Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage profond > réseau neuronal artificiel > Perceptron multicouche
Perceptron multicoucheSynonyme(s)MLP |
Documents disponibles dans cette catégorie (31)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Multilayer projective dictionary pair learning and sparse autoencoder for PolSAR image classification / Yanqiao Chen in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)
[article]
Titre : Multilayer projective dictionary pair learning and sparse autoencoder for PolSAR image classification Type de document : Article/Communication Auteurs : Yanqiao Chen, Auteur ; Licheng Jiao, Auteur ; Yangyang Li, Auteur ; Jin Zhao, Auteur Année de publication : 2017 Article en page(s) : pp 6683 - 6694 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] apprentissage dirigé
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image radar moirée
[Termes IGN] Perceptron multicouche
[Termes IGN] polarimétrie radarRésumé : (Auteur) Polarimetric synthetic aperture radar (PolSAR) image classification is a vital application in remote sensing image processing. In general, PolSAR image classification is actually a high-dimensional nonlinear mapping problem. The methods based on sparse representation and deep learning have shown a great potential for PolSAR image classification. Therefore, a novel PolSAR image classification method based on multilayer projective dictionary pair learning (MDPL) and sparse auto encoder (SAE) is proposed in this paper. First, MDPL is used to extract features, and the abstract degree of the extracted features is high. Second, in order to get the nonlinear relationship between elements of feature vectors in an adaptive way, SAE is also used in this paper. Three PolSAR images are used to test the effectiveness of our method. Compared with several state-of-the-art methods, our method achieves very competitive results in PolSAR image classification. Numéro de notice : A2017-764 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2017.2727067 En ligne : https://doi.org/10.1109/TGRS.2017.2727067 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=88800
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 12 (December 2017) . - pp 6683 - 6694[article]Atmospheric correction over coastal waters using multilayer neural networks / Yongzhen Fan in Remote sensing of environment, vol 199 (15 September 2017)
[article]
Titre : Atmospheric correction over coastal waters using multilayer neural networks Type de document : Article/Communication Auteurs : Yongzhen Fan, Auteur ; Wei Li, Auteur ; Charles K. Gatebe, Auteur ; Cédric Jamet, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 218 - 240 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] correction atmosphérique
[Termes IGN] couleur de l'océan
[Termes IGN] eaux côtières
[Termes IGN] image Aqua-MODIS
[Termes IGN] Perceptron multicouche
[Termes IGN] transfert radiatifRésumé : (auteur) Standard atmospheric correction (AC) algorithms work well in open ocean areas where the water inherent optical properties (IOPs) are correlated with pigmented particles. However, the IOPs of turbid coastal waters may independently vary with pigmented particles, suspended inorganic particles, and colored dissolved organic matter (CDOM). In turbid coastal waters standard AC algorithms often exhibit large inaccuracies that may lead to negative water-leaving radiances (Lw) or remote sensing reflectance (Rrs). We introduce a new atmospheric correction algorithm for coastal waters based on a multilayer neural network (MLNN) method. We use a coupled atmosphere-ocean radiative transfer model to simulate the Rayleigh-corrected radiance (Lrc) at the top of the atmosphere (TOA) and the Rrs just above the surface simultaneously, and train a MLNN to derive the aerosol optical depth (AOD) and Rrs directly from the TOA Lrc. The method is validated using both a synthetic dataset and Aerosol Robotic Network – Ocean Color (AERONET–OC) measurements. The SeaDAS NIR algorithm, the SeaDAS NIR/SWIR algorithm, and the MODIS version of the Case 2 regional water - CoastColour (C2RCC) algorithm are also included in the comparison with AERONET–OC measurements. The performance of the AC algorithms is evaluated with four statistical metrics: the Pearson correlation coefficient (R), the average percentage difference (APD), the mean percentage bias, and the root mean square difference (RMSD). The comparison with AERONET–OC measurements shows that the MLNN algorithm significantly improves retrieval of normalized Lw in blue bands (412 nm and 443 nm) and yields minor improvements in green and red bands compared with the other three algorithms. On a global scale, the MLNN algorithm reduces APD in normalized Lw by up to 13% in blue bands and by 2–7% in green and red bands when compared with the standard SeaDAS NIR algorithm. In highly absorbing coastal waters, such as the Baltic Sea, the MLNN algorithm reduces APD in normalized Lw by more than 60% in blue bands compared to the standard SeaDAS NIR algorithm, while in highly scattering coastal waters, such as the Black Sea, the MLNN algorithm reduces APD by more than 25%. These results indicate that the MLNN algorithm is suitable for application in turbid coastal waters. Application of the MLNN algorithm to MODIS Aqua images in several coastal areas also shows that it is robust and resilient to contamination due to sunglint or adjacency effects of land and cloud edges. The MLNN algorithm is very fast once the neural network has been properly trained and is therefore suitable for operational use. A significant advantage of the MLNN algorithm is that it does not need SWIR bands. Numéro de notice : A2017-417 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.rse.2017.07.016 En ligne : https://doi.org/10.1016/j.rse.2017.07.016 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86310
in Remote sensing of environment > vol 199 (15 September 2017) . - pp 218 - 240[article]A relative evaluation of random forests for land cover mapping in an urban area / Di Shi in Photogrammetric Engineering & Remote Sensing, PERS, vol 83 n° 8 (August 2017)
[article]
Titre : A relative evaluation of random forests for land cover mapping in an urban area Type de document : Article/Communication Auteurs : Di Shi, Auteur ; Xiaojun Yang, Auteur Année de publication : 2017 Article en page(s) : pp 541 - 552 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse comparative
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par maximum de vraisemblance
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] objet géographique complexe
[Termes IGN] occupation du sol
[Termes IGN] Perceptron multicouche
[Termes IGN] zone urbaineRésumé : (auteur) Random forests as a novel ensemble learning algorithm have significant potential for land cover mapping in complex areas but have not been sufficiently tested by the remote sensing community relative to some more popular pattern classifiers. In this research, we implemented random forests as a pattern classifier for land cover mapping from a satellite image covering a complex urban area, and evaluated the performance relative to several popular classifiers including Gaussian maximum likelihood (GML), multi-layer-perceptron networks (MLP), and support vector machines (SVM). Each classifier was carefully configured with the parameter settings recommended by recent literature, and identical training data were used in each classification. The accuracy of each classified map was further evaluated using identical reference data. Random forests were slightly more accurate than SVM and MLP but significantly better than GML in the overall map accuracy. Random forests and support vector machines generated almost identical overall map accuracy, but the former produced a smaller standard deviation of categorical accuracies, suggesting its better overall capability in classifying both homogeneous and heterogeneous land cover classes. Random forests have shown its robustness due to the most accurate classification on the whole, relatively balanced performance across all land cover categories, and relatively easier to implement. These findings should help promote the use of random forests for land cover classification in complex areas. Numéro de notice : A2017-435 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Article DOI : 10.14358/PERS.83.8.541 En ligne : https://doi.org/10.14358/PERS.83.8.541 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86339
in Photogrammetric Engineering & Remote Sensing, PERS > vol 83 n° 8 (August 2017) . - pp 541 - 552[article]
Titre : Artificial neural networks in geospatial analysis Type de document : Chapitre/Contribution Auteurs : Sucharita Gopal, Auteur Editeur : New York, Londres, Hoboken (New Jersey), ... : John Wiley & Sons Année de publication : 2017 Importance : 7 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage non-dirigé
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] carte de Kohonen
[Termes IGN] Perceptron multicouche
[Termes IGN] réseau neuronal artificielRésumé : (Auteur) [introduction] Artificial neural networks (ANN) are computational models inspired by and designed to simulate biological nervous systems that are capable of performing specific information-processing tasks such as data classification and pattern recognition. ANN seeks to replicate the massively parallel nature of a biological neural network. A neural network is a system composed of many simple processing nodes whose function is determined by network structure and connection strengths. Numéro de notice : H2017-023 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Chapître / contribution Date de publication en ligne : 23/02/2016 En ligne : https://doi.org/10.1002/9781118786352.wbieg0322 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90378 Réseaux de neurones convolutifs pour la segmentation sémantique et l'apprentissage d'invariants de couleur / Damien Fourure (2017)
Titre : Réseaux de neurones convolutifs pour la segmentation sémantique et l'apprentissage d'invariants de couleur Type de document : Thèse/HDR Auteurs : Damien Fourure, Auteur ; Alain Trémeau, Directeur de thèse ; Christian Wolf, Directeur de thèse Editeur : Université de Lyon Année de publication : 2017 Autre Editeur : Saint-Etienne : Université Jean-Monnet-Saint-Etienne Importance : 178 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de Doctorat de l'Université de Lyon opérée au sein de l’Université Jean Monnet de Saint-Étienne, Spécialité de doctorat : InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] architecture de réseau
[Termes IGN] chromatopsie
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] estimation de pose
[Termes IGN] intelligence artificielle
[Termes IGN] Perceptron multicouche
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) La vision par ordinateur est un domaine interdisciplinaire étudiant la manière dont les ordinateurs peuvent acquérir une compréhension de haut niveau à partir d’images ou de vidéos numériques. En intelligence artificielle, et plus précisément en apprentissage automatique, domaine dans lequel se positionne cette thèse, la vision par ordinateur passe par l’extraction de caractéristiques présentes dans les images puis par la généralisation de concepts liés à ces caractéristiques. Ce domaine de recherche est devenu très populaire ces dernières années, notamment grâce aux résultats des réseaux de neurones convolutifs à la base des méthodes dites d’apprentissage profond. Aujourd’hui les réseaux de neurones permettent, entre autres, de reconnaître les différents objets présents dans une image, de générer des images très réalistes ou même de battre les champions au jeu de Go. Leurs performances ne s’arrêtent d’ailleurs pas au domaine de l’image puisqu’ils sont aussi utilisés dans d’autres domaines tels que le traitement du langage naturel (par exemple en traduction automatique) ou la reconnaissance de son. Dans cette thèse, nous étudions les réseaux de neurones convolutifs afin de développer des architectures et des fonctions de coûts spécialisées à des tâches aussi bien de bas niveau (la constance chromatique) que de haut niveau (la segmentation sémantique d’image). Une première contribution s’intéresse à la tâche de constance chromatique. En vision par ordinateur, l’approche principale consiste à estimer la couleur de l’illuminant puis à supprimer son impact sur la couleur perçue des objets. Les expériences que nous avons menées montrent que notre méthode permet d’obtenir des performances compétitives avec l’état de l’art. Néanmoins, notre architecture requiert une grande quantité de données d’entraînement. Afin de corriger en parti ce problème et d’améliorer l’entraînement des réseaux de neurones, nous présentons plusieurs techniques d’augmentation artificielle de données. Nous apportons également deux contributions sur une problématique de haut niveau : la segmentation sémantique d’image. Cette tâche, qui consiste à attribuer une classe sémantique à chacun des pixels d’une image, constitue un défi en vision par ordinateur de par sa complexité. D’une part, elle requiert de nombreux exemples d’entraînement dont les vérités terrains sont coûteuses à obtenir. D’autre part, elle nécessite l’adaptation des réseaux de neurones convolutifs traditionnels afin d’obtenir une prédiction dite dense, c’est-à-dire, une prédiction pour chacun pixel présent dans l’image d’entrée. Pour résoudre la difficulté liée à l’acquisition de données d’entrainements, nous proposons une approche qui exploite simultanément plusieurs bases de données annotées avec différentes étiquettes. Pour cela, nous définissons une fonction de coût sélective. Nous développons aussi une approche dites d’auto-contexte capturant d’avantage les corrélations existantes entre les étiquettes des différentes bases de données. Finalement, nous présentons notre troisième contribution : une nouvelle architecture de réseau de neurones convolutifs appelée GridNet spécialisée pour la segmentation sémantique d’image. Contrairement aux réseaux traditionnels, notre architecture est implémentée sous forme de grille 2D permettant à plusieurs flux interconnectés de fonctionner à différentes résolutions. Afin d’exploiter la totalité des chemins de la grille, nous proposons une technique d’entraînement inspirée du dropout. En outre, nous montrons empiriquement que notre architecture généralise de nombreux réseaux bien connus de l’état de l’art. Nous terminons par une analyse des résultats empiriques obtenus avec notre architecture qui, bien qu’entraînée avec une initialisation aléatoire des poids, révèle de très bonnes performances, dépassant les approches populaires souvent pré-entraînés. Note de contenu : 1- Introduction
2- Les réseaux de neurones convolutifs pour la vision par ordinateur
3- Sous-échantillonnage mixte appliqué à la constance chromatique
4- Segmentation sémantique d’images
5- Une fonction de coût sélective
6- GridNet, une architecture spécialisée pour la segmentation sémantique
7- Conclusion et PerspectivesNuméro de notice : 25838 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Informatique : Lyon : 2017 Organisme de stage : Université Jean Monnet de Saint-Étienne + LIRIS nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02111472/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95192 Estimation of forest biomass using multivariate relevance vector regression / Alireza Sharifi in Photogrammetric Engineering & Remote Sensing, PERS, vol 82 n° 1 (January 2016)PermalinkPerformance analysis of radial basis function networks and multi-layer perceptron networks in modeling urban change: a case study / Hossein Shafizadeh-Moghadam in International journal of geographical information science IJGIS, vol 29 n° 4 (April 2015)PermalinkAssessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping / Luca Demarchi in ISPRS Journal of photogrammetry and remote sensing, vol 87 (January 2014)PermalinkComparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points / Y. Shao in ISPRS Journal of photogrammetry and remote sensing, vol 70 (June 2012)PermalinkAn assessment of internal neural network parameters affecting image classification accuracy / L. Zhou in Photogrammetric Engineering & Remote Sensing, PERS, vol 77 n° 12 (December 2011)PermalinkDevelopment of a modified neural network-based land cover classification system using automated data selector and multiresolution remotely sensed data / S. Khorram in Geocarto international, vol 26 n° 6 (October 2011)PermalinkSimilarity weighted instance-based learning for the generation of transition potentials in land use change modeling / F. Sangermano in Transactions in GIS, vol 14 n° 5 (October 2010)PermalinkPotentiality of feed-forward neural networks for classifying dark formations to oil spills and look-alikes / Konstantinos Topouzelis in Geocarto international, vol 24 n° 3 (June - July 2009)PermalinkArtificial neural network with backpropagation learning to predict mean monthly total ozone in Arosa, Switzerland / S. Chattopadhyay in International Journal of Remote Sensing IJRS, vol 28 n°19-20 (October 2007)PermalinkMultispectral image classification: a supervised neural computation approach based on rough-fuzzy membership function and weak fuzzy similarity relation / A. Agrawal in International Journal of Remote Sensing IJRS, vol 28 n°19-20 (October 2007)Permalink