Centre dedocumentation
scientifique

GeoNat v1.0: A dataset for natural feature mapping with artificial intelligence and supervised learning / Samantha T. Arundel in Transactions in GIS, Vol 24 n° 3 (June 2020)  

Public [article]  inTransactions in GIS > Vol 24 n° 3 (June 2020) . - pp 556 - 572 Titre : GeoNat v1.0: A dataset for natural feature mapping with artificial intelligence and supervised learning Type de document : Article/Communication Auteurs : Samantha T. Arundel, Auteur ; Wenwen Li, Auteur ; Sizhe Wang, Auteur Année de publication : 2020 Article en page(s) : pp 556 - 572 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage dirigé [Termes descripteurs IGN] cartographie topographique [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] détection automatique [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] géoétiquetage [Termes descripteurs IGN] toponyme [Termes descripteurs IGN] United States Geological Survey Résumé : (Auteur) Machine learning allows “the machine” to deduce the complex and sometimes unrecognized rules governing spatial systems, particularly topographic mapping, by exposing it to the end product. Often, the obstacle to this approach is the acquisition of many good and labeled training examples of the desired result. Such is the case with most types of natural features. To address such limitations, this research introduces GeoNat v1.0, a natural feature dataset, used to support artificial intelligence‐based mapping and automated detection of natural features under a supervised learning paradigm. The dataset was created by randomly selecting points from the U.S. Geological Survey’s Geographic Names Information System and includes approximately 200 examples each of 10 classes of natural features. Resulting data were tested in an object‐detection problem using a region‐based convolutional neural network. The object‐detection tests resulted in a 62% mean average precision as baseline results. Major challenges in developing training data in the geospatial domain, such as scale and geographical representativeness, are addressed in this article. We hope that the resulting dataset will be useful for a variety of applications and shed light on training data collection and labeling in the geospatial artificial intelligence domain. Numéro de notice : A2020-245 Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12633 date de publication en ligne : 08/05/2020 En ligne : https://doi.org/10.1111/tgis.12633 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95307 [article]

Advances in Intelligent Data Analysis XVIII : 18th International Symposium on Intelligent Data Analysis, IDA 2020, Konstanz, Germany, April 27–29 2020 / Michael R. Berthold (2020)  

Public contenu dans Directory of Open Access Books DOAB / Directory of Open Access Books DOAB   Titre : Advances in Intelligent Data Analysis XVIII : 18th International Symposium on Intelligent Data Analysis, IDA 2020, Konstanz, Germany, April 27–29 2020 Type de document : Actes de congrès Auteurs : Michael R. Berthold, Editeur scientifique ; Ad Feelders, Editeur scientifique ; Georg Krempl, Editeur scientifique Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2020 Collection : Lecture notes in Computer Science, ISSN 0302-9743 num. 12080 Importance : 588 p. ISBN/ISSN/EAN : 978-3-030-44584-3 Note générale : Information Systems and Applications, incl. Internet/Web, and HCI Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] analyse d'image numérique [Termes descripteurs IGN] analyse de données [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage dirigé [Termes descripteurs IGN] corrélation d'images [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] vision par ordinateur Résumé : (Editeur) This open access book constitutes the proceedings of the 18th International Conference on Intelligent Data Analysis, IDA 2020, held in Konstanz, Germany, in April 2020. The 45 full papers presented in this volume were carefully reviewed and selected from 114 submissions. Advancing Intelligent Data Analysis requires novel, potentially game-changing ideas. IDA’s mission is to promote ideas over performance: a solid motivation can be as convincing as exhaustive empirical evaluation. Numéro de notice : 26312 Thématique : INFORMATIQUE Nature : Actes DOI : 10.1007/978-3-030-44584-3 date de publication en ligne : 14/05/2020 En ligne : https://www.springer.com/gp/book/9783030445836 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95127

Validating the correct wearing of protection mask by taking a selfie: design of a mobile application "CheckYourMask" to limit the spread of COVID-19 / Karim Hammoudi (2020)  

Public contenu dans HAL Hyper articles en ligne / Centre pour la Communication Scientifique Directe CCSD (2000)   Titre : Validating the correct wearing of protection mask by taking a selfie: design of a mobile application "CheckYourMask" to limit the spread of COVID-19 Type de document : Article/Communication Auteurs : Karim Hammoudi , Auteur ; Adnane Cabani, Auteur ; Halim Benhabiles, Auteur ; Mahmoud Melkemi, Auteur Editeur : Paris : HAL Année de publication : 2020 Importance : 6 p. Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] application informatique [Termes descripteurs IGN] interface mobile [Termes descripteurs IGN] maladie infectieuse [Termes descripteurs IGN] prevention [Termes descripteurs IGN] reconnaissance de formes [Termes descripteurs IGN] santé [Termes descripteurs IGN] téléphone intelligent Résumé : (Auteur) In a context of a virus that is transmissive by sputtering, wearing masks appear necessary to protect the wearer and to limit the propagation of the disease. Currently, we are facing the 2019-20 coronavirus pandemic. Coronavirus disease 2019 (COVID-19) is an infectious disease with first symptoms similar to the flu. COVID-19 appeared first in China and very quickly spreads to the rest of the world. The COVID-19 contagiousness is known to be high by comparison with the flu. In this paper, we propose a design of a mobile application for permitting to everyone having a smartphone and being able to take a picture to verify that his/her protection mask is correctly positioned on his/her face. Such application can be particularly useful for people using face protection mask for the first time and notably for children and old people. The designed method exploits Haar-like feature descriptors to detect key features of the face and a decision-making algorithm is applied. Experimental results show the potential of this method in the validation of the correct mask wearing. To the best of our knowledge, our work is the only one that currently proposes a mobile application design "CheckYourMask" for validating the correct wearing of protection mask. Numéro de notice : P2020-008 Thématique : IMAGERIE Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 21/05/2020 En ligne : https://hal.archives-ouvertes.fr/hal-02614790 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95115

Automated machine learning / Frank Hutter (2019)  

Public contenu dans Directory of Open Access Books DOAB / Directory of Open Access Books DOAB   Titre : Automated machine learning : methods, systems, challenges Type de document : Monographie Auteurs : Frank Hutter, Editeur scientifique ; Lars Kotthoff, Editeur scientifique ; Joaquin Vanschoren, Editeur scientifique Editeur : Springer Nature Année de publication : 2019 Collection : The Springer Series on Challenges in Machine Learning SSCML, ISSN 2520-1328 Importance : 219 p. ISBN/ISSN/EAN : 978-3-030-05318-5 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] algorithme d'apprentissage [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] optimisation (mathématiques) Index. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) This open access book presents the first comprehensive overview of general methods in Automated Machine Learning (AutoML), collects descriptions of existing systems based on these methods, and discusses the first series of international challenges of AutoML systems. The recent success of commercial ML applications and the rapid growth of the field has created a high demand for off-the-shelf ML methods that can be used easily and without expert knowledge. However, many of the recent machine learning successes crucially rely on human experts, who manually select appropriate ML architectures (deep learning architectures or more traditional ML workflows) and their hyperparameters. To overcome this problem, the field of AutoML targets a progressive automation of machine learning, based on principles from optimization and machine learning itself. This book serves as a point of entry into this quickly-developing field for researchers and advanced students alike, as well as providing a reference for practitioners aiming to use AutoML in their work. Note de contenu : AUTOML METHODS - Hyperparameter Optimization - Meta-Learning - Neural Architecture Search AUTOML SYSTEMS - Auto-WEKA: Automatic Model Selection and Hyperparameter Optimization in WEKA - Hyperopt-Sklearn - Auto-sklearn: Efficient and Robust Automated Machine Learning - Towards Automatically-Tuned Deep Neural Networks - TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning - The Automatic Statistician AUTOML CHALLENGES - Analysis of the AutoML Challenge Series 2015–2018 - Correction to: Neural Architecture Search Numéro de notice : 26299 Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Monographie DOI : 10.1007%2F978-3-030-05318-5 date de publication en ligne : 04/02/2020 En ligne : https://link.springer.com/book/10.1007%2F978-3-030-05318-5 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95032

Estimation de profondeur à partir d'images monoculaires par apprentissage profond / Michel Moukari (2019)

Public contenu dans HAL Hyper articles en ligne / Centre pour la Communication Scientifique Directe CCSD (2000)   Titre : Estimation de profondeur à partir d'images monoculaires par apprentissage profond Type de document : Thèse/HDR Auteurs : Michel Moukari, Auteur ; Frédéric Jurie, Directeur de thèse Editeur : Caen [France] : Université de Caen Normandie Année de publication : 2019 Importance : 182 p. Format : 21 x 30 cm Note générale : bibliographie Thèse pour obtenir le diplôme de Doctorat, Spécialité Informatique, préparée au sein de l'Université Caen Normandie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] acuité stéréoscopique [Termes descripteurs IGN] analyse multiéchelle [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] carte de profondeur [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] compréhension de l'image [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] image 3D [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] incertitude des données [Termes descripteurs IGN] traitement d'image [Termes descripteurs IGN] vision monoculaire [Termes descripteurs IGN] vision par ordinateur Résumé : (auteur) La vision par ordinateur est une branche de l'intelligence artificielle dont le but est de permettre à une machine d'analyser, de traiter et de comprendre le contenu d'images numériques. La compréhension de scène en particulier est un enjeu majeur en vision par ordinateur. Elle passe par une caractérisation à la fois sémantique et structurelle de l'image, permettant d'une part d'en décrire le contenu et, d'autre part, d'en comprendre la géométrie. Cependant tandis que l'espace réel est de nature tridimensionnelle, l'image qui le représente, elle, est bidimensionnelle. Une partie de l'information 3D est donc perdue lors du processus de formation de l'image et il est d'autant plus complexe de décrire la géométrie d'une scène à partir d'images 2D de celle-ci.Il existe plusieurs manières de retrouver l'information de profondeur perdue lors de la formation de l'image. Dans cette thèse nous nous intéressons à l’estimation d'une carte de profondeur étant donné une seule image de la scène. Dans ce cas, l'information de profondeur correspond, pour chaque pixel, à la distance entre la caméra et l'objet représenté en ce pixel. L'estimation automatique d'une carte de distances de la scène à partir d'une image est en effet une brique algorithmique critique dans de très nombreux domaines, en particulier celui des véhicules autonomes (détection d’obstacles, aide à la navigation).Bien que le problème de l'estimation de profondeur à partir d'une seule image soit un problème difficile et intrinsèquement mal posé, nous savons que l'Homme peut apprécier les distances avec un seul œil. Cette capacité n'est pas innée mais acquise et elle est possible en grande partie grâce à l'identification d'indices reflétant la connaissance a priori des objets qui nous entourent. Par ailleurs, nous savons que des algorithmes d'apprentissage peuvent extraire ces indices directement depuis des images. Nous nous intéressons en particulier aux méthodes d’apprentissage statistique basées sur des réseaux de neurones profond qui ont récemment permis des percées majeures dans de nombreux domaines et nous étudions le cas de l'estimation de profondeur monoculaire. Note de contenu : 1- Introduction 2- État de l’art 3- Influence des hyperparamètres 4- Analyse multi-échelle 5- Évaluation de l’incertitude prédictive 6- Complétion de profondeur et estimation de confiance 7- Conclusions et perspectives Numéro de notice : 25834 Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Informatique : Caen : 2019 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95172

Foundations of deep convolutional models through kernel methods / Alberto Bietti (2019)  

Permalink

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)  

Permalink

Machine learning techniques applied to geoscience information system and remote sensing / Saro Lee (2019)  

Permalink

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

Permalink

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

Permalink

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

Permalink

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

Permalink

Deep learning based vehicular mobility models for intelligent transportation systems / Jian Zhang (2018)  

Permalink

Introduction to Deep Learning / Sandro Skansi (2018)  

Permalink

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

Permalink