INDEXATION des IMAGES satellitaires. Marine Campedel
|
|
- Vincent Giroux
- il y a 8 ans
- Total affichages :
Transcription
1 INDEXATION des IMAGES satellitaires Marine Campedel
2 Plan du cours Indeer? Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
3 Plan du cours Indeer? Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
4 Eemple participatif : que voyez vous?
5 Eemple participatif : que voyez vous?
6 Eemple participatif : que voyez vous?
7 Indeer? Indeer = etraire une information synthétique des images afin de faciliter l'accès à leur contenu domaines scientifiques concernés : fouille de données (data mining), classification, ingénierie des connaissances, vision artificielle, SGBD,... information = élément susceptible d'être codé pour être conservé, traité, communiqué inde = clé d'accès à l'information contenue dans l'image
8 Définitions Catalogue : Eploitation de données globales sur le document visuel, indépendantes du contenu Classification : Eploitation d une caractéristique globale du document visuel Indeation Eploitation d une analyse fine du contenu du document visuel
9 Quelques chiffres (images diverses) INA ( : h d'émissions TV et radio à télécharger, archivage de toutes les émissions Google ( > 2 milliards d'images indeées et maintenant vidéos, films Flickr ( : partage de photos personnelles (annotations collaboratives) : photos et vidéos de plus de 50 éditeurs de banques de photographies, d'images et de séquences vidéo, ainsi que des cliparts, illustrations et cartes géographiques Musées nationau ( : fonds de images d'art ( numérisées) Images médicales ( : images spécialisées
10 Quelques chiffres (images satellitaires) SPOT envoie chaque jour 100Go d images > tera par jour 2002, CNES
11 pourquoi indeer? Conservation d un patrimoine (culturel, scientifique, ) indeer pour retrouver, trier Valorisation en facilitant l accès et l eploration indeer pour connaître Eploitation commerciale (photos numériques, TV numérique, ) indeer pour vendre des services
12 Les difficultés majeures de l'indeation "Fossé sémantique" : comment accéder à/coder une information visuelle? Spécificité des images : optique, radar Diversité des formats des images panchromatique, spectrales Grande taille des bases de données => vers une automatisation des procédés Comment eploiter des informations associées («multimodalité»)?
13 Quelle est l'information?
14 Quelle est l'information?
15 Quelle est l'information?
16 Quelle est l'information?
17 Quelle est l'information?
18 Quelle est l'information? Il s agit d une composition colorée multitemporelle du radar à synthèse d ouverture ASAR (Advanced Synthetic Aperture Radar). Elle est composée de trois images ASAR IMP acquises le 23 février 2003 (affectation couleur RVB= rouge), le 17 août 2003 (affectation couleur RVB= vert) et le 4 mai 2003 (affectation couleur RVB= bleu).
19 Imagerie satellitaire l'information d'intérêt dépend de l'application visée du niveau de connaissance de celui qui regarde l'image
20 Imagerie satellitaire Diversité des données Nombreu satellites (>5000 lancés depuis 1957) Géostationnaires ou non Satellites optiques / radar Diversité des applications Télécommunications, météo, TV Télédétection
21 Satellite de télédétection But scientifique océans, manteau neigeu, sècheresse,... But économique observation des ressources naturelles, agriculture, urbanisation But militaire stratégique
22 Plan du cours Indeer? Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
23 Acteurs professionnels Utilisateurs des images = les photo-interprètes Annotation tetuelle, mesures, formalisation avec des cartes,... Méthodologie? A partir de quelles données? Quel vocabulaire employer? Par quel bout prendre l'image?
24 Acteurs professionnels Les fournisseurs d'images = les agences spatiales CNES, DLR, ESA,... Spot Image Spot Image is a world leader in the supply of geographic information derived from satellite imagery Les acteurs académiques France : INRIA, CNRS, CoC... beaucoup d'autres laboratoires ailleurs...
25 Competence Center on Information etraction and Image Understanding for Earth Observation (CNES/DLR/ENST) Indeation Information Teturale/Géométrique/Spectrale, Etraction et sélection d'attributs, Attributs locau ou distribués, Codage des attributs, Échelle et résolution Notion d'échelle caractéristique, Prédiction des caractérisations des objets pour une résolution nouvelle, Organisation de l'information Classification supervisée ou non (fouille), Détection d'objets, Taonomie/Ontologie, Analyse sémantique, Interaction avec l'utilisateur Apprentissage des requêtes par l'eemple, Boucle de pertinence, Apprentissage/désapprentissage actif, Modélisation de l'utilisateur, Séquences temporelles Compression et indeation à l'aide des mêmes attributs, Segmentation, Détection d'événements, Masse de données (ingénierie) Gestion des images et informations etraites, Choi d'un SGBD, Etude du passage des algorithmes de traitement à une grande quantité de données,
26 Plan du cours Indeer? Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
27 Quelques dates 1980 : Annotation tetuelle des images 1990 : Indeation par la couleur, la forme et la teture 1993 : Requête en utilisant la similarité des images 1997 : Requête par images eemplaires et mesure de la pertinence (relevance feedback) 2000 : apprentissage sémantique et adaptation à l utilisateur Enjeu actuels : annotation interactive, formalisation de la connaissance (ontologies), grosses bases de données (problèmes de stockage, de vitesse d accès, ), données hétérogènes,
28 Comment interroger une base d'images? Diversité des approches Les systèmes imposent des types de requête : Requêtes tetuelles Requête à partir d'image(s) eemplaire(s) Recherche à partir du tete associé (titre par eemple) Recherche d une image dans une base (localiser) Recherche d images similaires à une image eemplaire Recherche d images similaires à des images eemples et dissimilaires à d autres Recherche d images contenant une région de l image eemplaire
29 Comment indeer/interroger des images? Point de vue «utilisateur» dépend du type de requêtes (bases ouvertes ou spécialisées, requêtes catégorielles ou eactes) Point de vue epert «Traitement du signal» A partir du tete (requêtes tetuelles) Par le contenu (requêtes par l'eemple) Point de vue epert «Informatique» Problème de représentation des connaissances (ontologies) Problème de stockage des connaissances (bases de données)
30 Indeation d images à partir du tete
31 Indeation d images à partir du tete ROME (AFP), :10:52 L'Italienne Clementina Cantoni arrive vendredi 10 juin sur le sol italien après 25 jours de détention en Afghanistan
32 et pour les images satellitaires? Image SPOT 5 Aéroport CDG1 et CDG2 Peu/pas de tete dans l'image donc annotation manuel CNES
33 Eemple d'annotation zone urbaine forêt nuage (ombre) CNES champs
34 Eemple d'annotation réseau routier zone industrielle zone pavillonnaire
35 Difficulté d annoter Richesse des images Dépend du niveau de connaissance de celui qui regarde l'image Variété des contenus (objets d'intérêts nombreu) Variété des types d image (résolutions, panchromatiques ou spectrales,...) Annoter / fouiller l image Processus temporel
36 Indeation d images à partir du tete Avantages : eploite les outils d indeation tetuelle, prise en compte plus aisée des aspects sémantiques. Inconvénients : vocabulaire limité (dépend de la langue) difficultés de l annotation : définition du vocabulaire, temps d annotation >> temps réel, subjectivité, etc.
37 Corine Land Cover Surfaces artificielles Surfaces cultivées Forêts et espaces semi naturels Surfaces humides eau Usine urbaine Transports Réseau routiers Ports Aéroports
38 Plan du cours Indeer? Historique Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
39 Analyse automatique du contenu uman Centered Concepts r Eploration and nderstanding of Satellite ages (Datcu et al. 2004)
40 Difficulté : variété des éléments à repérer L'indeation doit permettre de retrouver : Des objets localisés Bâtiments, rond-points, chars, Échelles variées Des éléments géométriques répartis sur l image Aes routiers, fluviau Des zônes d'intérêt forêt, champs, villes, mer,...
41 Indeation par le contenu : principe (1/2) Images Etraction de caractéristiques Sélection de caractéristiques Requêtes utilisateur Caractéristiques Caract.+ étiquettes Organisation (apprentissage supervisé/ non supervisé) Modèles Modèles étiquetés
42 Principe (2/2) Off-line : production d inde issus de l analyse du contenu des images Etraction de caractéristiques pertinentes Réduction de la dimension Organisation par classification On-line : gestion des requêtes d un utilisateur «Gap sémantique» Relevance feedback
43 Feedback utilisateur Images Etraction de caractéristiques Requêtes utilisateur Sélection de caractéristiques Caractéristiques Caract.+ étiquettes Organisation Modèles Modèles étiquetés
44 Etraction de caractéristiques Caractéristiques : Spécifiques : points saillants (Harris, Deriche,...), minuties, SIFT,... Générales : couleur, teture, forme Combinaisons : descripteurs locau autour de des points caractéristiques (gradients, ondelettes,...) Globale ou locale : Blocs arbitraires, segmentation, information topologique
45 Etraction de caractéristiques Problème de représentation Caractéristiques numériques, symboliques, graphes, Invariances Translation, rotation, homothétie, colorimétrie déformations : taille, cadrage, masquage, perspective, contraste, éclairage, vieillissement toujours nécessaires? Quelles caractéristiques choisir?
46 Caractéristiques spectrales «couleur» Stéphane Lhomme phd 2005 Identification du bâti à partir d'images satellitaires à très hautes résolutions spatiales
47 Caractéristiques spectrales «couleur» Italy SPOT- VGT NDVI eample (ecerpt from Europe map, 21 Dec 2004)
48 Caractéristiques teturales Applications pour des régions teturées telles que : la forêt, la ville, la mer, le désert, les champs,... Eemples de caractéristiques : statistiques issues de filtrage par des ondelettes de Gabor ou autres ondelettes, matrices de cooccurrence (Haralick),...
49 Caractéristiques teturales Classification d'imagettes de tetures : ville, forêt, champs, mer, désert et nuage 600 images (SPOT) par classe Résultat : SVM gaussien, erreur moyenne de 1.4% ± 0.4% (147 attributs,validation croisée) Vraie\Prédite %reconnaissanc e ville ville 98.8 nuage 0 désert 0 champs 0.5 forêt 0 mer 0 nuage désert champs forêt mer
50 Caractéristiques géométriques Adaptées à la détection des : routes, bâti,... images sub-métriques : objets ponctuels Caractéristiques géométriques Détection de contours, de lignes Paramètres de formes Points caractéristiques
51 Routes et réseau Détection d'alignements (méthodes variées) A. Bhattacharya, phd INRIA/ENST, 2007
52 Matching d'objets Approche par points caractéristiques SIFT (Scale Invariant Feature Transform) Lowe, 2004 invariance par échelle, rotation, point de vue, conditions d'éclairage Etraction des points caractéristiques etrema locau dans le «scale-space» Filtrage des points caractéristiques critère de stabilité, seuillage du contraste,... Descripteurs associées au points caractéristiques histogramme local des orientations du gradient Application : Plus proches voisins + transformée de Hough
53 SIFT : Détection des points caractéristiques Etrait de «Distinctive Image Features from Scale Invariants Keypoints» Lowe, IJCV, 2004
54 SIFT : Détection des points caractéristiques
55 SIFT : Caractérisation des points caractéristiques
56 SIFT : illustration de mise en correspondance Robustesse des descripteurs (J. Rabin )
57 Comparaison d'images Comparer deu images == comparer leurs attributs Similarité visuelle?=? similarité des attributs
58 Images et notion de similarité
59 Images similaires?
60 Images similaires?
61 Images similaires? Arriège SPOT 5 Angers SPOT 5 Zhongdong SPOT 5
62 Similarité mathématique Deu images seront comparées par l intermédiaire des caractéristiques etraites Sim( Im1, Im2 ) = Sim( f(im1), f(im2) ), avec f la fonction d etraction des caractéristiques Mesures de similarités, distances (A) s(, ) = s( y, y ) > s(, y ) (B) s(, y ) = s( y, ) (C) d(, ) = 0 (D) d(,y) = 0 = y (E) d(, y) <= d(,z) + d(z,y) (F) d(,y) <= ma( d(,z), d(z,y) ) similarit é dissimila rité distance Ultramétrique
63 Similarité mathématique Distance euclidienne Distance euclidienne généralisée Malahanobis Chi2 Similarité en cosinus Combinaisons linéaires de similarités (ou distances)
64 Similarité de l information Comparaison des caractéristiques après une transformation Φ «Truc du noyau» K(,y) = < Φ(), Φ(y)>, K semi-defini positif D(,y) = <,> + <y,y> -2<,y> devient D(Φ(), Φ(y) ) = K(,) + K(y,y) -2K(,y) Intérêt : la spécification de K définit implicitement Φ Intensivement utilisé pour ACP, la discrimination de Fisher, la classification SVM,
65 Indeation par le contenu : principe (1/2) Images Etraction de caractéristiques Sélection de caractéristiques Requêtes utilisateur Caractéristiques Caract.+ étiquettes Organisation (apprentissage supervisé/ non supervisé) Modèles Modèles étiquetés
66 Sélectionner les attributs Pourquoi? Réduire les données à stocker Analyser l'intérêt des caractéristiques à disposition Comment? Eploitation de la redondance Les outils Élimination du bruit algorithmes supervisés ou non filter / wrapper
67 Caractéristiques teturales Classification d'imagettes de tetures : ville, forêt, champs, mer, désert et nuage 600 images (SPOT) par classe Résultat : SVM gaussien, erreur moyenne de 1.4% ± 0.4% (147 attributs,validation croisée) Vraie\Prédite %reconnaissanc e ville ville 98.8 nuage 0 désert 0 champs 0.5 forêt 0 mer 0 nuage désert champs forêt mer
68 Sélectionner les attributs [Campedel 06] Tetures SPOT 5
69 Organisation de l'information SGBD Classification des informations supervisée ou non permet d'accéder à l'information recherchée par raffinements successifs Méthode automatique : par apprentissage à partir d'eemples
70 Organisation de l'information IEEE trans. on knowledge and data engineering, vol14, no 5, sept/oct 2002
71 Organisation de l information Classification supervisée : données X (caractéristiques) et label Y Coût d'obtention des Y? Eemples : kppv, SVM, Bayes, arbres de décision (C45.1) Évaluation d une classification : Décompte des erreurs Validation croisée
72 Organisation de l information Clusterisation : données X Partitionnement : kmeans Hiérarchique : arbres Minimiser la distance intra-classes et maimiser la distance inter-classes Évaluation : pas évidente Estimation du nombre de clusters : indees de Calinsky, Davies Bouldin, Dunn, MDL Mesure de la qualité? Comparaison : information mutuelle,...
73 Plan du cours Indeer? Historique Acteurs de l'indeation d'images satellitaires Comment indeer? Indeation par le contenu Évaluation d'un système d'indeation
74 Évaluation Critères objectifs/subjectifs? Mesures objectives sur bases de données étiquetées : Courbes ROC, aire sous la courbe ROC (AUC), eploitation du rang (cf MPEG 7) Évaluation et eploitation par un utilisateur boucle de pertinence ou «relevance feedback»
75 Évaluation objective : Rappel/Précision Source : précision = documents trouvés documents sélectionnés rappel = documents trouvés documents pertinents
76 Évaluation objective : courbes Rappel/Précision Graphe de rappel-précision calculé en faisant varier le nombre de documents sélectionnés nécessite une base étiquetée Tous les documents sélectionnés sont pertinents mais silence important et Tous les documents pertinents sont sélectionnés mais bruit important
77 Évaluation objective : eemple Ding-Yun Chen, Xiao-Pei Tian, Yu-Te Shen and Ming Ouhyoung, "On Visual Similarity Based 3D Model Retrieval", Computer Graphics Forum (EUROGRAPHICS'03), Vol. 22, No. 3, pp , Sept. 2003
78 Évaluation objective : eploitation du rang Eploitation du rang de récupération Critère de validation de MPEG7 (Motion Picture Epert group, normalisé en 2001) Rank*(k) = rang(k) si < K(q), 1.25K sinon AVR(q) : moyenne des rangs MRR(q) = AVR(q) 0.5( 1 + NG(q) ) NMRR(q) = MRR(q) / ( 1.25K 0.5(1+NG(q)) ) Critère final : moyenne des NMRR Notations : q = 1 requête ; k = une image pertinente pour la requête ; NG(q) nombre d images pertinentes pour la requête ; K limite de rang acceptable
79 Évaluation par un utilisateur Défaut majeur des systèmes standards : l utilisateur doit s adapter au système Caractéristiques etraites automatiquement non intuitives Fossé entre la formulation des requêtes et le codage de l information etraite Nécessité d adapter le système à l utilisateur Apprentissage : requêtes, mesures de similarités
80
81
82
83
84
85
86
87
88 Le système KIM : Knowledge Image Mining
89 Google Map / Google Earth Service Superposition carte et image : visualisation plus aisée des lieu, trajets Navigation sur la planète Révolutionnaire? techniquement non (pas d'analyse du contenu) applicativement oui Outil -> accessibilité des images satellitaires archivées par le National Geographic
90 Imagerie satellitaire : services couplés
91 Imagerie satellitaire : services
92 Conclusion Indeation/fouille automatique des bases d'images satellitaires : problème non résolu, mais il eiste déjà quelques eploitations commerciales de ces images Eperts issus de domaines variés (informatique, traitement de l image, psycho-vision, apprentissage machine, ) travaillent ensemble Aes à étudier simultanément : Techniques d analyse d image donc d etraction et de comparaison de l information Pertinence de l information pour un utilisateur
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailLIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés
LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailPrédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8
Prédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8 Christine TURCK 1 * et **, Christiane WEBER**, Dominique THOME*
Plus en détailRESERVOIR MONITORING A PARTIR D IMAGES SATELLITES APPLICATIONS POUR LES ACTIVITÉS AMONT DE SONATRACH EN ALGÉRIE
RESERVOIR MONITORING A PARTIR D IMAGES SATELLITES APPLICATIONS POUR LES ACTIVITÉS AMONT DE SONATRACH EN ALGÉRIE Johanna GRANDA (1), Alain ARNAUD (1) et Azzédine BOUDIAF (2) (1) ALTAMIRA INFORMATION S.L.,
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE
ESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE Session découverte La Gestion des photos avec Windows Vista / Windows 7 et le traitements d images numériques 1 Généralités sur le jargon de l image numérique
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailCouplage d une base de données documentaire à une visualisation interactive 3D sur l Internet
Couplage d une base de données documentaire à une visualisation interactive 3D sur l Internet Romain Raffin, Jean-luc REY Aix-Marseille Université Plate-forme technologique PRISM Iut d Aix-Marseille romain.raffin[at]univ-amu.fr
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailTraitement d Images Satellitaires
Traitement d Images Satellitaires S4 Mathieu Fauvel Ecole Nationale Supérieure Agronomique de Toulouse & Institut National Polythechnique de Toulouse TA B L E D E S M AT I È R E S 1 présentation 1 1.1
Plus en détailRecherche bibliographique
Séminaire «Maîtrise de l information scientifique» Recherche bibliographique Dernière mise à jour : 07/01/2015 - Auteur : Frédérique Flamerie Recherche bibliographique : méthode & outils La recherche bibliographique
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailTélédétection et Traitement d'images des Iles de Polynésie Française
Télédétection et Traitement d'images des Iles de Polynésie Française Equipe télédétection Benoît Stoll MCF 61 à l'upf depuis sept 2001 Sébastien Chabrier MCF 27/61 à l'upf depuis sept 2007 Patrick Capolsini
Plus en détailSillage Météo. Notion de sillage
Sillage Météo Les représentations météorologiques sous forme d animation satellites image par image sont intéressantes. Il est dommage que les données ainsi visualisées ne soient pas utilisées pour une
Plus en détailCycle de vie, processus de gestion
Les données scientifiques au CNES Cycle de vie, processus de gestion Danièle BOUCON Réunion PIN du 4 janvier 2013 Réunion PIN du 22 mars 2012 Outils CNES Contexte des données scientifiques au CNES SOMMAIRE
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailProspective: Champ de gravité, méthodes spatiales
Prospective: Champ de gravité, méthodes spatiales Richard Biancale Conseil Scientifique du GRGS Observatoire de Paris, 10 avril 2008 L état de l art des modèles CHAMP: modèles 50 fois moins précis que
Plus en détailUtilisation du SIG dans une entreprise industrielle pour l analyse et la prise de décision
309 Schedae, 2007 Prépublication n 47 Fascicule n 2 Utilisation du SIG dans une entreprise industrielle pour l analyse et la prise de décision Mohamed Najeh Lakhoua UR : Système, Énergétique, Productique
Plus en détailObject detection in underwater images
Object detection in underwater images Sébastien Helan (1), Jean-Christophe Burie (1), Thierr Bouwmans (1), Stéphane Bazeille (2) (1) Laboratoire L3i, Université de La Rochelle, 17042 La Rochelle Cede 1,
Plus en détailSauvegarde collaborative en pair-à-pair
Sauvegarde collaborative en pair-à-pair Fabrice Le Fessant Fabrice.Le_Fessant@inria.fr ASAP Team INRIA Saclay Île de France Octobre 2008 Fabrice Le Fessant () Backup en pair-à-pair Rennes 2008 1 / 21 Plan
Plus en détailChristophe SANNIER christophe.sannier@sirs-fr.com
Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010
Plus en détailAccès aux données Sentinelles
Accès aux données Sentinelles Hervé Jeanjean - CNES Ministère de l'écologie, du Développement durable, et de l Énergie www.developpement-durable.gouv.fr Contexte Un changement de paradigme majeur Big data
Plus en détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailJoint AAL Information and Networking Day. 21 mars 2012
Joint AAL Information and Networking Day 21 mars 2012 Présentation TéSA a pour objet : la mise en commun de moyens permettant de : rassembler et accueillir des doctorants ou post-doctorants dont les thèses
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailVISUALISATION DE NUAGES DE POINTS
ARNAUD BLETTERER MULTI-RÉSOLUTION 1/16 VISUALISATION DE NUAGES DE POINTS MULTI-RÉSOLUTION AU TRAVERS DE CARTES DE PROFONDEUR Arnaud Bletterer Université de Nice Sophia Antipolis Laboratoire I3S - Cintoo
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailCodage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
Plus en détailISTEX, vers des services innovants d accès à la connaissance
ISTEX, vers des services innovants d accès à la connaissance Synthèse rédigée par Raymond Bérard, directeur de l ABES, à partir du dossier de candidature d ISTEX aux Initiatives d excellence et des réunions
Plus en détailL évaluation d algorithmes d analyse vidéo Quelques pistes
L évaluation d algorithmes d analyse vidéo Quelques pistes Jean-François GOUDOU 1, Louise NAUD 1, Laurent GIULIERI 2, Jaonary RABARISOA 3, Olivier PIETQUIN 4, Dana CODREANU 5, Dijana PETROVSKA 6 1 THALES
Plus en détailAntoine Masse. To cite this version: HAL Id: tel-00921853 https://tel.archives-ouvertes.fr/tel-00921853v2
Développement et automatisation de méthodes de classification à partir de séries temporelles d images de télédétection - Application aux changements d occupation des sols et à l estimation du bilan carbone
Plus en détailInstrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos
Instrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos Laurent Veillard UMR ICAR (CNRS, Université Lyon 2, ENS de lyon)
Plus en détailApplication de technologies innovantes pour la gestion des ressources en eau
Application de technologies innovantes pour la gestion des ressources en eau Ir. V. TIGNY and Ir. C. Adriaensen GIM nv/sa Presentation GIM Jeudis de l'aquapôle - 01/12/2011 1 Sommaire 1. GIM 2. Technologies
Plus en détailLe drone en forêt : Rêve ou réalité de performance?
Le drone en forêt : Rêve ou réalité de performance? Denis Cormier, ing.f., M.Sc. et Udaya Vepakomma, PhD Colloque 2015, Ass. forestière Vallée du St-Maurice 5 mai 2015, Golf Le Mémorial, Shawinigan Agenda
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailCOURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES
COURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 4 : Modélisation non-supervisée
Plus en détailÉvolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses
Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique
Plus en détailL accès aux données spatiales au profit des applications satellitaires
L accès aux données spatiales au profit des applications satellitaires Le projet Geosud Pierre Maurel, coordinateur du projet GEOSUD Journée du CINES Montpellier, 9 juin 2015 1 Projet GEOSUD Des financements
Plus en détailProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection
ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data
Plus en détailLUT QU EST-CE QUE C EST? Version 1.0 Mars 2010
A1 BOX DOCUMENT TECHNIQUE LUT QU EST-CE QUE C EST? Version 1.0 Mars 2010 LUT veut dire Look Up Table, en francisant, table de conversion. Il en existe de différents degrés de complexité, dont les deux
Plus en détailConfiguration et optimisation d'arcgis Server Gaëtan LAVENU ESRI France Sylvain BARD-MAÏER ESRI France
Configuration et optimisation d'arcgis Server Gaëtan LAVENU ESRI France Sylvain BARD-MAÏER ESRI France UC 2007 Tech Sessions 1 Plan de la présentation Introduction Organiser et gérer ses données Concevoir
Plus en détailIntroduction à Business Objects. J. Akoka I. Wattiau
Introduction à Business Objects J. Akoka I. Wattiau Introduction Un outil d'aide à la décision accès aux informations stockées dans les bases de données et les progiciels interrogation génération d'états
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailExtraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic
Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Jérôme Palayret 1,2, Auréline Quatrehomme 1,2, Denis Hoa 1, William Puech 2 IMAIOS,
Plus en détailIntroduction aux systèmes temps réel
Introduction aux systèmes temps réel Frank Singhoff Bureau C-203 Université de Brest, France LISyC/EA 3883 singhoff@univ-brest.fr UE applications de l informatique, Université de Brest Page 1/22 Plan du
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailSPOT4 (Take 5) : Sentinel-2 avec deux ans d avance
SPOT4 (Take 5) : Sentinel-2 avec deux ans d avance Olivier Hagolle Mercredi 6 février 2012 Sentinel-2 : révolution du suivi de la végétation par télédétection 13 bandes spectrales, résolution 10m à 20m,
Plus en détailAMTEC RESOURCES MANAGEMENT LTD. CREATION D UNE BANQUE DE DONNEES DONNEES GEOSPATIALES NATIONALE
AMTEC RESOURCES MANAGEMENT LTD. CREATION D UNE BANQUE DE DONNEES GEOSPATIALE CREATION A D UNE L ECHELLE BANQUE NATIONAL DE DONNEES GEOSPATIALES NATIONALE 1 AMTEC RESOURCES MANAGEMENT LTD. P O Box 3463
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailReconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailVoyagez! Photographiez! Géolocalisez! Partagez! Echangez! Avec i-gotu, découvrez une nouvelle façon de des faire des photos et des les partager!
Voyagez! Photographiez! Géolocalisez! Partagez! Echangez! Avec i-gotu, découvrez une nouvelle façon de des faire des photos et des les partager! i-gotu GPS Data Logger Nous avons tous vécu l anecdote suivante.
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailQuels apprentissages info-documentaires au collège?
Quels apprentissages info-documentaires au collège? Quel cadre? Quels apprentissages associés? 1983 : Éducation aux médias (EAM) 1986 : Initiation à la recherche documentaire (IRD) 2003 : Information-Documentation
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailQualité des données marketing et commerciales : Facteur clé de votre CRM
Qualité des données marketing et commerciales : Facteur clé de votre CRM Par Michel Frachat CRM Partner - Avril 2007 Ce document est en libre téléchargement sur : www.crmpartner.fr CRM Partner est un label
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailAnalyse des bruits de clavier d ordinateur
Analyse des bruits de clavier d ordinateur Introduction 1 Enregistrement des bruits de clavier 2 Analyse des bruits de clavier 3 Analyse du niveau de pression acoustique vs. temps 4 Sonie vs. temps 4 Acuité
Plus en détail