Détail de l'autorité
EGC 2022, 7e atelier GAST, Gestion et Analyse de données Spatiales et Temporelles 25/01/2022 25/01/2022 Blois France OA Proceedings
nom du congrès :
EGC 2022, 7e atelier GAST, Gestion et Analyse de données Spatiales et Temporelles
début du congrès :
25/01/2022
fin du congrès :
25/01/2022
ville du congrès :
Blois
pays du congrès :
France
site des actes du congrès :
|
Documents disponibles (1)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Représentation et combinaison de l'information géographique pour l'apprentissage profond / Azelle Courtial (2022)
Titre : Représentation et combinaison de l'information géographique pour l'apprentissage profond Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur Editeur : [s.l.] : [s.n.] Année de publication : 2022 Conférence : EGC 2022, 7e atelier GAST, Gestion et Analyse de données Spatiales et Temporelles 25/01/2022 25/01/2022 Blois France OA Proceedings Importance : pp 54 - 65 Note générale : bibliographie Langues : Français (fre) Descripteur : [Termes IGN] apprentissage profond
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données vectorielles
[Termes IGN] généralisation automatique de données
[Termes IGN] représentation des données
[Termes IGN] tenseur
[Vedettes matières IGN] GénéralisationRésumé : (auteur) L’apprentissage profond permet maintenant de générer des cartes transformées à partir d’images d’autres cartes. Mais contrairement aux méthodes traditionnelles de prédiction de carte qui reposent sur des couches de données vectorielles stockées dans des bases de données géographiques, l’image ne transmet qu’une vue limitée des informations contenues dans la version vectorielle des données. Dans cet article, nous nous intéressons à la représentation de l’information géographique sous forme de tenseurs pour améliorer la génération de cartes par apprentissage profond. Nous proposons d’abord une stratégie alternative pour la création des données d’apprentissage : un ensemble de masques où chacun décrit les formes et positions d’un type d’objet géographique sur une même portion de carte (bâtiments, routes, ...). Nous étudions ensuite comment combiner de l’information géographique additionnelle dans les mécanismes d’apprentissage pour améliorer l’abstraction des cartes générées. Numéro de notice : C2022-054 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://hal.science/hal-03719234v1 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103160 Documents numériques
peut être téléchargé
Représentation et combinaison de l'IG ... - pdf éditeurAdobe Acrobat PDF