Centre dedocumentation
scientifique

Analyse de la distribution spatiale des implantations humaines : apports et limites d’indicateurs multi-échelles et trans-échelles / François Sémécurbe (2020)  

Public Titre : Analyse de la distribution spatiale des implantations humaines : apports et limites d’indicateurs multi-échelles et trans-échelles Type de document : Thèse/HDR Auteurs : François Sémécurbe, Auteur ; Cécile Tannier, Directeur de thèse ; Stéphane Roux, Directeur de thèse Editeur : Dijon : Université Bourgogne Franche-Comté UBFC Année de publication : 2020 Importance : 231 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat de l'établissement Université Bourgogne Franche- Comté, spécialité Géographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] analyse de groupement [Termes IGN] analyse en composantes principales [Termes IGN] analyse fractale [Termes IGN] apprentissage profond [Termes IGN] distribution spatiale [Termes IGN] étalement urbain [Termes IGN] fonction K de Ripley [Termes IGN] France (administrative) [Termes IGN] géographie humaine [Termes IGN] invariance [Termes IGN] population [Termes IGN] répartition géographique [Termes IGN] représentation multiple [Termes IGN] transformation en ondelettes Index. décimale : THESE Thèses et HDR Résumé : (auteur) En tant qu'être humain, il nous est aisé de juger visuellement du caractère dispersé ou concentré d'une distribution. Pour autant, la formalisation quantitative de nos impressions est problématique. Elle est tributaire des échelles d'analyse choisies. Cette dépendance des indicateurs aux échelles a changé de statut. Initialement considérée comme un frein à la connaissance, elle témoigne à présent de l'organisation multi-échelle des distributions étudiées. L'objectif central de cette thèse est d'approfondir les limites et l'apport des indicateurs multi-échelles et trans-échelles à l'étude des distributions spatiales des implantations humaines. L'analyse spatiale vise à comparer les distributions spatiales à une répartition uniforme. La manière dont on s'éloigne de cette référence est utilisée pour caractériser l'organisation multi-échelle des distributions analysées. L'application de ces méthodes aux implantations humaines n'a pas été satisfaisante. Le recours à une référence exogène n'est pas adapté à des distributions très inégalement concentrées dans l'espace. L'analyse fractale, fréquemment utilisée en géographie urbaine, considère que les distributions analysées sont leur propre étalon de mesure. Les dimensions fractales mesurent la façon dont l'espace occupé par celles-ci évolue à travers les échelles. Ce type d'analyse requiert une régularité entre les échelles, l'invariance d'échelle dont l'existence n'est pas vérifiée sur l'ensemble des territoires. L'analyse trans-échelle généralise les principes de l'analyse fractale à toutes les distributions et permet de caractériser l'inégale concentration des implantations humaines dans les territoires ruraux et urbains. Note de contenu : 1- Introduction 2- Méthodes de statistique spatiale pour l’analyse de la distribution spatiale des bâtiments 3- Méthodes d’analyses fractales et multifractales pour l’analyse de la distribution spatiale des bâtiments, de la population et des formes d’occupation du sol 4- Dépasser le présupposé d’invariance d’échelle via l’analyse des signatures trans-échelles 5- Conclusion Numéro de notice : 28444 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Géographie : Bourgogne : 2020 Organisme de stage : Laboratoire THEMA Théoriser et modéliser pour aménager DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03125388/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98894

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

Public Titre : Foundations of deep convolutional models through kernel methods Type de document : Thèse/HDR Auteurs : Alberto Bietti, Auteur ; Julien Mairal, Directeur de thèse Editeur : Grenoble : Université de Grenoble Année de publication : 2019 Importance : 194 p. Format : 21 x 30 cm Note générale : bibliographie Thèse pour obtenir le grade de Docteur de la Communauté Université Grenoble Alpes, Spécialité : Mathématiques Appliquées Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] apprentissage automatique [Termes IGN] apprentissage profond [Termes IGN] approche hiérarchique [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] espace de Hilbert [Termes IGN] état de l'art [Termes IGN] invariance [Termes IGN] jeu de données [Termes IGN] méthode fondée sur le noyau [Termes IGN] optimisation (mathématiques) [Termes IGN] Perceptron multicouche Index. décimale : THESE Thèses et HDR Résumé : (auteur) The increased availability of large amounts of data, from images in social networks, speech waveforms from mobile devices, and large text corpuses, to genomic and medical data, has led to a surge of machine learning techniques. Such methods exploit statistical patterns in these large datasets for making accurate predictions on new data. In recent years, deep learning systems have emerged as a remarkably successful class of machine learning algorithms, which rely on gradient-based methods for training multi-layer models that process data in a hierarchical manner. These methods have been particularly successful in tasks where the data consists of natural signals such as images or audio; this includes visual recognition, object detection or segmentation, and speech recognition.For such tasks, deep learning methods often yield the best known empirical performance; yet, the high dimensionality of the data and large number of parameters of these models make them challenging to understand theoretically. Their success is often attributed in part to their ability to exploit useful structure in natural signals, such as local stationarity or invariance, for instance through choices of network architectures with convolution and pooling operations. However, such properties are still poorly understood from a theoretical standpoint, leading to a growing gap between the theory and practice of machine learning. This thesis is aimed towards bridging this gap, by studying spaces of functions which arise from given network architectures, with a focus on the convolutional case. Our study relies on kernel methods, by considering reproducing kernel Hilbert spaces (RKHSs) associated to certain kernels that are constructed hierarchically based on a given architecture. This allows us to precisely study smoothness, invariance, stability to deformations, and approximation properties of functions in the RKHS. These representation properties are also linked with optimization questions when training deep networks with gradient methods in some over-parameterized regimes where such kernels arise. They also suggest new practical regularization strategies for obtaining better generalization performance on small datasets, and state-of-the-art performance for adversarial robustness on image tasks. Note de contenu : 1- Introduction 2- Invariance, Stability to deformations, and complexity of deep convolutional representations 3- A kernel perspective on regularization and robustness of deep neural networks 4- Links with optimization: inductive bias of neural tangent kernels 5- Invariance and stability through regularization: a stochastic optimization algorithm for data augmentation 6- Conclusion and perspectives Numéro de notice : 25833 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Mathématiques Appliquées : Grenoble Alpes : 2019 nature-HAL : Thèse DOI : sans En ligne : https://hal.archives-ouvertes.fr/tel-02543073/ document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95171

Forcing scale invariance in multipolarization SAR change detection / Vincenzo Carotenuto in IEEE Transactions on geoscience and remote sensing, vol 54 n° 1 (January 2016)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 54 n° 1 (January 2016) . - pp 36 - 50 Titre : Forcing scale invariance in multipolarization SAR change detection Type de document : Article/Communication Auteurs : Vincenzo Carotenuto, Auteur ; Antonio de Maio, Auteur ; Carmine Clemente, Auteur ; et al., Auteur Année de publication : 2016 Article en page(s) : pp 36 - 50 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] détection de changement [Termes IGN] image radar moirée [Termes IGN] invariance [Termes IGN] matrice [Termes IGN] polarimétrie radar [Termes IGN] polarisation Résumé : (Auteur) This paper considers the problem of coherent (in the sense that both amplitudes and relative phases of the polarimetric returns are used to construct the decision statistic) multipolarization synthetic aperture radar change detection starting from the availability of image pairs exhibiting possible power mismatches/miscalibrations. The principle of invariance is used to characterize the class of scale-invariant decision rules which are insensitive to power mismatches and ensure the constant false alarm rate property. A maximal invariant statistic is derived together with the induced maximal invariant in the parameter space which significantly compresses the data/parameter domain. A generalized likelihood ratio test is synthesized both for the cases of two- and three-polarimetric channels. Interestingly, for the two-channel case, it is based on the comparison of the condition number of a data-dependent matrix with a suitable threshold. Some additional invariant decision rules are also proposed. The performance of the considered scale-invariant structures is compared to those from two noninvariant counterparts using both simulated and real radar data. The results highlight the robustness of the proposed method and the performance tradeoff involved. Numéro de notice : A2016-075 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2015.2449332 En ligne : https://doi.org/10.1109/TGRS.2015.2449332 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=79843 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
065-2016011	SL	Revue	Centre de documentation	Revues en salle	Disponible

Ondelettes et turbulences / P. Abry (1997)

Public Titre : Ondelettes et turbulences : Multi-résolutions, algorithmes de décomposition, invariance d'échelle et signaux de pression Type de document : Monographie Auteurs : P. Abry, Auteur Editeur : Paris : Diderot éditeur Année de publication : 1997 Collection : NOUVEAUX ESSAIS Importance : 290 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-2-84134-064-4 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse mathématique [Termes IGN] invariance [Termes IGN] mathématiques [Termes IGN] ondelette [Termes IGN] traitement du signal [Termes IGN] transformation en ondelettes [Termes IGN] turbulence Note de contenu : 1 Transformées en Ondelettes 1.1 Principes et position de l'analyse temps-échelle 1.1.1 Temps-échelle versus temps-fréquence 1.1.2 Linéaire versus bilinéaire 1.1.3 Discret versus continu : Redondance, frame et échantillonnage critique 1.2 L'Analyse MultiRésolution 1.2.1 Espaces d'approximations - espaces d'ondelettes 1.2.2 Transformée non redondante en ondelettes semi-orthogonales, orthogonales, bi-orthogonales 1.3 Algorithmes d'analyse / synthèse et bancs de filtres 1.3.1 Implantation de la transformée continue 1.3.2 L'algorithme pyramidal rapide de la transformée discrète en ondelettes 1.3.3 Transformées en ondelettes et décomposition en sous bandes : bancs de filtres 1.3.4 Initialisation de l'algorithme pyramidal 1.3.5 L'algorithme à trous : première L'historique 1.3.6 L'algorithme à trous : deuxième La transformée continue dyadique 1.3.7 L'algorithme à trous : dernière Reconstruction 1.3.8 Variante : première Entrelacer les octaves 1.3.9 Variante : deuxième Réallocation du scalogramme 1.4 Décompositions en ondelettes continue ou discrète : Questions de point de vue? 1.4.1 Propriété 1 : Le cône d'influence 1.4.2 Propriété 2 : Redondance et noyau reproduisant 1.4.3 Propriété 3 : Reconstruction 1.4.4 Propriété 4 : Principales caractéristiques des ondelettes : localisation, régularité, nombre de moments nuls 1.4.5 Interprétation 1 : Image temps-échelle 1.4.6 Interprétation 2 : Retour sur l'échantillonnage du signal 1.4.7 Interprétation 3 : Filtrage passe-bande, banc de filtres à coefficient de surtension constant 1.4.8 Interprétation 4 : Temps-échelle et échelles de temps 1.4.9 Résumons et comparons 2 Fabriquer ou dessiner son ondelette 2.1 Vers l'ondelette adaptée ? 2.2 Conditions d'existence d'une Analyse MultiRésolution 2.2.1 Séquence génératrice d'une AMR 2.2.2 Exemples d'Analyses MultiRésolution 2.2.3 Fabrication de nouvelles AMR 2.2.4 Séquence admissible 2.2.5 Fabrication de nouvelles fonctions d'échelle 2.3 Définitions des espaces d'ondelettes : ondelettes semi-, bi- ou orthogonales 2.3.1 Ondelettes semi-orthogonales 2.3.2 Ondelettes orthogonales 2.3.3 Ondelettes bi-orthogonales 2.4 Synthèse d'ondelettes: une infinie variété d'ondelettes 2.4.1 De la fonction d'échelle à l'ondelette 2.4.2 Combinaison linéaire et changement de base 2.4.3 Dessiner sa propre ondelette. Première : ondelettes semi-orthogonales 2.4.4 Dessiner sa propre ondelette. Deuxième : ondelettes bi-orthogonales 2.5 Aspects pratiques de calcul des bancs de filtres - Résumé et comparaison 2.5.1 De u à Ö0 2.5.2 Séquences d'auto- et d'intercorrélation 2.6 Résumons et comparons 3 Utiliser les ondelettes : étude de l'invariance d'échelle 3.1 Préliminaires 3.1.1 Des applications 3.1.2 Processus stochastiques du second ordre et décomposition en ondelettes 3.1.3 Processus en 11P - Invariance d'échelle : Dépendance longue - Régularité locale - Auto-similarité . 3.1.4 Mouvement brownien fractionnaire - Bruit gaussien fractionnaire 3.1.5 Estimation spectrale en ondelettes - estimation du paramètre ce 3.2 Estimation spectrale, ondelettes, processus en 1/f 3.2.1 L'estimateur spectral classique (de Welch) : un estimateur temps-fréquence 3.2.2 Un estimateur spectral temps-échelle 3.2.3 Estimation spectrale temps-échelle et processus en 1/f 3.2.4 Conclusion : adéquation de l'estimation spectrale temps-échelle pour les processus en 1/f 3.3 Estimation du paramètre d'invariance d'échelle à l'aide de l'analyse en ondelettes 3.3.1 Idée de l'estimateur : deux arguments-clé 3.3.2 Définition de l'estimateur, biais et variance 3.3.3 Nombre de moments nuls - Immunité aux perturbations -redondance de la transformée 3.3.4 Application aux signaux de turbulence 3.3.5 Conclusion : estimation de Ü et ondelettes - Trois ingrédients 3.4 Ondelettes et longue dépendance dans les processus ponctuels - Le facteur de Fano 3.4.1 Des processus ponctuels ? 3.4.2 Facteur de Fano classique, processus de Poisson et longue dépendance 3.4.3 Facteur de Fano en ondelettes et estimation du paramètre de longue dépendance 3.4.4 Facteur de Fano multirésolution : variance de Allan - estimation spectrale 3.4.5 Conclusion 3.5 Détection de transitoires et ondelettes 3.5.1 Détecter avec les ondelettes ? 3.5.2 Détection et grille dyadique : la non-invariance en temps et le remède 3.5.3 L'algorithme de détection temps-échelle 3.5.4 Quand et pourquoi le détecteur-ondelette fait-il mieux ? 3.5.5 Conclusion 4 Analyse de signaux de pression en turbulence 4.1 Introduction à la turbulence 4.1.1 La turbulence ? 4.1.2 La quête de la turbulence: cascade d'énergie et universalité 4.1.3 Kolmogorov 41, invariance et loi d'échelle, auto-similarité 4.1.4 Intermittence, fonctions de structure, structures cohérentes 4.1.5 Kolmogorov 62 et modèles multifractal, thermodynamique et d'auto-similarité étendue 4.1.6 Les structures cohérentes 4.1.7 Turbulence, traitement du signal et ondelettes 4.2 Les signaux de pression et le dispositif expérimental 4.2.1 La pression en turbulence 4.2.2 Le dispositif expérimental 4.3 Analyse des signaux de pression 4.3.1 Traitements temps-échelle: détection automatique des dépressions, étude de leur comportement singulier, suppression de ces transitoires 4.3.2 Propriétés caractéristiques des dépressions, comportements singuliers et statistiques des temps d'attente 4.3.3 Densité de probabilité des signaux de pression 4.3.4 Densité spectrale de puissance 4.3.5 Fonctions de structure 4.3.6 Discussion et conclusion A Coefficients de l'ondelette de Meyer B Liste des opérateurs Numéro de notice : 66954 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Monographie Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=61681

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
66954-01	23.30	Livre	Centre de documentation	Mathématiques	Disponible

The role of orbit errors in processing of satellite altimeter data / E.J. Schrama (1989)

Public Titre : The role of orbit errors in processing of satellite altimeter data Type de document : Monographie Auteurs : E.J. Schrama, Auteur Editeur : Delft : Netherlands Geodetic Commission NGC Année de publication : 1989 Collection : Netherlands Geodetic Commission Publications on Geodesy Sous-collection : New series num. 33 Importance : 170 p. Format : 20 x 28 cm Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Technologies spatiales [Termes IGN] altimétrie satellitaire par radar [Termes IGN] erreur [Termes IGN] invariance [Termes IGN] mécanique orbitale [Termes IGN] orbitographie [Termes IGN] pesanteur terrestre [Termes IGN] Seasat [Termes IGN] vitesse radiale Numéro de notice : 57963 Affiliation des auteurs : non IGN Thématique : IMAGERIE/POSITIONNEMENT Nature : Monographie Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=60322

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
57963-01	21.10	Livre	Centre de documentation	Technologies spatiales	Disponible
57963-02	21.10	Livre	Centre de documentation	Technologies spatiales	Disponible

Advanced physical geodesy / Helmut Moritz (1980)

Permalink

Unitary symmetry and elementary particles / D.B. Lichtenberg (1978)

Permalink

Cours de physique Berkeley, 1. Tome 1, Mécanique / C. Kittel (1972)

Permalink