Descripteur
Termes IGN > informatique > intelligence artificielle > apprentissage automatique > apprentissage profond > réseau neuronal artificiel > réseau neuronal de graphes
réseau neuronal de graphesVoir aussi |
Documents disponibles dans cette catégorie (33)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
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
Titre : Learning digital geographies through geographical artificial intelligence Type de document : Thèse/HDR Auteurs : Pengyuan Liu, Auteur ; Stefano de Sabbata, Directeur de thèse ; Yu-Dong Zhang, Directeur de thèse Editeur : Leicester [Royaume-Uni] : University of Leicester Année de publication : 2021 Importance : 199 p. Format : 21 x 30 cm Note générale : bibliographie
A thesis submitted in fulfillment of the requirements for the degree of Doctor of Philosophy, Geology and EnvironmentLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] analyse de groupement
[Termes IGN] analyse socio-économique
[Termes IGN] apprentissage profond
[Termes IGN] contenu généré par les utilisateurs
[Termes IGN] croissance urbaine
[Termes IGN] détection de changement
[Termes IGN] données issues des réseaux sociaux
[Termes IGN] données localisées des bénévoles
[Termes IGN] données spatiotemporelles
[Termes IGN] géomatique web
[Termes IGN] intelligence artificielle
[Termes IGN] Londres
[Termes IGN] réseau neuronal de graphes
[Termes IGN] réseau sémantique
[Termes IGN] système d'information urbain
[Termes IGN] zone urbaineIndex. décimale : THESE Thèses et HDR Résumé : (auteur) As the distinction between online and physical spaces rapidly degrades, digital platforms have become an integral component of how people’s everyday experiences are mediated. User-generated content (UGC) shared on such platforms provides insights into how users want to represent their everyday lives, which augments and reinforces our understanding of local communities through time and layers dynamic information across and over the geographic space. Inspired by the development of the newly arisen scientific disciplines within geography: geographical artificial intelligence (GeoAI), this thesis adopts deep learning approaches on graph representations of human dynamics illustrated through geotagged UGC to explore how place representations are augmented and reinforced through users’ spatial experiences by classifying their multimedia activities and identifying the spatial clusters of UGC at the urban scale. Having the place representations described through UGC, this thesis explores how these representations can be used in conjunction with various official spatial statistics to understand and predict the dynamic changes of the socio-economic characteristics of places. The principal contributions of this thesis are: (1) to provide frameworks with higher classification and prediction accuracy but requiring fewer sample data; thus, contributing to an advanced framework to summarise spatial characteristics of places; (2) to show that multimedia content provides rich information regarding places, the use of space, and people’s experience of the landscape; thus, benefiting a better understanding of place representations; (3) to illustrate that the spatial patterns of UGC can be adopted as a valuable proxy to understand urban development and neighbourhood change; (4) to reinforce the concept that Spatial is Special. Spatial processes are commonly spatially autocorrelated. The mainstream of machine learning methods do not explicitly incorporate the spatial or spatio-temporal component to address such a speciality of spatial data. This thesis highlights the importance of explicitly incorporating spatial or spatio-temporal components in geographical analysis models. Note de contenu : 1- Introduction
2- Towards quantitative digital geographies: Concepts, research and implications
3- Data and methods
4- Classification learning through a graph-based semi-supervised approach
5- Location estimation of social media content through a graph-based linkPrediction
6- Urban change modelling with spatial knowledge graphs
7- DiscussionNuméro de notice : 28629 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Thèse étrangère Note de thèse : PhD Thesis: Geology and Environment: Leicester : 2021 DOI : sans En ligne : https://leicester.figshare.com/articles/thesis/Learning_Digital_Geographies_thro [...] Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99618 Learning embeddings for cross-time geographic areas represented as graphs / Margarita Khokhlova (2021)
Titre : Learning embeddings for cross-time geographic areas represented as graphs Type de document : Article/Communication Auteurs : Margarita Khokhlova , Auteur ; Nathalie Abadie , Auteur ; Valérie Gouet-Brunet , Auteur ; Liming Chen, Auteur Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : SAC 2021, 36th Annual ACM Symposium on Applied Computing 22/03/2021 26/03/2021 en ligne Proceedings ACM Importance : pp 559 - 568 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] arête
[Termes IGN] classification par réseau neuronal
[Termes IGN] entité géographique
[Termes IGN] graphe flou
[Termes IGN] image aérienne à axe vertical
[Termes IGN] noeud
[Termes IGN] relation spatiale
[Termes IGN] représentation graphique
[Termes IGN] réseau neuronal de graphesRésumé : (auteur) Geographic entities from the vertical aerial images can be viewed as discrete objects and represented as nodes in a graph, linked to each other by edges capturing their spatial relationships. Over time, the natural and man made landscape may evolve and thus also their graph representations. This paper addresses the challenging problem of the retrieval and fuzzy matching of graphs to localize near-identical geographical areas across time. Several use-case scenarios are proposed for the end-to-end learning of a graph embedding using Graph Neural Networks (GNN), along with an effective baseline without learning. The results demonstrate the efficiency of our approach, that enables efficient similarity reasoning for novel hand-engineered cross-time graph data. Code and data processing scripts are available online. Numéro de notice : C2021-002 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3412841.3441936 En ligne : https://doi.org/10.1145/3412841.3441936 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97583
[article]
Titre : A survey on graph kernels Type de document : Article/Communication Auteurs : Nils M. Kriege, Auteur ; Fredrik D. Johansson, Auteur ; Christopher Morris, Auteur Année de publication : 2020 Article en page(s) : n° 5 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage profond
[Termes IGN] graphe
[Termes IGN] méthode fondée sur le noyau
[Termes IGN] réseau neuronal de graphesRésumé : (auteur) Graph kernels have become an established and widely-used technique for solving classification tasks on graphs. This survey gives a comprehensive overview of techniques for kernel-based graph classification developed in the past 15 years. We describe and categorize graph kernels based on properties inherent to their design, such as the nature of their extracted graph features, their method of computation and their applicability to problems in practice. In an extensive experimental evaluation, we study the classification accuracy of a large suite of graph kernels on established benchmarks as well as new datasets. We compare the performance of popular kernels with several baseline methods and study the effect of applying a Gaussian RBF kernel to the metric induced by a graph kernel. In doing so, we find that simple baselines become competitive after this transformation on some datasets. Moreover, we study the extent to which existing graph kernels agree in their predictions (and prediction errors) and obtain a data-driven categorization of kernels as result. Finally, based on our experimental results, we derive a practitioner’s guide to kernel-based graph classification. Numéro de notice : A2020-858 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article DOI : 10.1007/s41109-019-0195-3 Date de publication en ligne : 14/01/2020 En ligne : https://doi.org/10.1007/s41109-019-0195-3 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98905
in Applied network science > vol 5 (2020) . - n° 5[article]