Centre dedocumentation
scientifique

Bayesian iterative reconstruction methods for 3D X-ray Computed Tomography / Camille Chapdelaine (2019)  

Public Titre : Bayesian iterative reconstruction methods for 3D X-ray Computed Tomography Type de document : Thèse/HDR Auteurs : Camille Chapdelaine, Auteur ; Charles Soussen, Directeur de thèse Editeur : Paris-Orsay : Université de Paris 11 Paris-Sud Centre d'Orsay Année de publication : 2019 Importance : 185 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse de Doctorat de l’Université Paris - Saclay préparée à l'Université Paris-Sud, Sciences et Technologies de l’Information et de la Communication (STIC), Spécialité Traitement du signal et des images Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] artefact [Termes descripteurs IGN] capteur-projecteur [Termes descripteurs IGN] faisceau [Termes descripteurs IGN] inférence [Termes descripteurs IGN] itération [Termes descripteurs IGN] processeur graphique [Termes descripteurs IGN] rayon X [Termes descripteurs IGN] reconstruction 3D [Termes descripteurs IGN] reconstruction d'image [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] spectroscopie [Termes descripteurs IGN] théorème de Bayes [Termes descripteurs IGN] tomographie [Termes descripteurs IGN] volume (grandeur) Index. décimale : THESE Thèses et HDR Résumé : (auteur) Dans un contexte industriel, la tomographie 3D par rayons X vise à imager virtuellement une pièce afin d'en contrôler l'intérieur. Le volume virtuel de la pièce est obtenu par un algorithme de reconstruction, prenant en entrées les projections de rayons X qui ont été envoyés à travers la pièce. Beaucoup d'incertitudes résident dans ces projections à cause de phénomènes non contrôlés tels que la diffusion et le durcissement de faisceau, causes d'artefacts dans les reconstructions conventionnelles par rétroprojection filtrée. Afin de compenser ces incertitudes, les méthodes de reconstruction dites itératives tentent de faire correspondre la reconstruction à un modèle a priori, ce qui, combiné à l'information apportée par les projections, permet d'améliorer la qualité de reconstruction. Dans ce contexte, cette thèse propose de nouvelles méthodes de reconstruction itératives pour le contrôle de pièces produites par le groupe SAFRAN. Compte tenu de nombreuses opérations de projection et de rétroprojection modélisant le processus d'acquisition, les méthodes de reconstruction itératives peuvent être accélérées grâce au calcul parallèle haute performance sur processeur graphique (GPU). Dans cette thèse, les implémentations sur GPU de plusieurs paires de projecteur-rétroprojecteur sont décrites. En particulier, une nouvelle implémentation pour la paire duale dite à empreinte séparable est proposée. Beaucoup de pièces produites par SAFRAN pouvant être vues comme des volumes constants par morceaux, un modèle a priori de Gauss-Markov-Potts est introduit, à partir duquel est déduit un algorithme de reconstruction et de segmentation conjointes. Cet algorithme repose sur une approche bayésienne permettant d'expliquer le rôle de chacun des paramètres. Le caractère polychromatique des rayons X par lequel s'expliquent la diffusion et le durcissement de faisceau est pris en compte par l'introduction d'un modèle direct séparant les incertitudes sur les projections. Allié à un modèle de Gauss-Markov-Potts sur le volume, il est montré expérimentalement que ce nouveau modèle direct apporte un gain en précision et en robustesse. Enfin, l'estimation des incertitudes sur la reconstruction est traitée via l'approche bayésienne variationnelle. Pour obtenir cette estimation en un temps de calcul raisonnable, il est montré qu'il est nécessaire d'utiliser une paire duale de projecteur-rétroprojecteur. Note de contenu : 1- X-ray computed tomography : an inverse problem 2- Reconstruction methods in X-ray computed tomography 3- Projection and backprojection operators 4- Gauss-Markov-Potts prior model for joint reconstruction and segmentation 5- Error-splitting forward model and its application with Gauss-Markov-Potts prior 6- Towards the estimation of the uncertainties on the reconstruction by Variational Bayesian Approach 7- Conclusion and perspectives Numéro de notice : 25702 Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences et Technologies de l’Information et de la Communication (STIC) : Traitement du signal et des images : Paris 11 : 2019 Organisme de stage : Safran En ligne : https://tel.archives-ouvertes.fr/tel-02110033 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94827

Improving the reliability of landslide susceptibility mapping through spatial uncertainty analysis: a case study of Al Hoceima, Northern Morocco / Hassane Rahali in Geocarto international, vol 34 n° 1 ([01/01/2019])  

Public [article]  inGeocarto international > vol 34 n° 1 [01/01/2019] . - pp 43 - 77 Titre : Improving the reliability of landslide susceptibility mapping through spatial uncertainty analysis: a case study of Al Hoceima, Northern Morocco Type de document : Article/Communication Auteurs : Hassane Rahali, Auteur Année de publication : 2019 Article en page(s) : pp 43 - 77 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse comparative [Termes descripteurs IGN] analyse des risques [Termes descripteurs IGN] effondrement de terrain [Termes descripteurs IGN] géomorphologie locale [Termes descripteurs IGN] incertitude géométrique [Termes descripteurs IGN] lithologie [Termes descripteurs IGN] Maroc [Termes descripteurs IGN] méthode de Monte-Carlo [Termes descripteurs IGN] méthode fiable [Termes descripteurs IGN] modèle de simulation [Termes descripteurs IGN] processus stochastique [Termes descripteurs IGN] régression logistique [Termes descripteurs IGN] théorème de Bayes [Termes descripteurs IGN] zone à risque Résumé : (auteur) This paper aims at providing an answer as to whether generalization obtained with data-driven modelling can be used to gauge the plausibility of the physically based (PB) model’s prediction. Two statistical models namely; Weight of Evidence (WofE) and Logistic Regression (LR), and a PB model using the infinite slope assumptions were evaluated and compared with respect to their abilities to predict susceptible areas to shallow landslides at the 1:10.000 urban scale. Threshold-dependent performance metrics showed that the three methods produced statistically comparable results in terms of success and prediction rates. However, with the Area Under the receiver operator Curve (AUC), statistical models are more accurate (88.7 and 84.6% for LR and WofE, respectively) than the PB model (only 69.8%). Nevertheless, in such data-sparse situation, the usual approaches for validation, i.e. comparing observed with predicted data, are insufficient, formal uncertainty analysis (UA) is a means for evaluating the validity and reliability of the model. We then refitted the PB model using a stochastic modification of the infinite slope stability model input scheme using Monte Carlo (MC) method backed with sensitivity analysis (SA). For statistical models, we used an informal Student t-test for estimating the certainty of the predicted probability (PP) at each location. Both modelling outputs independently show a high validity; and whereas the level of confidence in LR and WofE models remained the same after performance re-evaluation, the accuracy of the PB model showed an improvement (AUC = 72%). This result is reasonable and provides a further validation of PB model. So, in urban slope analysis, where PB diagnostic is necessary, statistical and PB modelling may play equally supportive roles in landslide hazard assessment. Numéro de notice : A2019-219 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2017.1357767 date de publication en ligne : 10/08/2017 En ligne : https://doi.org/10.1080/10106049.2017.1357767 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92737 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
059-2019011	SL	Livre	Centre de documentation	Revues en salle	Disponible

Bayesian statistics and Monte Carlo methods / Karl Rudolf Koch in Journal of geodetic science, vol 8 n° 1 (January 2018)  

Public [article]  inJournal of geodetic science > vol 8 n° 1 (January 2018) . - pp 18 - 29 Titre : Bayesian statistics and Monte Carlo methods Type de document : Article/Communication Auteurs : Karl Rudolf Koch, Auteur Année de publication : 2018 Article en page(s) : pp 18 - 29 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques [Termes descripteurs IGN] matrice de covariance [Termes descripteurs IGN] méthode de Monte-Carlo [Termes descripteurs IGN] propagation d'erreur [Termes descripteurs IGN] théorème de Bayes [Termes descripteurs IGN] variable aléatoire [Termes descripteurs IGN] vecteur aléatoire multidimensionnel Résumé : (Auteur) The Bayesian approach allows an intuitive way to derive the methods of statistics. Probability is defined as a measure of the plausibility of statements or propositions. Three rules are sufficient to obtain the laws of probability. If the statements refer to the numerical values of variables, the so-called random variables, univariate and multivariate distributions follow. They lead to the point estimation by which unknown quantities, i.e. unknown parameters, are computed from measurements. The unknown parameters are random variables, they are fixed quantities in traditional statistics which is not founded on Bayes’ theorem. Bayesian statistics therefore recommends itself for Monte Carlo methods, which generate random variates from given distributions. Monte Carlo methods, of course, can also be applied in traditional statistics. The unknown parameters, are introduced as functions of the measurements, and the Monte Carlo methods give the covariance matrix and the expectation of these functions. A confidence region is derived where the unknown parameters are situated with a given probability. Following a method of traditional statistics, hypotheses are tested by determining whether a value for an unknown parameter lies inside or outside the confidence region. The error propagation of a random vector by the Monte Carlo methods is presented as an application. If the random vector results from a nonlinearly transformed vector, its covariance matrix and its expectation follow from the Monte Carlo estimate. This saves a considerable amount of derivatives to be computed, and errors of the linearization are avoided. The Monte Carlo method is therefore efficient. If the functions of the measurements are given by a sum of two or more random vectors with different multivariate distributions, the resulting distribution is generally not known. The Monte Carlo methods are then needed to obtain the covariance matrix and the expectation of the sum. Numéro de notice : A2018-613 Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1515/jogs-2018-0003 date de publication en ligne : 02/03/2018 En ligne : https://doi.org/10.1515/jogs-2018-0003 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92646 [article]

Bayesian essentials with R / Jean-Michel Marin (2014)  

Public Titre : Bayesian essentials with R Type de document : Monographie Auteurs : Jean-Michel Marin, Auteur ; Christian P. Robert, Auteur Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2014 Importance : 296 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-1-4614-8687-9 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques [Termes descripteurs IGN] algorithme de Gibbs [Termes descripteurs IGN] algorithme de Métropolis-Hastings [Termes descripteurs IGN] classification bayesienne [Termes descripteurs IGN] méthode de Monte-Carlo par chaînes de Markov [Termes descripteurs IGN] modèle linéaire [Termes descripteurs IGN] problème de Dirichlet [Termes descripteurs IGN] R (langage) [Termes descripteurs IGN] régression linéaire [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] théorème de Bayes Résumé : (éditeur) This Bayesian modeling book provides a self-contained entry to computational Bayesian statistics. Focusing on the most standard statistical models and backed up by real datasets and an all-inclusive R (CRAN) package called bayess, the book provides an operational methodology for conducting Bayesian inference, rather than focusing on its theoretical and philosophical justifications. Readers are empowered to participate in the real-life data analysis situations depicted here from the beginning. The stakes are high and the reader determines the outcome. Special attention is paid to the derivation of prior distributions in each case and specific reference solutions are given for each of the models. Similarly, computational details are worked out to lead the reader towards an effective programming of the methods given in the book. In particular, all R codes are discussed with enough detail to make them readily understandable and expandable. This works in conjunction with the bayess package. Bayesian Essentials with R can be used as a textbook at both undergraduate and graduate levels, as exemplified by courses given at Université Paris Dauphine (France), University of Canterbury (New Zealand), and University of British Columbia (Canada). It is particularly useful with students in professional degree programs and scientists to analyze data the Bayesian way. The text will also enhance introductory courses on Bayesian statistics. Prerequisites for the book are an undergraduate background in probability and statistics, if not in Bayesian statistics. A strength of the text is the noteworthy emphasis on the role of models in statistical analysis. Note de contenu : 1- User’s Manual 2- Normal Models 3- Regression and Variable Selection 4- Generalized Linear Models 5- Capture–Recapture Experiments 6- Mixture Models 7- Time Series 8- Image Analysis Numéro de notice : 25759 Thématique : MATHEMATIQUE Nature : Monographie En ligne : https://link.springer.com/book/10.1007%2F978-1-4614-8687-9#toc Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94954

Bayesian and frequentist regression methods / Jon Wakefield (2013)  

Public Titre : Bayesian and frequentist regression methods Type de document : Monographie Auteurs : Jon Wakefield, Auteur Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2013 Importance : 697 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-1-4419-0925-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Mathématique [Termes descripteurs IGN] estimation bayesienne [Termes descripteurs IGN] fonction spline [Termes descripteurs IGN] inférence [Termes descripteurs IGN] méthode du maximum de vraisemblance (estimation) [Termes descripteurs IGN] méthode fondée sur le noyau [Termes descripteurs IGN] modèle de régression [Termes descripteurs IGN] modèle linéaire [Termes descripteurs IGN] modèle non linéaire [Termes descripteurs IGN] régression [Termes descripteurs IGN] théorème de Bayes Résumé : (éditeur) Bayesian and Frequentist Regression Methods provides a modern account of both Bayesian and frequentist methods of regression analysis. Many texts cover one or the other of the approaches, but this is the most comprehensive combination of Bayesian and frequentist methods that exists in one place. The two philosophical approaches to regression methodology are featured here as complementary techniques, with theory and data analysis providing supplementary components of the discussion. In particular, methods are illustrated using a variety of data sets. The majority of the data sets are drawn from biostatistics but the techniques are generalizable to a wide range of other disciplines. While the philosophy behind each approach is discussed, the book is not ideological in nature and an emphasis is placed on practical application. It is shown that, in many situations, careful application of the respective approaches can lead to broadly similar conclusions. To use this text, the reader requires a basic understanding of calculus and linear algebra, and introductory courses in probability and statistical theory. The book is based on the author's experience teaching a graduate sequence in regression methods. The book website contains all of the code to reproduce all of the analyses and figures contained in the book. Note de contenu : 1- Inferential Approches 2- Independant data 3- Dependent data 4- Nonparametric modeling Numéro de notice : 25769 Thématique : MATHEMATIQUE Nature : Monographie En ligne : https://doi.org/10.1007/978-1-4419-0925-1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94957

Probabilités et statistiques, version préliminaire / Patrick Sillard (2000)

Permalink

Segmentierung und Interpretation digitaler Bilder mit Markoff-Zufallsfeldern / J. Klonowski (1999)

Permalink

Kontextsensitive Bildinterpretation mit Markoff-Zufallsfeldern / M. Köster (1995)

Permalink