Centre dedocumentation
scientifique

Hyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing / Minrui Zheng in International journal of geographical information science IJGIS, Vol 33 n° 1-2 (January - February 2019)  

Public [article]  inInternational journal of geographical information science IJGIS > Vol 33 n° 1-2 (January - February 2019) . - pp 314 - 345 Titre : Hyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing Type de document : Article/Communication Auteurs : Minrui Zheng, Auteur ; Wenwu Tang, Auteur ; Xiang Zhao, Auteur Année de publication : 2019 Article en page(s) : pp 314 - 345 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] algorithme d'apprentissage [Termes descripteurs IGN] analyse spatiale [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] Caroline du Nord (Etats-Unis) [Termes descripteurs IGN] données spatiotemporelles [Termes descripteurs IGN] géostatistique [Termes descripteurs IGN] méthode des moindres carrés [Termes descripteurs IGN] modèle empirique [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] modélisation spatiale [Termes descripteurs IGN] optimisation (mathématiques) [Termes descripteurs IGN] régression linéaire [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] système d'information foncière Résumé : (auteur) Artificial neural networks (ANNs) have been extensively used for the spatially explicit modeling of complex geographic phenomena. However, because of the complexity of the computational process, there has been an inadequate investigation on the parameter configuration of neural networks. Most studies in the literature from GIScience rely on a trial-and-error approach to select the parameter setting for ANN-driven spatial models. Hyperparameter optimization provides support for selecting the optimal architectures of ANNs. Thus, in this study, we develop an automated hyperparameter selection approach to identify optimal neural networks for spatial modeling. Further, the use of hyperparameter optimization is challenging because hyperparameter space is often large and the associated computational demand is heavy. Therefore, we utilize high-performance computing to accelerate the model selection process. Furthermore, we involve spatial statistics approaches to improve the efficiency of hyperparameter optimization. The spatial model used in our case study is a land price evaluation model in Mecklenburg County, North Carolina, USA. Our results demonstrate that the automated selection approach improves the model-level performance compared with linear regression, and the high-performance computing and spatial statistics approaches are of great help for accelerating and enhancing the selection of optimal neural networks for spatial modeling. Numéro de notice : A2019-022 Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1530355 date de publication en ligne : 12/10/2018 En ligne : https://doi.org/10.1080/13658816.2018.1530355 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91689 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
079-2019011	SL	Livre	Centre de documentation	Revues en salle	Disponible

Supervized segmentation with graph-structured deep metric learning / Loïc Landrieu (2019)  

Public contenu dans ArXiv / Université Cornell (Etats-Unis) (1991)   Titre : Supervized segmentation with graph-structured deep metric learning Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Mohamed Boussaha, Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Projets : 1-Pas de projet / Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] graphe [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points Résumé : (auteur) We present a fully-supervized method for learning to segment data structured by an adjacency graph. We introduce the graph-structured contrastive loss, a loss function structured by a ground truth segmentation. It promotes learning vertex embeddings which are homogeneous within desired segments, and have high contrast at their interface. Thus, computing a piecewise-constant approximation of such embeddings produces a graph-partition close to the objective segmentation. This loss is fully backpropagable, which allows us to learn vertex embeddings with deep learning algorithms. We evaluate our methods on a 3D point cloud oversegmentation task, defining a new state-of-the-art by a large margin. These results are based on the published work of Landrieu and Boussaha 2019. Numéro de notice : P2019-003 Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 19/05/2019 En ligne : https://arxiv.org/abs/1905.04014 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92819

Do semantic parts emerge in convolutional neural networks? / Abel Gonzalez-Garcia in International journal of computer vision, vol 126 n° 5 (May 2018)  

Public [article]  inInternational journal of computer vision > vol 126 n° 5 (May 2018) . - pp 476 - 494 Titre : Do semantic parts emerge in convolutional neural networks? Type de document : Article/Communication Auteurs : Abel Gonzalez-Garcia, Auteur ; Davide Modolo, Auteur ; Vittorio Ferrari, Auteur Année de publication : 2018 Article en page(s) : pp 476 - 494 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] analyse sémantique [Termes descripteurs IGN] reconnaissance d'objet [Termes descripteurs IGN] rectangle englobant minimum [Termes descripteurs IGN] réseau neuronal convolutif Résumé : (Auteur) Semantic object parts can be useful for several visual recognition tasks. Lately, these tasks have been addressed using Convolutional Neural Networks (CNN), achieving outstanding results. In this work we study whether CNNs learn semantic parts in their internal representation. We investigate the responses of convolutional filters and try to associate their stimuli with semantic parts. We perform two extensive quantitative analyses. First, we use ground-truth part bounding-boxes from the PASCAL-Part dataset to determine how many of those semantic parts emerge in the CNN. We explore this emergence for different layers, network depths, and supervision levels. Second, we collect human judgements in order to study what fraction of all filters systematically fire on any semantic part, even if not annotated in PASCAL-Part. Moreover, we explore several connections between discriminative power and semantics. We find out which are the most discriminative filters for object recognition, and analyze whether they respond to semantic parts or to other image patches. We also investigate the other direction: we determine which semantic parts are the most discriminative and whether they correspond to those parts emerging in the network. This enables to gain an even deeper understanding of the role of semantic parts in the network. Numéro de notice : A2018-408 Thématique : INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s11263-017-1048-0 date de publication en ligne : 17/10/2017 En ligne : https://doi.org/10.1007/s11263-017-1048-0 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90882 [article]

Désambiguïsation des entités spatiales par apprentissage actif / Amal Chihaoui in Revue internationale de géomatique, vol 28 n° 2 (avril - juin 2018)  

Public [article]  inRevue internationale de géomatique > vol 28 n° 2 (avril - juin 2018) . - pp 163 - 189 Titre : Désambiguïsation des entités spatiales par apprentissage actif Type de document : Article/Communication Auteurs : Amal Chihaoui, Auteur ; Asma Bouhafs, Auteur ; Mathieu Roche, Auteur ; Maguelonne Teisseire, Auteur Année de publication : 2018 Article en page(s) : pp 163 - 189 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage dirigé [Termes descripteurs IGN] corpus [Termes descripteurs IGN] échantillonnage [Termes descripteurs IGN] extraction automatique [Termes descripteurs IGN] incertitude d'atttribut [Termes descripteurs IGN] toponyme [Termes descripteurs IGN] traitement du langage naturel Résumé : (Auteur) L’extraction de connaissances spatiales à partir de documents textuels peut être une tâche difficile du fait de l’ambiguïté propre au langage naturel. L'indisponibilité de gros volumes de données étiquetées rend difficile la mise-en-œuvre d’un processus de découverte automatique. Dans ce contexte, nous abordons le problème de la désambiguïsation des entités spatiales, entre " localisation" et "organisation" par apprentissage actif. D’abord, nous introduisons une méthode de résolution des toponymes basée sur une analyse lexicale et contextuelle. Ensuite, nous proposons une amélioration en intégrant un modèle d’apprentissage actif. Celui-ci permet de sélectionner automatiquement les données non étiquetées les plus informatives pour la notation humaine. Les expérimentations sont réalisées sur un corpus de "SemEval-2007" en anglais et soulignent l’amélioration du modèle d’apprentissage initial avec un étiquetage réduit. Numéro de notice : A2018-254 Thématique : GEOMATIQUE/TOPONYMIE Nature : Article DOI : 10.3166/rig.2018.00053 date de publication en ligne : 03/08/2018 En ligne : https://doi.org/10.3166/rig.2018.00053 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90315 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
047-2018021	SL	Revue	Centre de documentation	Revues en salle	Disponible

Cut-Pursuit algorithm for regularizing nonsmooth functionals with graph total variation / Hugo Raguet (2018)    

Public Titre : Cut-Pursuit algorithm for regularizing nonsmooth functionals with graph total variation Type de document : Article/Communication Auteurs : Hugo Raguet, Auteur ; Loïc Landrieu , Auteur Congrès : ICML 2018, 35th International Conference on Machine Learning (10 - 15 juillet 2018; Stockholm, Suède), Commanditaire Editeur : [s.l.] : [s.n.] Année de publication : 2018 Importance : 10 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] algorithme Cut Pursuit [Termes descripteurs IGN] graphe [Termes descripteurs IGN] régularisation Résumé : (auteur) We present an extension of the cut-pursuit algorithm, introduced by Landrieu & Obozinski (2017), to the graph total-variation regularization of functions with a separable non differentiable part. We propose a modified algorithmic scheme as well as adapted proofs of convergence. We also present a heuristic approach for handling the cases in which the values associated to each vertex of the graph are multidimensional. The performance of our algorithm, which we demonstrate on difficult, ill-conditioned large-scale inverse and learning problems, is such that it may in practice extend the scope of application of the total-variation regularization. Numéro de notice : C2018-020 Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Poster nature-HAL : Poster-avec-CL En ligne : http://proceedings.mlr.press/v80/raguet18a/raguet18a.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90482

Documents numériques

en open access Cut-Pursuit algorithm for ... - pdf éditeur Adobe Acrobat PDF

Machine learning and pose estimation for autonomous robot grasping with collaborative robots / Victor Talbot (2018) 

Permalink

Neural networks and deep learning / Michael Nielsen (12/2017)  

Permalink

Constrained clustering by constraint programming / Thi-Bich-Hanh Dao in Artificial intelligence, vol 244 (March 2017)  

Permalink

Prediction of categorical spatial data via Bayesian updating / Xiang Huang in International journal of geographical information science IJGIS, vol 30 n° 7- 8 (July - August 2016)  

Permalink

Deep learning / Ian Goodfellow (2016)  

Permalink

Un environnement collaboratif pour l’acquisition de compétences en conception-développement d’applications centrées utilisateur. Application aux systèmes d'assitance à la santé et au bien-être / Maha Khemaja in Ingénierie des systèmes d'information, ISI : Revue des sciences et technologies de l'information, RSTI, vol 20 n° 4 (juillet - août 2015)  

Permalink

How much past to see the future: a computational study in calibrating urban cellular automata / Ivan Blecic in International journal of geographical information science IJGIS, vol 29 n° 3 (March 2015)  

Permalink

Knowledge elicitation: methods, tools and techniques / Nigel R. Shadbolt (2015) 

Permalink

En route vers le Web sémantique ? / Françoise de Blomac in DécryptaGéo le mag, n° 161 (01/11/2014)

Permalink

JFSMA'14 systèmes multi-agents : principe de parcimonie, 8-10 octobre 2014, Loriol-sur-Drôme / Rémy Courdier (2014)  

Permalink