Centre dedocumentation
scientifique

Hyperspectral unmixing using orthogonal sparse prior-based autoencoder with hyper-laplacian loss and data-driven outlier detection / Zeyang Dou in IEEE Transactions on geoscience and remote sensing, vol 58 n° 9 (September 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 9 (September 2020) . - pp 6550 - 6564 Titre : Hyperspectral unmixing using orthogonal sparse prior-based autoencoder with hyper-laplacian loss and data-driven outlier detection Type de document : Article/Communication Auteurs : Zeyang Dou, Auteur ; Kun Gao, Auteur ; Xiaodian Zhang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 6550 - 6564 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse des mélanges spectraux [Termes descripteurs IGN] distribution de Gauss [Termes descripteurs IGN] erreur [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] reconstruction d'image [Termes descripteurs IGN] valeur aberrante Résumé : (auteur) Hyperspectral unmixing, which estimates end-members and their corresponding abundance fractions simultaneously, is an important task for hyperspectral applications. In this article, we propose a new autoencoder-based hyperspectral unmixing model with three novel components. First, we propose a new sparse prior to abundance maps. The proposed prior, called orthogonal sparse prior (OSP), is based on the observations that different abundance maps are close to orthogonal because, generally, no more than two end-members are mixed within one pixel. As opposed to the conventional norm-based sparse prior that assumes the abundance maps are independent, the proposed OSP explores the orthogonality between the abundance maps. Second, we propose the hyper-Laplacian loss to model the reconstruction error. The key observation is that the reconstruction error distribution usually has a heavy-tailed shape, which is better modeled by the hyper-Laplacian distribution rather than the commonly used Gaussian distribution. Third, to ease the side effect of outliers for end-member initializations, we develop a data-driven approach to detect outliers from the raw hyperspectral images. Extensive experiments on both synthetic and real-world data sets show that the proposed method significantly and consistently outperforms the compared state-of-the-art methods, with up to more than 50% improvements. Numéro de notice : A2020-532 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2977819 date de publication en ligne : 16/03/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2977819 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95715 [article]

Estimation parcimonieuse de biais multitrajets pour les systèmes GNSS / Julien Lesouple (2019)  

Public Titre : Estimation parcimonieuse de biais multitrajets pour les systèmes GNSS Type de document : Thèse/HDR Auteurs : Julien Lesouple, Auteur ; Jean-Yves Tourneret, Auteur ; François Vincent, Auteur Editeur : Toulouse : Université de Toulouse Année de publication : 2019 Importance : 217 p. Format : 21 x 30 cm Note générale : bibliographie Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, spécialité : Informatique et Télécommunication Langues : Français (fre) Descripteur : [Vedettes matières IGN] Navigation et positionnement [Termes descripteurs IGN] chaîne de Markov [Termes descripteurs IGN] correction du trajet multiple [Termes descripteurs IGN] distribution de Gauss [Termes descripteurs IGN] erreur de mesure [Termes descripteurs IGN] erreur systématique [Termes descripteurs IGN] estimation bayesienne [Termes descripteurs IGN] filtrage du signal [Termes descripteurs IGN] mesurage par GNSS [Termes descripteurs IGN] récepteur GNSS [Termes descripteurs IGN] représentation parcimonieuse [Termes descripteurs IGN] traitement du signal [Termes descripteurs IGN] trajet multiple Résumé : (auteur) L’évolution des technologies électroniques (miniaturisation, diminution des coûts) a permis aux GNSS (systèmes de navigation par satellites) d’être de plus en plus accessibles et donc utilisés au quotidien, par exemple par le biais d’un smartphone, ou de récepteurs disponibles dans le commerce à des prix raisonnables (récepteurs bas-coûts). Ces récepteurs fournissent à l’utilisateur plusieurs informations, comme par exemple sa position et sa vitesse, ainsi que des mesures des temps de propagation entre le récepteur et les satellites visibles entre autres. Ces récepteurs sont donc devenus très répandus pour les utilisateurs souhaitant évaluer des techniques de positionnement sans développer tout le hardware nécessaire. Les signaux issus des satellites GNSS sont perturbés par de nombreuses sources d’erreurs entre le moment où ils sont traités par le récepteurs pour estimer la mesure correspondante. Il est donc nécessaire decompenser chacune des ces erreurs afin de fournir à l’utilisateur la meilleure position possible. Une des sources d’erreurs recevant beaucoup d’intérêt, est le phénomène de réflexion des différents signaux sur les éventuels obstacles de la scène dans laquelle se trouve l’utilisateur, appelé multitrajets. L’objectif de cette thèse est de proposer des algorithmes permettant de limiter l’effet des multitrajets sur les mesures GNSS. La première idée développée dans cette thèse est de supposer que ces signaux multitrajets donnent naissance à des biais additifs parcimonieux. Cette hypothèse de parcimonie permet d’estimer ces biais à l’aide de méthodes efficaces comme le problème LASSO. Plusieurs variantes ont été développés autour de cette hypothèse visant à contraindre le nombre de satellites ne souffrant pas de multitrajet comme non nul. La deuxième idée explorée dans cette thèse est une technique d’estimation des erreurs de mesure GNSS à partir d’une solution de référence, qui suppose que les erreurs dues aux multitrajets peuvent se modéliser à l’aide de mélanges de Gaussiennes ou de modèles de Markov cachés. Deux méthodes de positionnement adaptées à ces modèles sont étudiées pour la navigation GNSS. Note de contenu : Introduction 1- La navigation par satellites 2- Estimation parcimonieuse pour la navigation par satellites 3- Estimation Bayésienne des hyperparamètres 4- Utilisation de mélanges de Gaussiennes pour la modélisation des erreurs GNSS Conclusion et perspectives Numéro de notice : 25802 Affiliation des auteurs : non IGN Thématique : IMAGERIE/POSITIONNEMENT Nature : Thèse française Note de thèse : thèse de Doctorat : Informatique et Télécommunication : Toulouse : 2019 DOI : sans En ligne : http://www.theses.fr/2019INPT0020 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95044

Signaux et systèmes / André Quinquis (2019)

Public Titre : Signaux et systèmes : signaux, filtrage et décision Type de document : Guide/Manuel Auteurs : André Quinquis, Auteur ; Ali Mansour, Auteur ; Emanuel Radoi, Auteur Editeur : Paris : Lavoisier Année de publication : 2019 Collection : Information numérique - Traitement, interprétation, communication Importance : 361 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-2-7462-4859-5 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement du signal [Termes descripteurs IGN] autocorrélation [Termes descripteurs IGN] bruit thermique [Termes descripteurs IGN] distribution de Gauss [Termes descripteurs IGN] filtrage du signal [Termes descripteurs IGN] fonction aléatoire [Termes descripteurs IGN] phénomène de Gibbs [Termes descripteurs IGN] signal analogique [Termes descripteurs IGN] signal analytique [Termes descripteurs IGN] théorème de Plancherel [Termes descripteurs IGN] transformation de Fourier [Termes descripteurs IGN] variable aléatoire Index. décimale : 24.20 Traitement du signal Résumé : (Editeur) Dans notre société moderne, où la technologie a envahi la vie de tous les jours, l'information devient essentielle. Le traitement du signal joue un rôle crucial pour mieux interpréter les observations reçues et extraire l'information pertinente et utile pour une décision quelle qu'en soit la finalité. De nos jours, le traitement des signaux et des systèmes trouve ses applications dans des domaines variés comme la surveillance, le numérique, l'automatisme, la santé, les télécommunications, la cyberdéfense, les capteurs intelligents, l'internet des objets, l'astronomie, la guerre électronique, la robotique, etc. Cet ouvrage présente d'une manière originale et didactique les concepts fondamentaux du traitement de signal en abordant plus d'une centaine de questions que les étudiants ou les personnes non-spécialistes de la discipline se posent. Armés d'une longue expérience dans l'enseignement supérieur et dans la recherche en France et à l'étranger, les auteurs apportent des éléments de réponse dans un langage clair, concis et mathématiquement accessible au public. Les concepts fondamentaux sont traités via des questions illustrées d'exemples, renforçant le bon sens physique et facilitant l'appréhension de notions trop souvent réputées ardues. L'ouvrage est ainsi rendu accessible au public le plus large : ingénieurs généralistes, étudiants préparant des DUT, BTS, diplômes d'ingénieurs, licences et masters scientifiques. Si l'exercice de dialectique qui consiste, pour convaincre, à proposer simultanément questions et réponses afférentes s'avère parfois réducteur, force est de constater que les auteurs ont su maintenir une très grande ouverture dans leur exposition qui devrait inciter beaucoup de dubitatifs du traitement du signal, de tous bords, à consulter leur ouvrage. Note de contenu : 1. Quelle est la définition physique d’un signal ? 2. Comment distingue-t-on le signal d’un bruit ? 3. Comment définir les observations, les données et les informations ? 4. Qu’est-ce que la théorie du signal et quelles sont ses applications ? 5. Comment peut-on classifier les signaux ? 6. Comment décrit-on un signal temporel en fonction de la nature, discrète ou continue, de ses axes ? 7. Qu’est-ce qu’un signal à bande étroite ? 8. Qu’est ce que l’impulsion de Dirac ? 9. Qu’est ce que la fonction d’Heaviside ? 10. Que représente la composante continue d’un signal ? 11. Quelle est l’effet de la modulation d’amplitude sur le spectre d’un signal ? 12. Quelles sont les principales différences entre les types de modulations analogiques ? 13. Quelles sont les avantages des modulations numériques sur les analogiques ? 14. A quoi sert la transformée de Fourier ? 15. Pourquoi change-t-on d’espace de représentation de signaux ? 16. Quelles sont les propriétés de la transformée de Fourier ? 17. A quoi sert la décomposition en série de Fourier ? 18. Quelles sont les conditions de Dirichlet ? Quelles sont les définitions de la série de Fourier ? 19. Quelle est la définition de la série de Fourier Complexe ? Quelles sont ses propriétés ? 20. Comment peut-on simplifier la décomposition en série de Fourier d’un signal périodique pair ? 21. Que décrit la dualité temps-fréquence ? 22. Si x(t) est un signal réel et impair alors quelles sont les propriétés de sa TF ? 23. Quelle est la transformée de Fourier de la fonction porte ? Quelle est la transformée de Fourier d’un échelon ? 24. Quelle est l’allure de la TF d’un signal gaussien ? 25. Comment peut-on énoncer le principe d’incertitude en théorie du signal ? 26. Quel est le sens physique de la fonction d’autocorrélation ? 27. Quelles sont les propriétés de l’autocorrélation des signaux déterministes ? 28. Quelle est la particularité de l’autocorrélation d’un signal périodique ? 29. Quelle est la différence entre la corrélation de deux fonctions de L2(R) et leur convolution ? 30. Quelles sont les définitions de la puissance et de l’énergie moyennes d’un signal complexe ou réel ? 31. Quelle est la différence entre la DSP et la DSE ? 32. Que traduit physiquement l’identité de Parseval pour des signaux à énergie finie ? 33. Comment s’énonce l’identité de Parseval pour des signaux périodiques ? 34. Si un signal est à énergie finie, que peut-on dire de sa puissance moyenne ? Comment calculer son énergie ? 35. En utilisant Parseval, calculer de deux façons différentes l’énergie de x(t) = te−tu(t) ? 36. Quelle est la principale propriété de la DSP d’un signal périodique ? 37. Comment calcule-t-on la DSP d’un signal continu s’il est périodique ? S’il n’est pas périodique ? 38. Comment fait-on pour passer d’un signal analogique à un signal numérique ? 39. A quoi servent les CNA et CAN ? 40. Qu’appelle-t-on bruit de quantification ? 41. Quel est le domaine d’application du théorème d’échantillonnage ? 42. Qu’appelle-t-on « effet de repliement de spectre » ? 43. Pourquoi appliquer un filtre passe-bas avant l’échantillonnage d’un signal ? . 1 44. Qu’est-ce qu’un échantillonneur bloqueur ? 45. Est-on obligé de respecter la fréquence de Shannon pour échantillonner un signal passe-bande ? 46. Que devient la restitution d’un signal sinusoïdal si on ne respecte pas la fréquence limite de Shannon ? 47. Quelles sont les applications du théorème de Plancherel ? 48. Quel est l’effet d’un échantillonnage temporel dans le domaine spectral ? 49. Pourquoi doit-on introduire la transformée de Fourier discrète TFD? 50. Quelle est la relation entre la TFD et la TZ ? 51. Quelles sont les particularités de la TFD ? 52. Quelles sont les erreurs liées au calcul de la TFD ? 53. Que traduit le phénomène de Gibbs ? 54. Qu’est ce qu’un signal causal ? 55. Qu’est-ce qu’un signal analytique ? 56. Quel est l’effet de la transformée de Hilbert ? 57. Quelle est la définition d’une fonction aléatoire ? 58. Qu’est ce qu’un signal aléatoire ? 59. Quelles sont les grandeurs les plus intéressantes pour caractériser une variable aléatoire ? 60. Quelles sont les propriétés importantes d’une densité de probabilité ? 61. Quel est le lien entre une densité de probabilité et une fonction de répartition ? 62. Quelles sont les propriétés les plus intéressantes des fonctions caractéristiques d’une variable aléatoire ? 63. Comment calcule-t-on la densité de probabilité d’une fonction d’une variable aléatoire : changement des variables ? 64. Comment estime-t-on une densité de probabilité ? 65. Comment définit-on les moments d’une variable aléatoire ? 66. Comment estime-t-on les moments d’une variable aléatoire ? 67. Comment définit-on la stationnarité au sens strict et au sens large d’un signal aléatoire ? 68. Quelle est l’interprétation de la stationnarité au sens large ? 69. Pourquoi l’ergodisme d’un processus aléatoire induit-il des simplifications dans un problème ? 70. Si un processus est stationnaire, est-il toujours ergodique ? 71. Comment définit-on la densité de probabilité conditionnelle ? 72. Comment peut-on caractériser deux variables aléatoires décorrélées ? 73. Comment peut-on caractériser deux variables aléatoires indépendantes 74. Quelle est la densité de probabilité de la somme de deux variables aléatoires indépendantes ? 75. Quelle est la définition d’une variable aléatoire uniforme ? 76. Quelle est l’interprétation du théorème de la limite centrale ? 77. Quelle est la définition d’une densité de probabilité gaussienne ? 78. Que peut-on dire de la loi de la quadration d’une variable gaussienne ? 79. Quelle est la définition de la densité de probabilité de Rayleigh ? 80. Si X, Y,Z et T sont les composantes d’un vecteur gaussien centré alors que valent E{XY ZT } et E{XY Z} ? 81. Qu’est-ce qu’un processus stochastique gaussien ? 82. Qu’est ce qu’un processus aléatoire Markovien ? 83. Comment définit-on un bruit blanc et quelles sont ses propriétés ? 84. Comment définit-on un bruit pseudo-blanc et quelles sont ses propriétés ? 85. Comment est défini le bruit thermique ? 86. Un bruit pseudo-blanc peut-il être à densité de probabilité gaussienne ? 87. Comment définit-on la bande spectrale équivalente du bruit ? 88. Comment choisit-on le nombre de niveaux de quantification pour numériser les réalisations d’une variable aléatoire ? 89. Quelles sont les différences entre les moments et les cumulants d’une variable aléatoire ? 90. Quelles sont les propriétés des cumulants ? 91. Quelle est la « valeur la plus probable » d’une variable aléatoire continue ? Quelle est la différence entre « valeur plus probable », « moyenne » et « médiane » ? 92. Comment calcule-t-on la valeur moyenne d’une variable aléatoire continue ? 93. Comment interprète-t-on l’écart type ? 94. Comment définit-on le coefficient de corrélation ? 95. A quoi servent l’asymétrie « Skewness » et l’aplatissement « kurtosis » ? 96. Comment calculer la moyenne d’une variable aléatoire uniforme ? 97. Comment définit-on la fonction de corrélation dans le cas aléatoire ? 98. Quelle est la différence entre les notions de corrélation et de covariance ? 99. Comment peut-on caractériser le contenu spectral d’un signal aléatoire ? 100. Quelles sont les principales propriétés de la fonction d’intercorrélation ? 101. Quelle est l’expression de la matrice de corrélation d’un processus aléatoire stationnaire ? 203 102. Comment définir la densité spectrale de puissance dans le cas aléatoire ? 103. Quelle est l’erreur d’estimation sur la fonction de corrélation ? Sur la densité de probabilité ? 104.Quels sont les différents modes de convergence pour une variable aléatoire ? 105. Quelle est la distinction entre l’inégalité de Biennaymé-Tchebychev etle théorème de la limite centrale ? 106. Est ce qu’on peut générer un signal non-stationnaire ? Que peut-on dire sur la stationnarité des signaux modulés ? 107. Qu’appelle-t-on « système linéaire, continu et invariant » ? 108. Pourquoi la convolution joue-t-elle un si grand rôle en traitement du signal ? 109. Quel est le lien entre la convolution et le filtrage ? 110. Soit un filtre linéaire analogique de réponse impulsionnelle h(t) excité par un signal x(t). Quelle est l’expression de sa sortie y(t) ? 111. Quelles sont les propriétés vérifiées par la transformée en Z ? 112. Quelles sont les relations entre les transformées de Fourier, de Laplace et en Z ? 113.Quelle est la différence entre la fonction de transfert et le gain complexe ? 114. Que représente un pôle pour une fonction de transfert ? 115. A quoi peut servir la transformée de Laplace ? 116. Quelle définition donne-t-on à la bande passante ? 117. Comment définit-on la fréquence de coupure sur une courbe de gain ? 118. Quelle est l’expression type de la fonction de transfert pour un filtre d’ordre deux ? 119. Quelle est l’atténuation d’un filtre en fonction de son ordre ? 120. Qu’est-ce que la représentation de Bode ? 121. A partir de la fonction de transfert d’un filtre passe-bas normalisé, comment obtient-on les passe-haut, passe-bande correspondants ? 122. Comment se comporte un système en fonction de la position des pôles de sa fonction de transfert ? 123. Si le signal d’entrée d’un système réel est sinusoïdal, comment se comporte le signal de sortie ? 124. Pour un système linéaire, comment définit-on le retard de phase et le retard de groupe ? 125. Comment déterminer la stabilité d’un système analogique ? 126. Quelle est la condition de stabilité d’un filtre numérique ? 127. Qu’appelle-t-on système réalisable ? 128. Pourquoi un filtre idéal n’est-il pas réalisable physiquement en temps réel ? 129. Un filtre linéaire retardant un signal sans déformation est-il réalisable en temps réel ? 130. A quoi sert le théorème des résidus ? 131. Comment retrouver de deux façons différentes la réponse impulsionnelle d’un système linéaire discret ? 132. Qu’est-ce qu’un modèle ARMA? 133. Comment définit-on un gabarit ? 134. Que représentent les filtres de Butterworth, Tchebychev, Cauer ? 135. Quelle est la particularité, au niveau de la réponse impulsionnelle, d’un filtre discret non-récursif ? 136. A quoi sert une fenêtre d’apodisation ? 137. Comment synthétise-t-on un filtre numérique récursif par la méthode de l’invariance impulsionnelle ? 138. Qu’est-ce que la transformee bilineaire (TBL) ? 139.Comment synthétiser un filtre numérique à réponse impulsionnelle finie ? 140. Quelles sont les différences entre les filtres RIF et RII ? 141. Quelles sont les paramètres caractéristiques à prendre en compte pour l’implantation d’un filtre numérique ? 142. Quelles sont les propriétés intéressantes d’un filtre à minimum de phase ? 143. Que nous apprend la formule des interférences ? 144. Comment calculer la moyenne d’un signal aléatoire continu x(t,w) par filtrage ? 145. Qu’appelle-t-on « moyenne linéaire » et « moyenne exponentielle » d’un signal numérique ? 146. Comment mesure-t-on, en pratique, la fonction de transfert d’un système linéaire ? 147. Quelle information peut-on extraire de la fonction de cohérence ? 148. Quels sont les avantages et inconvénients des communications numériques ? 149. Quel est le principe d’une chaîne de communication ? 150. Quels sont les intérêts des techniques de modulation ? 151. Quels sont les principaux paramètres dictant le choix d’un type de modulation ? 152. Donner le sens physique d’un rapport signal sur bruit 153. Définir : détection, estimation, déconvolution, classification 154. Quels sont les quatre principaux critères de détection à structure libre ? 155. Comment définit-on la probabilité d’erreur dans un problème de détection ? 156.Comment évaluer l’erreur commise sur la réception d’un signal binaire transmis dans un canal fortement bruité ? 157. Quel est le critère d’optimisation utilisé dans la théorie du filtre adapté ? 158.Comment détecte-t-on un signal déterministe noyé dans un bruit guaussien ? 159. Quels sont les différents types d’estimateurs bayésiens ? 160. Comment estime-t-on la corrélation d’un processus stationnaire au second ordre ? 161. Quelle est la différence entre le corrélogramme et le périodogramme? 162. Quel est le principal défaut du périodogramme standard ? Comment y remédier ? 163. Quelles sont les qualités attendues d’un estimateur ? 164. Qu’apporte l’analyse spectrale paramétrique par rapport à l’analyse spectrale classique ? 165. Quel est l’intérêt du filtrage de Wiener ? 166. Qu’apporte le filtrage de Kalman ? 167. Qu’apporte la représentation d’état d’un système ? 168. Quelles sont les limitations inhérentes à l’analyse spectrale appliquée aux signaux non-stationnaires ? 169. Qu’est-ce que le spectrogramme ? 170. Comment définit-on une représentation de Wigner-Ville ? 171. Qu’apporte au traitement des signaux non-stationnaires la transformée en ondelettes ? 172. Quel est le principe des méthodes homomorphiques ? 173. Pourquoi dans plusieurs applications une analyse au second ordre Estelle insuffisante ? 174. Qu’appelle-t-on bicorrélation d’un processus ? Numéro de notice : 26023 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92402

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
26023-01	24.20	Livre	Centre de documentation	Physique	Disponible

Systematic effects in laser scanning and visualization by confidence regions / Karl Rudolf Koch in Journal of applied geodesy, vol 10 n° 4 (December 2016)  

Public [article]  inJournal of applied geodesy > vol 10 n° 4 (December 2016) . - pp 247 – 257 Titre : Systematic effects in laser scanning and visualization by confidence regions Type de document : Article/Communication Auteurs : Karl Rudolf Koch, Auteur ; Jan Martin Brockmann, Auteur Année de publication : 2016 Article en page(s) : pp 247 – 257 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] carte de confiance [Termes descripteurs IGN] covariance [Termes descripteurs IGN] densité de probabilité [Termes descripteurs IGN] distribution de Gauss [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] ellipsoïde (géodésie) [Termes descripteurs IGN] itération [Termes descripteurs IGN] matrice de covariance [Termes descripteurs IGN] mesure géométrique [Termes descripteurs IGN] méthode de Monte-Carlo [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] visualisation Résumé : (auteur) A new method for dealing with systematic effects in laser scanning and visualizing them by confidence regions is derived. The standard deviations of the systematic effects are obtained by repeatedly measuring three-dimensional coordinates by the laser scanner. In addition, autocovariance and cross-covariance functions are computed by the repeated measurements and give the correlations of the systematic effects. The normal distribution for the measurements and the multivariate uniform distribution for the systematic effects are applied to generate random variates for the measurements and random variates for the measurements plus systematic effects. Monte Carlo estimates of the expectations and the covariance matrix of the measurements with systematic effects are computed. The densities for the confidence ellipsoid for the measurements and the confidence region for the measurements with systematic effects are obtained by relative frequencies. They only depend on the size of the rectangular volume elements for which the densities are determined. The problem of sorting the densities is solved by sorting distances together with the densities. This allows a visualization of the confidence ellipsoid for the measurements and the confidence region for the measurements with systematic effects. Numéro de notice : A2016-975 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article En ligne : https://doi.org/10.1515/jag-2016-0012 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83682 [article]

A joint Gaussian process model for active visual recognition with expertise estimation in crowdsourcing / Chengjiang Long in International journal of computer vision, vol 116 n° 2 (15th January 2016)  

Public [article]  inInternational journal of computer vision > vol 116 n° 2 (15th January 2016) . - pp 136 - 160 Titre : A joint Gaussian process model for active visual recognition with expertise estimation in crowdsourcing Type de document : Article/Communication Auteurs : Chengjiang Long, Auteur ; Gang Hua, Auteur ; Ashish Kapoor, Auteur Année de publication : 2016 Article en page(s) : pp 136 - 160 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] classification bayesienne [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] distribution de Gauss [Termes descripteurs IGN] inférence [Termes descripteurs IGN] production participative [Termes descripteurs IGN] reconnaissance d'objets Résumé : (auteur) We present a noise resilient probabilistic model for active learning of a Gaussian process classifier from crowds, i.e., a set of noisy labelers. It explicitly models both the overall label noise and the expertise level of each individual labeler with two levels of flip models. Expectation propagation is adopted for efficient approximate Bayesian inference of our probabilistic model for classification, based on which, a generalized EM algorithm is derived to estimate both the global label noise and the expertise of each individual labeler. The probabilistic nature of our model immediately allows the adoption of the prediction entropy for active selection of data samples to be labeled, and active selection of high quality labelers based on their estimated expertise to label the data. We apply the proposed model for four visual recognition tasks, i.e., object category recognition, multi-modal activity recognition, gender recognition, and fine-grained classification, on four datasets with real crowd-sourced labels from the Amazon Mechanical Turk. The experiments clearly demonstrate the efficacy of the proposed model. In addition, we extend the proposed model with the Predictive Active Set Selection Method to speed up the active learning system, whose efficacy is verified by conducting experiments on the first three datasets. The results show our extended model can not only preserve a higher accuracy, but also achieve a higher efficiency. Numéro de notice : A2016--137 Thématique : IMAGERIE Nature : Article En ligne : https://doi.org/10.1007/s11263-015-0834-9 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=85903 [article]

Convex programming approach to robust estimation of a multivariate Gaussian model / Samuel Balmand (2016)    

Permalink

Extension of the linear chromodynamics model for spectral change detection in the presence of residual spatial misregistration / Karmon Vongsy in IEEE Transactions on geoscience and remote sensing, vol 53 n° 6 (June 2015)  

Permalink

Probabilités pour les sciences de l'ingénieur / Manuel Samuelides (2014)

Permalink

Introduction au calcul des probabilités et à la statistique / Jean-François Delmas (2013)

Permalink

Accuracy versus precision: a primer on GPS truth / D. Rutledge in GPS world, vol 21 n° 5 (May 2010)

Permalink

Théorie des probabilités / O. Rioul (2008)

Permalink

Fuzzy classification: a case study using Landsat TM images in Iran / A.M. Lak in GIM international, vol 20 n° 7 (July 2006)

Permalink

Statistical analysis of environmental space-time processes / N. Le (2006)

Permalink

An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images / Y. Bazi in IEEE Transactions on geoscience and remote sensing, vol 43 n° 4 (April 2005)

Permalink

Frequency histogram legend in the choropleth map: a substitute to traditional legends / N. Kumar in Cartography and Geographic Information Science, vol 31 n° 4 (October 2004)

Permalink