Détail de l'auteur
Auteur Baptiste Lafabregue |
Documents disponibles écrits par cet auteur (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Clustering et apprentissage profond sous contraintes pour l’analyse de séries temporelles : Application à l’analyse temporelle incrémentale en télédétection / Baptiste Lafabregue (2021)
Titre : Clustering et apprentissage profond sous contraintes pour l’analyse de séries temporelles : Application à l’analyse temporelle incrémentale en télédétection Type de document : Thèse/HDR Auteurs : Baptiste Lafabregue, Auteur ; Germain Forestier, Directeur de thèse ; Pierre Gançarski, Directeur de thèse Editeur : Mulhouse : Université de Haute Alsace Année de publication : 2021 Importance : 167 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour obtenir le grade de Docteur de l'Université de Haute-Alsace, Discipline InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de groupement
[Termes IGN] analyse spatio-temporelle
[Termes IGN] apprentissage non-dirigé
[Termes IGN] apprentissage profond
[Termes IGN] jeu de données
[Termes IGN] programmation par contraintes
[Termes IGN] segmentation sémantique
[Termes IGN] série temporelleIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Depuis quelques années, les satellites réalisent des captures d'images de la Terre avec une haute fréquence de revisite et une haute disponibilité, qu'on peut représenter sous forme de séries temporelles. Cela permet d'effectuer une observation continue de la Terre avec des applications dans le suivi agricole, la gestion de catastrophes naturelles, etc. Cependant, ce phénomène ne se limite pas au domaine de la télédétection. On peut en effet observer une croissance similaire dans de nombreux domaines, tel que la médecine ou la finance. Or, dans tous ces domaines, l'analyse de ces données fait face aux mêmes problématiques. Une grande quantité de données n'est pas toujours accompagnée d'un étiquetage suffisant, ce qui empêche généralement une bonne application des méthodes supervisées. En effet, l'étiquetage reste une tâche très chronophage et complexe, car nécessitant une expertise sur les données analysées. A l'opposé, les méthodes non supervisées ne nécessitent pas de connaissances de l'expert mais donnent parfois des résultats médiocres. Dans ce contexte, le clustering sous contraintes est une alternative qui offre un bon compromis en termes d'investissement pour l'expert. Toutefois, les méthodes de clustering sous contraintes sont sujettes à des limitations importantes. Nous montrons dans cette thèse que deux facteurs limites fortement l'impact des contraintes, la consistance, qui est la quantité d'information dans l'ensemble des contraintes que l'algorithme peut déterminer par ses propres biais, et la cohérence, qui est le degré d'accord entre les contraintes elles-mêmes. Afin de répondre au problème de consistance, nous proposons une nouvelle méthode, I-SAMARAH, basée sur le clustering collaboratif et l'intégration des contraintes de manière incrémentale. Cependant, nous montrons également que le problème de cohérence reste important que nous proposons d'aborder de manière plus prospective avec des méthodes basées sur l'apprentissage profond. Note de contenu : Introduction
1- Contexte
2- Guider le clustering avec des contraintes
3- Analyse de séries temporelles en télédétection
4- Apprentissage de représentation contraint
5- Apprentissage profond non-supervisé et séries temporelles
ConclusionNuméro de notice : 15276 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Haute Alsace : 2021 Organisme de stage : IRIMAS DOI : sans En ligne : https://tel.hal.science/tel-03630122 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101099