Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par réseau neuronal > classification par Perceptron multicouche
classification par Perceptron multicouche |
Documents disponibles dans cette catégorie (25)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Cloud detection from paired CrIS water vapor and CO₂ channels using machine learning techniques / Miao Tian in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)
[article]
Titre : Cloud detection from paired CrIS water vapor and CO₂ channels using machine learning techniques Type de document : Article/Communication Auteurs : Miao Tian, Auteur ; Hao Chen, Auteur ; Guanghui Liu, Auteur Année de publication : 2021 Article en page(s) : pp 2781 - 2793 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] détection des nuages
[Termes IGN] dioxyde de carbone
[Termes IGN] image infrarouge
[Termes IGN] modèle atmosphérique
[Termes IGN] modèle de transfert radiatif
[Termes IGN] régression linéaire
[Termes IGN] vapeur d'eauRésumé : (auteur) Accurate cloud detection using infrared (IR) data is very challenging due to the limitations and uncertainties from many aspects in the satellite IR remote sensing. This article proposes an end-to-end cloud detection method for the Cross-track IR Sounder (CrIS) using machine learning (ML) techniques. The brightness temperatures from paired CrIS channels in the longwave and midwave water vapor bands and the longwave and shortwave CO 2 bands are used. After obtaining the linear regression coefficients for each of the selected channel pairs, a complete set of CrIS full spectral resolution (FSR) cloud detection index (FCDI) is derived from the temperature difference between the regression and observation for each channel pair. It is shown that FCDI captures cloud location and structure well by comparing with the cloud products (CPs) from the Visible IR Imaging Radiometer Suite (VIIRS). After collocating FCDI with VIIRS CP, ML techniques such as the extreme learning machine, support vector machine, and multilayer perceptron are used to train the collocated FCDIs for cloud detection. Simulation results show that the accuracy of FCDI cloud detection is slightly above 80%. Moreover, the results encourage the use of water vapor bands in FCDI, in addition to CO 2 bands. Numéro de notice : A2021-281 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3020120 Date de publication en ligne : 18/12/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3020120 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97387
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 4 (April 2021) . - pp 2781 - 2793[article]Mapping seasonal agricultural land use types using deep learning on Sentinel-2 image time series / Misganu Debella-Gilo in Remote sensing, Vol 13 n° 2 (January-2 2021)
[article]
Titre : Mapping seasonal agricultural land use types using deep learning on Sentinel-2 image time series Type de document : Article/Communication Auteurs : Misganu Debella-Gilo, Auteur ; Arnt Kristian Gjertsen, Auteur Année de publication : 2021 Article en page(s) : n° 289 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] carte agricole
[Termes IGN] carte d'utilisation du sol
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] image Sentinel-MSI
[Termes IGN] Norvège
[Termes IGN] série temporelle
[Termes IGN] Soil Adjusted Vegetation Index
[Termes IGN] surface cultivée
[Termes IGN] utilisation du sol
[Termes IGN] variation saisonnièreRésumé : (auteur) The size and location of agricultural fields that are in active use and the type of use during the growing season are among the vital information that is needed for the careful planning and forecasting of agricultural production at national and regional scales. In areas where such data are not readily available, an independent seasonal monitoring method is needed. Remote sensing is a widely used tool to map land use types, although there are some limitations that can partly be circumvented by using, among others, multiple observations, careful feature selection and appropriate analysis methods. Here, we used Sentinel-2 satellite image time series (SITS) over the land area of Norway to map three agricultural land use classes: cereal crops, fodder crops (grass) and unused areas. The Multilayer Perceptron (MLP) and two variants of the Convolutional Neural Network (CNN), are implemented on SITS data of four different temporal resolutions. These enabled us to compare twelve model-dataset combinations to identify the model-dataset combination that results in the most accurate predictions. The CNN is implemented in the spectral and temporal dimensions instead of the conventional spatial dimension. Rather than using existing deep learning architectures, an autotuning procedure is implemented so that the model hyperparameters are empirically optimized during the training. The results obtained on held-out test data show that up to 94% overall accuracy and 90% Cohen’s Kappa can be obtained when the 2D CNN is applied on the SITS data with a temporal resolution of 7 days. This is closely followed by the 1D CNN on the same dataset. However, the latter performs better than the former in predicting data outside the training set. It is further observed that cereal is predicted with the highest accuracy, followed by grass. Predicting the unused areas has been found to be difficult as there is no distinct surface condition that is common for all unused areas. Numéro de notice : A2021-198 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.3390/rs13020289 Date de publication en ligne : 15/01/2021 En ligne : https://doi.org/10.3390/rs13020289 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97149
in Remote sensing > Vol 13 n° 2 (January-2 2021) . - n° 289[article]Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond / Yawogan Gbodjo (2021)
Titre : Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond Type de document : Thèse/HDR Auteurs : Yawogan Gbodjo, Auteur ; Dino Lenco, Directeur de thèse Editeur : Montpellier : Université de Montpellier Année de publication : 2021 Importance : 165 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse soutenue pour obtenir le grade de Docteur en Informatique de l'Université de MontpellierLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] classification dirigée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] image PlanetScope
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] indice de végétation
[Termes IGN] occupation du sol
[Termes IGN] production agricole
[Termes IGN] rendement agricole
[Termes IGN] série temporelle
[Termes IGN] surface cultivéeIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les systèmes de suivi des cultures jouent un rôle essentiel dans l'évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d'information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l'essor des techniques d'apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l'évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d'apprentissage profond. Nous proposons deux méthodes pour caractériser l'occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d'attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l'intégration d'une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d'études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d'investigation sur l'estimation et la prévision des rendements des surfaces cultivées, à l'échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d'apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l'évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d'apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d'apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu'il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d'investigation réalisé pour l'estimation et la prévision des rendements n'a par contre pas révélé de plus-value manifeste dans l'emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d'entraînement semble en être la principale explication. Note de contenu : Introduction
1- Télédétection et apprentissage automatique
2- Sites d’étude et données utilisées
3- Caractérisation de l’occupation du sol
4- Suivi des rendements en petite agriculture familiale
Conclusion et PerspectivesNuméro de notice : 15240 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Montpellier : 2021 Organisme de stage : TETIS DOI : sans En ligne : https://tel.hal.science/tel-03589421/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100474 Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond / Camille Lhenry (2021)
Titre : Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond Type de document : Mémoire Auteurs : Camille Lhenry, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2021 Importance : 106 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] base de données dérivée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fenêtre (bâtiment)
[Termes IGN] image RVB
[Termes IGN] image thermique
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] Python (langage de programmation)
[Termes IGN] réseau neuronal de graphes
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Grâce au développement rapide des techniques d’acquisition 3D, les nuages de points sont de plus en plus utilisés dans divers domaines. Ils sont notamment la donnée de départ pour le développement de BIM (Building Information Modeling) de bâtiments existants, processus permettant le travail collaboratif des différents corps de métier. Néanmoins, le traitement de cette donnée est une étape majoritairement manuelle, longue et chronophage. Ce projet de fin d’études s’inscrit donc dans une problématique d’automatisation des traitements menant du nuage de points au BIM et se concentre sur la segmentation automatique des ouvertures des bâtiments. Cette problématique a été abordée par de multiples auteurs avec des méthodes algorithmiques ou d’apprentissage machine, qui nécessitent une certaine implication de l’utilisateur. Profitant de l’expansion du domaine de l’apprentissage profond, le réseau de neurones PointNet++ (Qi, Yi, Su & Guibas 2017) a été utilisé pour répondre à l’objectif de l’étude. Malgré les difficultés inhérentes à la nature des éléments à segmenter (transparence des matériaux, variabilité des styles architecturaux), la qualité de segmentation des ouvertures est prometteuse, notamment en couplant l’information thermique au nuage de points. Le défi majeur mis en évidence par l’étude est le manque de bases de données d’apprentissage, indispensables à l’utilisation de réseaux de neurones. Face à cet obstacle, une solution semi-automatique nécessitant la labellisation manuelle d’une portion limitée du bâtiment est présentée. Note de contenu : Introduction
1- Etat de l'art
2- Développement de la méthode
3- Résultats et discussions
Conclusions et perspectivesNuméro de notice : 28682 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Laboratoire ICUBE En ligne : http://eprints2.insa-strasbourg.fr/4492/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99976 Détection et reconstruction 3D d’arbres urbains par segmentation de nuages de points : apport de l’apprentissage profond / Victor Alteirac (2021)
Titre : Détection et reconstruction 3D d’arbres urbains par segmentation de nuages de points : apport de l’apprentissage profond Type de document : Mémoire Auteurs : Victor Alteirac, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2021 Importance : 115 p. Format : 21 x 30 cm Note générale : bibliographie
mémoire de fin d'études INSA Strasbourg, Spécialité : Topographie et Master IRIVLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] arbre urbain
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'arbres
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] graphe
[Termes IGN] ilot thermique urbain
[Termes IGN] microclimat
[Termes IGN] modélisation 3D
[Termes IGN] reconstruction 3D
[Termes IGN] reconstruction d'objet
[Termes IGN] segmentation
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Les avancées technologiques de ces dernières années ont permis à l’intelligence artificielle de se démocratiser et de devenir de plus en plus performante. Présente dans de nombreux domaines comme l’automobile, l’aviation ou encore la médecine, cette dernière est très sollicitée. Les laboratoires de recherche tels que ICube abordent des problèmes complexes nécessitant des données tridimensionnelles. Au cours de ce projet de fin d'études, des recherches sont réalisées concernant la segmentation d'arbres urbains pour la modélisation et la prédiction d'ilots de chaleur en ville. Après un état de l'art, le réseau de neurones retenu est PointNet ++. À la suite du paramétrage de ce dernier, une acquisition est effectuée dans la ville de Strasbourg. Le nuage de points ainsi récupéré est donc segmenté en utilisant l’entrainement du réseau. Des résultats de près de 96% de bonnes segmentations sont obtenus sur la détection d’arbres, avec un résultat global de 85%. Pour finir, les segmentations sont alors récupérées pour la modélisation d'arbres afin d’amorcer leur insertion dans des modèles de microclimat. Tout cela apporte des perspectives très prometteuses pour l’automatisation de la segmentation d’arbres urbains grâce aux techniques d’apprentissage profond. Note de contenu : 1- Présentation de l’étude
2- Etat de l’art, segmentation automatique
3- Choix et implémentation du réseau de neurones
4- Application et adaptation du réseau
ConclusionNuméro de notice : 15271 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Laboratoire ICube En ligne : http://eprints2.insa-strasbourg.fr/4493/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99408 Integrating multilayer perceptron neural nets with hybrid ensemble classifiers for deforestation probability assessment in Eastern India / Sunil Saha in Geomatics, Natural Hazards and Risk, vol 12 n° 1 (2021)PermalinkPermalinkPerception de scène par un système multi-capteurs, application à la navigation dans des environnements d'intérieur structuré / Marwa Chakroun (2021)PermalinkApplication of digital image processing in automated analysis of insect leaf mines / Yee Man Theodora Cho (2020)PermalinkConvolutional neural networks for change analysis in earth observation images with noisy labels and domain shifts / Rodrigo Caye Daudt (2020)Permalink