Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > données d'entrainement (apprentissage automatique)
données d'entrainement (apprentissage automatique)Synonyme(s)base d'apprentissageVoir aussi |
Documents disponibles dans cette catégorie (86)
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
Représentation et combinaison de l'information géographique pour l'apprentissage profond / Azelle Courtial (2022)
Titre : Représentation et combinaison de l'information géographique pour l'apprentissage profond Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur Editeur : [s.l.] : [s.n.] Année de publication : 2022 Conférence : EGC 2022, 7e atelier GAST, Gestion et Analyse de données Spatiales et Temporelles 25/01/2022 25/01/2022 Blois France OA Proceedings Importance : pp 54 - 65 Note générale : bibliographie Langues : Français (fre) Descripteur : [Termes IGN] apprentissage profond
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données vectorielles
[Termes IGN] généralisation automatique de données
[Termes IGN] représentation des données
[Termes IGN] tenseur
[Vedettes matières IGN] GénéralisationRésumé : (auteur) L’apprentissage profond permet maintenant de générer des cartes transformées à partir d’images d’autres cartes. Mais contrairement aux méthodes traditionnelles de prédiction de carte qui reposent sur des couches de données vectorielles stockées dans des bases de données géographiques, l’image ne transmet qu’une vue limitée des informations contenues dans la version vectorielle des données. Dans cet article, nous nous intéressons à la représentation de l’information géographique sous forme de tenseurs pour améliorer la génération de cartes par apprentissage profond. Nous proposons d’abord une stratégie alternative pour la création des données d’apprentissage : un ensemble de masques où chacun décrit les formes et positions d’un type d’objet géographique sur une même portion de carte (bâtiments, routes, ...). Nous étudions ensuite comment combiner de l’information géographique additionnelle dans les mécanismes d’apprentissage pour améliorer l’abstraction des cartes générées. Numéro de notice : C2022-054 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans En ligne : https://hal.science/hal-03719234v1 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103160 Documents numériques
peut être téléchargé
Représentation et combinaison de l'IG ... - pdf éditeurAdobe Acrobat PDF Representing vector geographic information as a tensor for deep learning based map generalisation / Azelle Courtial (2022)
Titre : Representing vector geographic information as a tensor for deep learning based map generalisation Type de document : Article/Communication Auteurs : Azelle Courtial , Auteur ; Guillaume Touya , Auteur ; Xiang Zhang, Auteur Editeur : AGILE Alliance Année de publication : 2022 Projets : 1-Pas de projet / Conférence : AGILE 2022, 25th international AGILE Conference on Geographic Information Science, Artificial intelligence in the service of geospatial technologies 14/06/2022 17/06/2022 Vilnius Lithuanie OA Proceedings Importance : 8 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] alignement des données
[Termes IGN] apprentissage profond
[Termes IGN] architecture de réseau
[Termes IGN] bati
[Termes IGN] carte topographique
[Termes IGN] couche
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données vectorielles
[Termes IGN] information sémantique
[Termes IGN] milieu urbain
[Termes IGN] route
[Termes IGN] tenseur
[Vedettes matières IGN] GénéralisationRésumé : (auteur) Recently, many researchers tried to generate (generalised) maps using deep learning, and most of the proposed methods deal with deep neural network architecture choices. Deep learning learns to reproduce examples, so we think that improving the training examples, and especially the representation of the initial geographic information, is the key issue for this problem. Our article extracts some representation issues from a literature review and proposes different ways to represent vector geographic information as a tensor. We propose two kinds of contributions: 1) the representation of information by layers; 2) the representation of additional information. Then, we demonstrate the interest of some of our propositions with experiments that show a visual improvement for the generation of generalised topographic maps in urban areas. Numéro de notice : C2022-024 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/agile-giss-3-32-2022 En ligne : https://doi.org/10.5194/agile-giss-3-32-2022 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100921 Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods / Clément Fougerouse (2022)
Titre : Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods Type de document : Mémoire Auteurs : Clément Fougerouse, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 47 p. Format : 21 x 30 cm Note générale : Bibliographie
Rapport de projet pluridisciplinaire, cycle ING2Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] glace de mer
[Termes IGN] image Aqua-AMSR
[Termes IGN] image C-SAR
[Termes IGN] image radar moirée
[Termes IGN] inférence
[Termes IGN] optimisation (mathématiques)
[Termes IGN] réseau neuronal convolutif
[Termes IGN] restauration d'imageIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) De nos jours, la détermination des glaces de mers se fait manuellement et est réalisée par des experts, les cartes obtenues ne sont donc pas bien précises et peuvent comporter des erreurs. L’objectif de l’étude est de pouvoir automatiser la classification des différents types de glaces de mer à partir d’images satellitaires SAR et AMSR2, en utilisant des réseaux de neurones convolutifs et d’améliorer la précision des réseaux déjà existants. Pour cela, nous partons des réseaux existants et nous rajoutons de nouvelles données d’apprentissages et nous modifions la structure du réseau de neurones convolutif. Puis nous étudions la texture des images pour pouvoir prendre en compte les formes des glaces et ainsi de créer plusieurs classes pour les glaces de mers. Que ce soit avec l’ajout de nouvelles données ou la modification de la structure du réseau, la précision des prédictions du réseau de neurones a grandement été amélioré. Nous passons d’une précision de 74% en moyenne sur les quatre classes utilisées à une moyenne de 95% après toutes les améliorations réalisées. Notons également, que la détection de la présence ou non de glace est très précise 98%. Quant à l’ajout des nouvelles classes et à la prise en compte de la texture des images satellitaires, nous obtenons des résultats très intéressants : le classificateur permet de distinguer certaines combinaisons, mais a du mal pour d’autres, notamment pour les glaces qui ont des petites formes. Ainsi, cette étude a permis d’améliorer considérablement la précision des réseaux existants pour classer la glace dans les quatre types habituels bien qu'ils restent moins performants pour classer en prenant en compte la forme des glaces. L’étude du caractère informatif a permis de connaitre les combinaisons détectées par la texture des images SAR. Note de contenu : 1. Introduction
2. Data used for training the CNN
2.1 NetCDF files
2.2 SAR data
2.3 AMSR2 data
2.4 Ice Chart
3. Processing
3.1 Overview
3.2 Statistical analysis
3.3 Preprocessing
3.3 Training
3.4 Inference
3.4 Baseline binary CNN
3.5 Baseline continuous CNN
3.6 Adding the larger area SAR data
3.7 Adding the AMSR2 data
3.8 Optimization
3.9 Experiments with informativeness
4. Results
4.1 Statistics
4.2 Baseline Binary
4.3 Hugo continuous
4.4 Extended SAR sub-image
4.5 AMSR2
4.6 Optimization
4.7 Informativeness tests
5. Conclusion and discussionNuméro de notice : 26868 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Nansen Environmental and Remote Sensing Center NERSC Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101688 Documents numériques
en open access
Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods - pdf auteurAdobe Acrobat PDF Fast estimation for robust supervised classification with mixture models / Erwan Giry Fouquet in Pattern recognition letters, vol 152 (December 2021)
[article]
Titre : Fast estimation for robust supervised classification with mixture models Type de document : Article/Communication Auteurs : Erwan Giry Fouquet, Auteur ; Mathieu Fauvel, Auteur ; Clément Mallet , Auteur ; Clément Mallet , Auteur Année de publication : 2021 Projets : MAESTRIA / Mallet, Clément, ANITI / Mallet, Clément Article en page(s) : pp 320 - 326 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] classification
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] échantillon
[Termes IGN] méthode robuste
[Termes IGN] optimisation (mathématiques)Résumé : (auteur) Label noise is known to negatively impact the performance of classification algorithms. In this paper, we develop a model robust to label noise that uses both labelled and unlabelled samples. In particular, we propose a novel algorithm to optimize the model parameters that scales efficiently w.r.t. the number of training samples. Our contribution relies on a consensus formulation of the original objective function that is highly parallelizable. The optimization is performed with the Alternating Direction Method of Multipliers framework. Experimental results on synthetic datasets show an improvement of several orders of magnitude in terms of processing time, with no loss in terms of accuracy. Our method appears also tailored to handle real data with significant label noise. Numéro de notice : A2021-061 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/MATHEMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.patrec.2021.10.020 Date de publication en ligne : 26/10/2021 En ligne : https://doi.org/10.1016/j.patrec.2021.10.020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99531
in Pattern recognition letters > vol 152 (December 2021) . - pp 320 - 326[article]Using textual volunteered geographic information to model nature-based activities: A case study from Aotearoa New Zealand / Ekaterina Egorova in Journal of Spatial Information Science (JoSIS), n° 23 (2021)
[article]
Titre : Using textual volunteered geographic information to model nature-based activities: A case study from Aotearoa New Zealand Type de document : Article/Communication Auteurs : Ekaterina Egorova, Auteur Année de publication : 2021 Article en page(s) : pp 25 - 63 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] cognition
[Termes IGN] corpus
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données localisées des bénévoles
[Termes IGN] émotion
[Termes IGN] interaction homme-milieu
[Termes IGN] littérature
[Termes IGN] loisir
[Termes IGN] milieu naturel
[Termes IGN] Nouvelle-Zélande
[Termes IGN] réseau social
[Termes IGN] service écosystémiqueRésumé : (auteur) A boom in volunteered geographic information has led to extensive data-driven exploration and modeling of places. While many studies have used such data to explore human-environment interaction in urban settings, few have investigated natural, non-urban settings. To address this gap, this study systematically explores the content of online reviews of nature-based recreation activities, and develops a fine-grained hierarchical model that includes 28 aspects grouped into three main domains: activity, settings, and emotions/cognition. It further demonstrates how the model can be used to explore the variation in recreation experiences across activities, setting the stage for the analysis of the spatio-temporal variations in recreation experiences in the future. Importantly, the study provides an annotated corpus that can be used as a training dataset for developing methods to automatically capture aspects of recreation experiences in texts. Numéro de notice : A2021-950 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.5311/JOSIS.2021.23.157 Date de publication en ligne : 24/12/2021 En ligne : https://doi.org/10.5311/JOSIS.2021.23.157 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99644
in Journal of Spatial Information Science (JoSIS) > n° 23 (2021) . - pp 25 - 63[article]Crop rotation modeling for deep learning-based parcel classification from satellite time series / Félix Quinton in Remote sensing, vol 13 n° 22 (November-2 2021)PermalinkA learning-based approach to automatically evaluate the quality of sequential color schemes for maps / Taisheng Chen in Cartography and Geographic Information Science, Vol 48 n° 5 (September 2021)PermalinkMulti-task fully convolutional network for tree species mapping in dense forests using small training hyperspectral data / Laura Elena Cué La Rosa in ISPRS Journal of photogrammetry and remote sensing, vol 179 (September 2021)PermalinkSingle annotated pixel based weakly supervised semantic segmentation under driving scenes / Xi Li in Pattern recognition, vol 116 (August 2021)PermalinkConstrained shortest path problems in bi-colored graphs: a label-setting approach / Amin AliAbdi in Geoinformatica, vol 25 n° 3 (July 2021)PermalinkResolution enhancement for large-scale land cover mapping via weakly supervised deep learning / Qiutong Yu in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 6 (June 2021)PermalinkA deep learning model using satellite ocean color and hydrodynamic model to estimate chlorophyll-a concentration / Daeyong Jin in Remote sensing, vol 13 n°10 (May-2 2021)PermalinkLearning deep semantic segmentation network under multiple weakly-supervised constraints for cross-domain remote sensing image semantic segmentation / Yansheng Li in ISPRS Journal of photogrammetry and remote sensing, vol 175 (May 2021)PermalinkQuality assessment of heterogeneous training data sets for classification of urban area with Landsat imagery / Neema Nicodemus Lyimo in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 5 (May 2021)PermalinkAnti-cross validation technique for constructing and boosting random subspace neural network ensembles for hyperspectral image classification / Laxmi Narayana Eeti in Geocarto international, vol 36 n° 6 ([01/04/2021])Permalink