BAA Propagation des déformations
B.5 Processus GALBE
1 Mesures de description
2 Moteur du processus
B.6 Evaluation des résultats
1 Analyse par des cartographes
2 Application au réseau routier des cartes au 1:250.000
3 Bilan de GALBE
B.7 Vers l'utilisation de l'apprentissage automatique
C APPRENTISSAGE AUTOMATIQUE SUPERVISE
C.1 Présentation de l'apprentissage supervisé et définitions
C.2 Poser un problème d'apprentissage
C.3 Algorithmes d'apprentissage
1 L'apprentissage supervisé, un problème de recherche
2 Mise en ceuvre des biais d'apprentissage
3 Types d'algorithmes existants
4 Choisir un algorithme d'apprentissage
5 Combiner plusieurs algorithmes.
C 4 Vers des connaissances plus efficaces et mieux structurées
C.5 Evaluation de l'apprentissage
1 Evaluation théorique
2 Evaluation empirique
C.6 Conclusion
D APPRENTISSAGE ET GENERALISATION CARTOGRAPHIQUE
D. 1 Introduction
1 Bref rappel du problème
2 Contexte : utilisation de la tâche apprise.
D. 2 Spécificité de notre problème vis-à-vis de l'apprentissage
1 Difficultés du recueil d'exemples
2 Bruit sur les exemples
3 Taille des exemples
4 Bilan : caractéristiques des exemples
D. 3 Abstraire
1 Modèle théorique d'abstraction
2 Abstraction et cartographie
3 Abstraction et apprentissage
D. 4 Construction de la méthode de résolution de problème
1 Méthode initiale de résolution de problème
2 Abstraire les mesures
3 Déterminer et spécifier : opération, algorithme
4 Couvrir et différencier : algorithmes applicables, algorithme choisi
5 Paramétrage des algorithmes
D. 5 Bilan -processus d'apprentissage
1 Méthode de définition du processus d'apprentissage
2 Intérêt de l'approche
E EXPERIMENTATION DE L'APPRENTISSAGE SUR LES ROUTES
E. 1 Présentation des tests
1 Objetsétudiés
2 Langage abstrait utilisé
3 Mesures utilisées
4 Opérations et algorithmes géométriques utilisés
5 Méthode de résolution de problème choisie
6 Recueil des exemples
7 Algorithme d'apprentissage utilisé : RIPPER
8 Expérimentations réalisées
E. 2 Résultats : règles apprises
1 Détermination des attributs descriptifs abstraits
2 Détermination de l'opération .
3 Applicabilité des algorithmes
4 Choix de l'algorithme
5 Pararnétrage
6 Enchaînement des inférences
E. 3 Analyse cartographique de l'application des regles apprises
1 Qualite des résultats
2 Analyse des erreurs
3 Convergence et temps de calcul
4 Généricité de lieu et d'échelle
E. 4 Intérêt de la méthode de résolution de problème
1 Comparaison a l'apprentissage direct.
2 Influence de chaque étape
3 Intérêt de l'étape d'abstraction des mesures
E. 5 Bilan des expérimentationsNuméro de notice : 11635 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Thèse française Note de thèse : Thèse de doctorat : Informatique. Intelligence artificielle : Paris 6 : 2001 Organisme de stage : COGIT (IGN) nature-HAL : Thèse DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=45165 Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 11635-01 THESE Livre Centre de documentation Thèses Disponible Documents numériques
en open access
11635_these_2001_mustiere.pdfAdobe Acrobat PDF Comparison of different approaches to combine road generalisation algorithms: GALBE, AGENT and CartoLearn / Sébastien Mustière (2001)
contenu dans Fifth ICA workshop on progress in automated map generalization, August 2 - 4, 2001, Beijing, China / Commission on map generalization ICA (2001)
Titre : Comparison of different approaches to combine road generalisation algorithms: GALBE, AGENT and CartoLearn Type de document : Article/Communication Auteurs : Sébastien Mustière , Auteur ; Cécile Duchêne , Auteur Editeur : Paris : Institut Géographique National - IGN (1940-2007) Année de publication : 2001 Projets : AGENT / Lamy, Sylvie Conférence : ICA 2001, 5th workshop on progress in automated map generalization 02/08/2001 04/08/2001 Pékin Chine OA Proceedings Importance : 14 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] AGENT
[Termes IGN] agent (intelligence artificielle)
[Termes IGN] algorithme de généralisation
[Termes IGN] apprentissage automatique
[Termes IGN] généralisation automatique de données
[Termes IGN] modèle (conceptuel) de généralisation
[Termes IGN] objet géographique linéaire
[Termes IGN] réseau routier
[Termes IGN] système à base de connaissances
[Termes IGN] système multi-agents
[Vedettes matières IGN] GénéralisationRésumé : (auteur) In this article we discuss three different approaches to chain generalisation algorithms, in the special case of road generalisation. The three approaches consider that generalisation is done by means of applying different algorithms on different parts of the road. That is they consider generalisation as a step by step process, where a pertinent working space must be found to apply algorithms. They also use the same basic tools to transform and split a line. They differ in the way to choose what to do at a time of the process and in the way the process steps are chained until reaching a final state. The first approach, GALBE, is a predefined sequence of algorithms only guided by a coalescence criterion. The second one, AGENT applied to roads, is based on multi-agent and constraints principles. The third one, CartoLearn applied to roads, is a knowledge based system where knowledge bases have been automatically learnt from examples. We theoretically compare the three different processes in terms of the way objects and knowledge are represented, the way decisions are taken and the way actions are chained. The AGENT process concentrates more on the engine guiding the whole process and the CartoLearn process concentrates on the knowledge used to choose an algorithm at a time of the process. As the empirical results obtained by these three processes acknowledge the global step by step approach, we conclude by proposing directions to merge the different processes in order to combine their advantages. Numéro de notice : C2001-001 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://kartographie.geo.tu-dresden.de/downloads/ica-gen/workshop2001/mustiere_d [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92753 Documents numériques
en open access
Comparison of different approaches ... - pdf éditeurAdobe Acrobat PDF Revision of cartographic generalisation rule bases funded on interactive alteration analysis / Sylvain Bard (2001)
contenu dans Mapping the 21st century: the 20th International Cartographic Conference, ICC 2001, Beijing, China, August 6 - 10, 2001, vol 3. Proceedings / L. Li (2001)
Titre : Revision of cartographic generalisation rule bases funded on interactive alteration analysis Type de document : Article/Communication Auteurs : Sylvain Bard , Auteur ; Sébastien Mustière , Auteur Editeur : International Cartographic Association ICA - Association cartographique internationale ACI Année de publication : 2001 Conférence : ICC 2001, 20th International Cartographic Conference ICA, Mapping the 21th century 06/08/2001 10/08/2001 Pékin Chine OA Proceedings Importance : pp 2148 - 2159 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] cartographie numérique
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] spécification de processus
[Vedettes matières IGN] GénéralisationRésumé : (Auteur) This paper deals with researches in the field of automatic cartographic generalization. One difficulty to this automation resides in the needs of formalising cartographic knowledge to guide the application of generalization algorithms. This formalisation can be done by the means of rule bases. But the rule bases are not perfect. Cartographic generalization results needs an alteration process to correct errors. Our aim is to take advantage of this alteration process to improve rule bases. We define thus a method which analyses the alteration phase to detect an improve deficient rules from a base, in order to obtain generalization results as perfect as possible. In the field of artificial intelligence, this process is called revision. Numéro de notice : C2001-011 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://icaci.org/files/documents/ICC_proceedings/ICC2001/icc2001/file/f13029.pd [...] Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=64920 Documents numériques
peut être téléchargé
Revision of cartographic generalisation rule bases - pdfAdobe Acrobat PDF De nouveaux outils de généralisation numérique / Sébastien Mustière in Bulletin du comité français de cartographie, n° 163 (mars - mai 2000)
[article]
Titre : De nouveaux outils de généralisation numérique Type de document : Article/Communication Auteurs : Sébastien Mustière , Auteur ; François Lecordix , Auteur Année de publication : 2000 Article en page(s) : pp 40 - 45 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes IGN] base de données routières
[Termes IGN] généralisation cartographique automatisée
[Vedettes matières IGN] GénéralisationRésumé : Résumé documentaire : Cet article fait un rappel sur la méthode traditionnelle de généralisation, met en évidence les lacunes du numérique et enfin propose de nouveaux outils numériques.
(Auteur) La disponibilité de bases de données géographiques et d'outils de cartographie numérique devrait ouvrir de nouvelles opportunités pour réaliser plus rapidement les cartes papier à différentes échelles. La généralisation a pour objectif de permettre de représenter les données d'information géographique dans un espace plus petit que celui des données d'origine tout en conservant au mieux leurs caractéristiques géométriques et sémantiques. La généralisation numérique a longtemps constitué un obstacle rédhibitoire pour la réalisation de nouvelles cartes. Mais des solutions numériques apparaissent. Cet article présente quelques unes de ces solutions et des résultats obtenus au Laboratoire Conception Objet et Généralisation d'Information Topographique (COGIT) de l'IGN, en particulier dans le domaine des données routières qui constitueront dans cet article, la majorité des exemples.Numéro de notice : A2000-018 Affiliation des auteurs : IGN (1940-2011) Thématique : GEOMATIQUE Nature : Article DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=21442
in Bulletin du comité français de cartographie > n° 163 (mars - mai 2000) . - pp 40 - 45[article]Exemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 021-00011 RAB Revue Centre de documentation En réserve L003 Disponible 021-00012 RAB Revue Centre de documentation En réserve L003 Disponible Abstraction et changement de langage pour automatiser la généralisation cartographique / Sébastien Mustière (2000)
contenu dans RFIA 2000, Reconnaissance des formes et intelligence artificielle, 12e congrès francophone AFRIF-AFIA, Paris, 1er - 3 février 2000, Salons de l'Aveyron, Volume 1. RFIA 2000 proceedings / Rachid Deriche (2000)
Titre : Abstraction et changement de langage pour automatiser la généralisation cartographique Titre original : Abstraction and change of language to automate cartographic generalisation Type de document : Article/Communication Auteurs : Sébastien Mustière , Auteur ; Jean Daniel Zucker, Auteur ; Lorenza Saitta, Auteur Editeur : Association française pour la reconnaissance et l'interprétation des formes AFRIF Année de publication : 2000 Conférence : RFIA 2000, 12e congrès francophone Reconnaissance des formes et intelligence artificielle 01/02/2000 03/02/2000 Paris France OA Proceedings Importance : pp 411 - 418 Note générale : bibliographie Langues : Français (fre) Descripteur : [Termes IGN] apprentissage automatique
[Termes IGN] généralisation cartographique automatisée
[Termes IGN] langage cartographique
[Termes IGN] lecture de carte
[Termes IGN] niveau d'abstraction
[Vedettes matières IGN] GénéralisationRésumé : (auteur) Dans cet article, nous décrivons le processus de généralisation cartographique, c’est-à-dire le processus de dérivation de carte à partir de données trop détaillées, en y distinguant ses deux opérations clés : l’abstraction et le changement de langage de représentation. Nous montrons que dans ce processus, l’abstraction est nécessaire pour réaliser un changement de représentation efficace et que, loin d’éliminer de l’information, l’abstraction améliore l’information perçue par le lecteur de la carte. Enfin, nous décrivons comme cette distinction entre abstraction et changement de langage guide la mise au point d’un processus d’apprentissage automatique pour acquérir les connaissances nécessaires à la généralisation cartographique. Numéro de notice : C2000-019 Affiliation des auteurs : COGIT+Ext (1988-2011) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86211 Learning Abstraction and Representation Knowledge: an Application to Cartographic Generalisation / Jean Daniel Zucker (2000)PermalinkMachine learning techniques for determining parameters of cartographic generalisation algorithms / Lagrange (Enseigne de Vaisseau) (2000)PermalinkOptimising generalisation sequences using machine learning techniques / Nicolas Regnauld (2000)PermalinkCartographic generalization as a combination of representing and abstracting knowledge / Sébastien Mustière (1999)PermalinkGALBE: adaptative generalisation / Sébastien Mustière (1998)PermalinkGénéralisation adaptative du linéaire basée sur la détection des empâtements : application au routier / Sébastien Mustière (1998)PermalinkMesures de la qualité de la généralisation du linéaire / Sébastien Mustière (1995)Permalink
Senior researcher and lecturer in LaSTIG, MEIG team
HDR defense in 2014
Head of COGIT lab from 2011 to 2018