Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par réseau neuronal > classification par réseau neuronal récurrent
classification par réseau neuronal récurrent |
Documents disponibles dans cette catégorie (17)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Pedestrian trajectory prediction with convolutional neural networks / Simone Zamboni in Pattern recognition, vol 121 (January 2022)
[article]
Titre : Pedestrian trajectory prediction with convolutional neural networks Type de document : Article/Communication Auteurs : Simone Zamboni, Auteur ; Zekarias Tilahun Kefato, Auteur ; Sarunas Girdzijauskas, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 108252 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] distance euclidienne
[Termes IGN] filtre de Gauss
[Termes IGN] itinéraire piétionnier
[Termes IGN] modèle de simulation
[Termes IGN] navigation pédestre
[Termes IGN] piéton
[Termes IGN] prévision à court terme
[Termes IGN] réseau social
[Termes IGN] trajet (mobilité)Résumé : (auteur) Predicting the future trajectories of pedestrians is a challenging problem that has a range of application, from crowd surveillance to autonomous driving. In literature, methods to approach pedestrian trajectory prediction have evolved, transitioning from physics-based models to data-driven models based on recurrent neural networks. In this work, we propose a new approach to pedestrian trajectory prediction, with the introduction of a novel 2D convolutional model. This new model outperforms recurrent models, and it achieves state-of-the-art results on the ETH and TrajNet datasets. We also present an effective system to represent pedestrian positions and powerful data augmentation techniques, such as the addition of Gaussian noise and the use of random rotations, which can be applied to any model. As an additional exploratory analysis, we present experimental results on the inclusion of occupancy methods to model social information, which empirically show that these methods are ineffective in capturing social interaction. Numéro de notice : A2022-109 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1016/j.patcog.2021.108252 Date de publication en ligne : 13/08/2021 En ligne : https://doi.org/10.1016/j.patcog.2021.108252 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99615
in Pattern recognition > vol 121 (January 2022) . - n° 108252[article]Recurrent-based regression of Sentinel time series for continuous vegetation monitoring / Anatol Garioud in Remote sensing of environment, vol 263 (15 September 2021)
[article]
Titre : Recurrent-based regression of Sentinel time series for continuous vegetation monitoring Type de document : Article/Communication Auteurs : Anatol Garioud , Auteur ; Silvia Valero, Auteur ; Sébastien Giordano , Auteur ; Clément Mallet , Auteur Année de publication : 2021 Projets : 3-projet - voir note / Article en page(s) : n° 112419 Note générale : bibliographie
This work is funded by the Agence de la transition écologique (ADEME) and the Centre National d'Études Spatiales (CNES).Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] classification par réseau neuronal
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] fusion d'images
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] régression
[Termes IGN] série temporelle
[Termes IGN] surveillance de la végétationRésumé : (auteur) Dense time series of optical satellite imagery describing vegetation activity provide essential information for the efficient and regular monitoring of vegetation. Nevertheless, the temporal resolution of optical sensors is strongly affected by cloud cover, resulting in significant missing information. The use of complementary acquisitions, such as Synthetic Aperture Radar (SAR) data, opens the door to the development of new multi-sensor methodologies aiming at the reconstruction of missing information. However, the joint exploitation of new radar and optical missions, such as the Sentinel, raises new challenges given the different nature and response of the two data sources. In this work, the SenRVM methodology is proposed as a new multi-sensor approach to regress SAR time series towards Normalized Difference Vegetation Index (NDVI). A deep Recurrent Neural Network architecture which integrates SAR acquisitions and ancillary data is adopted. The regression task permits a continuous optical temporal resolution of 6 days. Multiple experiments are carried out to assess the SenRVM framework by studying two large-scale areas in France. Through an extensive interpretation of the results, SenRVM is evaluated on three main vegetation types (grasslands, crops, and forests). High accurate results (R2 > 0.83 and MAE Numéro de notice : A2021-499 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.rse.2021.112419 Date de publication en ligne : 25/06/2021 En ligne : https://doi.org/10.1016/j.rse.2021.112419 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98004
in Remote sensing of environment > vol 263 (15 September 2021) . - n° 112419[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
Titre : Artificial neural networks in agriculture Type de document : Monographie Auteurs : Sebastian Kujawa, Éditeur scientifique ; Gniewko Niedbała, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2021 Importance : 283 p. Format : 16 x 23 cm ISBN/ISSN/EAN : 978-3-0365-1579-3 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] agriculture
[Termes IGN] apprentissage profond
[Termes IGN] carte de la végétation
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] couvert végétal
[Termes IGN] déformation temporelle dynamique (algorithme)
[Termes IGN] détection d'arbres
[Termes IGN] Google Earth
[Termes IGN] image à haute résolution
[Termes IGN] phénologie
[Termes IGN] réseau neuronal artificiel
[Termes IGN] surveillance agricoleRésumé : (éditeur) Modern agriculture needs to have high production efficiency combined with a high quality of obtained products. This applies to both crop and livestock production. To meet these requirements, advanced methods of data analysis are more and more frequently used, including those derived from artificial intelligence methods. Artificial neural networks (ANNs) are one of the most popular tools of this kind. They are widely used in solving various classification and prediction tasks, for some time also in the broadly defined field of agriculture. They can form part of precision farming and decision support systems. Artificial neural networks can replace the classical methods of modelling many issues, and are one of the main alternatives to classical mathematical models. The spectrum of applications of artificial neural networks is very wide. For a long time now, researchers from all over the world have been using these tools to support agricultural production, making it more efficient and providing the highest-quality products possible. Note de contenu : 1- Plant and weed identifier robot as an agroecological tool using artificial neural networks for image identification
2- Oil palm tree detection and health classification on high-resolution imagery using deep learning
3- Average degree of coverage and coverage unevenness coefficient as parameters for spraying quality assessment
4- The relationship between soil electrical parameters and compaction of Sandy Clay Loam soil
5- Evaluation of convolutional neural networks’ hyperparameters with transfer learning to determine sorting of Ripe Medjool dates
6- Mapping paddy rice using weakly supervised long short-term memory network with time series sentinel optical and SAR images
7- Time series prediction with artificial neural networks: An analysis using Brazilian soybean production
8- Machine learning for plant breeding and biotechnology
9- A hybrid CFS filter and RF-RFE wrapper-based feature extraction for enhanced agricultural crop yield prediction modeling
10- Crop growth stage GPP-driven spectral model for evaluation of cultivated land quality using GA-BPNN
11- Corn grain yield estimation from vegetation indices, canopy cover, plant density, and a neural network using multispectral and RGB images acquired with unmanned aerial vehicles
12- Modeling the dynamic response of plant growth to root zone temperature in hydroponic Chili pepper plant using neural networks
13- ANN-based continual classification in agriculture
14- Application of artificial neural networks to analyze the concentration of ferulic acid, deoxynivalenol, and nivalenol in winter wheat grain
15- Neural visual detection of grain weevil (sitophilus granarius L.)Numéro de notice : 28624 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.3390/books978-3-0365-1579-3 En ligne : https://doi.org/10.3390/books978-3-0365-1579-3 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99553 Assessing the interest of a multi-modal gap-filling strategy for monitoring changes in grassland parcels / Anatol Garioud (2021)
Titre : Assessing the interest of a multi-modal gap-filling strategy for monitoring changes in grassland parcels Type de document : Article/Communication Auteurs : Anatol Garioud , Auteur ; Silvia Valero, Auteur ; Clément Mallet , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2021 Projets : 2-Pas d'info accessible - article non ouvert / Conférence : IGARSS 2021, IEEE International Geoscience And Remote Sensing Symposium 11/07/2021 16/07/2021 Bruxelles Belgique Proceedings IEEE Importance : pp 3105 - 3108 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] détection de changement
[Termes IGN] image Sentinel-SAR
[Termes IGN] parcelle agricole
[Termes IGN] prairie
[Termes IGN] régression multiple
[Termes IGN] série temporelleRésumé : (auteur) One key factor to exhaustive vegetation monitoring lies in the dense temporal sampling of the measurements. Areas subject to multiple human interventions, such as grasslands, are particularly concerned. A Recurrent Neural Network multi-sensor regression approach (SenRVM), relying on the systematic acquisitions of Sentinel-1 SAR satellite, has been thereby proposed. It permits to retrieve vegetation indexes, derived from Sentinel-2 optical imagery, despite significant cloud cover and with high sampling (6 days). The benefit of SenRVM for filling gaps in vegetation time-series describing agricultural practices is assessed. The proposed approach is compared with classical mono-sensor optical strategies. We adopt a synthetic dataset with large gaps. This realistically mimicks challenging conditions in grassland exploitation detection. Results obtained both for exploited and stable parcels satisfactorily demonstrate the relevance of our approach. Numéro de notice : C2021-042 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS47720.2021.9554995 Date de publication en ligne : 12/10/2021 En ligne : https://doi.org/10.1109/IGARSS47720.2021.9554995 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99413 Interactions between hierarchical learning and visual system modeling : image classification on small datasets / Thalita Firmo Drumond (2020)Permalink