Techniques de post-classification pour la détection de changements Techniques et algortihmes pour les séries d images multi-temporelles
|
|
- Gilles Lebel
- il y a 7 ans
- Total affichages :
Transcription
1 Techniques de post-classification pour la détection de changements Techniques et algortihmes pour les séries d images multi-temporelles GdR ISIS / CNES CCT Traitement du Signal et des Images le 7 juin 2012 Grégoire Mercier avec Bassam Abdel Latif et ZhunGa Liu TELECOM Bretagne gregoire.mercier@telecom-bretagne.eu
2 Contexte de la détection de changements par post-classification Position du problème Soit une série d images : I t1, I t2,..., I tn (recalées) Les images sont classifiées globalement ou individuellement : C t1, C t2,..., C tn Chaque image classifiée continent K t classes... Chaque pixel est caractérisé par une évolution : C k1 ;t 1 C k2 ;t 2... C kn ;t N La séquence C k1 ;t 1... C kn ;t N représente-t-elle un changement ou une situation stable? page 2 G Mercier et al. Techniques de post-classification pour la détetion de changements
3 Contexte de la détection de changements par post-classification Les problèmes du problème Comment faire l association des classses (similaires) d une date à une autre? C k;t1 = C l;t2? Comment faire l association entre les classes si les images sont hétérogènes et/ou si les classifieurs sont différents? C k;t1 C k;t2? Comment comparer les classes si K t évolue au cours du temps? C KN ;t N =? Quel changement est-il le plus important entre C k1 ;t 1 C k2 ;t 2 ou C k1 ;t 1 C k3 ;t 2 page 3 G Mercier et al. Techniques de post-classification pour la détetion de changements
4 Contents Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement 1 Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement 2 3 page 4 G Mercier et al. Techniques de post-classification pour la détetion de changements
5 La carte de Kohonen Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement Propriétés de la carte de Kohonen Réseau de neurones à une couche complètement connectée. Peut être entraînée de façon supervisée ou non supervisée Correspond à une transformation non linéaire R n = R, R 2 or R 3 Visualisation (réduction de dimension) Compression Les neurones voisins une valeur (poids synaptique) similaire Self-Organizing Map (SOM) Classification (son effet est similaire à une classification par K-means) page 5 G Mercier et al. Techniques de post-classification pour la détetion de changements
6 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
7 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
8 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
9 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
10 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
11 Entraînement d une carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Initialization aléatoire des neurones (c m) Un échantillon d entraînement x est choisi aléatoirement. On cherche le neurone gagnant c mx le plus proche x : x c mx = min x cm m {1,...,M} Mise à jour de poids synaptique du neurone gagnant et de son voisinage sur la carte : c m(t + 1) = c m(t) + h m,mx (t)[x(t) c m(t)] Répétition jusqu à convergence... page 6 G Mercier et al. Techniques de post-classification pour la détetion de changements
12 Classification du parcours de changement Utilisation d une carte de kohonen Classification du parcours de changement Evolution des neurones gagnants La suite d images I 1 I 2 I N devient pour chaque pixel mais aussi c mx1 c mx2 c mxn (i, j) 1 (i, j) 2 (i, j) N Une seule carte valable pour toute les dates (le classifieur est identique pour toutes les dates) page 7 G Mercier et al. Techniques de post-classification pour la détetion de changements
13 Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement Classification du parcours de changement 1) Suivre l e volution des indices (2 a 2) sur la carte Distance des indices, I0 vs. I1 page 8 G Mercier et al. Distance des indices cumule e (I0 /I1, I1 /I2, I2 /I3 ) Techniques de post-classification pour la de tetion de changements
14 Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement Classification du parcours de changement 2) Classification des indices (i, j)n sur la carte Re-classification des indices (i, j)n des neurones gagnants... par une carte de Kohonen. (a) Image des indices de classe (cf. type de rotation culturale) (b) Image de l activation des classes correspondantes Dans l image (b), les pixels clairs repre sentent les classes tre s fre quentes, les sombles sont plus exceptionnels (cf. changement ou anomalie par rapport aux rotations culturales usuelles?) page 9 G Mercier et al. Techniques de post-classification pour la de tetion de changements
15 Classification du parcours de changement Par la carte de Kohonen Utilisation d une carte de kohonen Classification du parcours de changement Bilan La préservation topologique permet de prendre en compte la ressemblance entre les classes (et les indices de classe) Facilite l analyse des parcours de changements La classification des indices et l utilisation de la carte d activation permet de distinguer les évolutions normales (fréquences) des évolutions anormales (exceptionnelles). Détection d anomalie? Mais une seule carte est définie pour une série temporelle complète Exhaustivité a priori de la classification de la série Exclusivité des classes (malgré la proximité des classes similaires) page 10 G Mercier et al. Techniques de post-classification pour la détetion de changements
16 Contents Parcours de changements 1 Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement 2 3 page 11 G Mercier et al. Techniques de post-classification pour la détetion de changements
17 sur les classes Deux classes Θ = {θ 1, θ 2 } P (Θ) = 2 Θ = {θ 1, θ 2, {θ 1, θ 2 }, } Trois classes Θ = {θ 1, θ 2, θ 3 } P (Θ) = 2 Θ = {θ 1, θ 2, θ 3, {θ 1, θ 2 }, {θ 1, θ 3 }, {θ 2, θ 3 } {θ 1, θ 2, θ 3 }, } Masses Une fonction de masse m( ) est définie à partir de sous-ensembles de Θ: m( ) : 2 Θ [0, 1] m( ) = 0, A 2 Θ m(a) = m(a) = 1. A Θ page 12 G Mercier et al. Techniques de post-classification pour la détetion de changements
18 sur les classes La Croyance La Plausibilité Bel(A) = B A m (B) Pl(A) = m (B) A B A Θ A Θ page 13 G Mercier et al. Techniques de post-classification pour la détetion de changements
19 sur les classes Fusion par la règle de Dempster et Shafer Idée: Normaliser le consensus conjonctif A P (Θ), A Θ, m( ) = 0 m(a) = m 1 m 2 (A) = 1 m 1 (B)m 2 (C) 1 K B C=A Où K représente le conflit entre les sources S 1 et S 2. K = m 1 (B)m 2 (C) B C= page 14 G Mercier et al. Techniques de post-classification pour la détetion de changements
20 et paradoxal sur les classes Cadre de discernement généralisé (théorie de Dezert-Smarandache) : Si Θ = {θ 1, θ 2} 2 Θ = {θ 1, θ 2, θ 1 θ 2} D Θ = {θ 1, θ 2, θ 1 θ 2, θ 1 θ 2} En général A, B D Θ, A B D Θ et A B D Θ θ 1 θ 2 θ 1 θ 2 θ 1 θ 2 page 15 G Mercier et al. Techniques de post-classification pour la détetion de changements
21 et paradoxal sur les classes Fusion par la DSmT Il n y a plus de conflit K dans la DSmT! Le conflit est transféré à la combinaison des masses du type m( ) Définition: C D Θ m(c) = [m 1 m 2 ](C) = m 1 (A)m 2 (B) A,B D Θ A B=C page 16 G Mercier et al. Techniques de post-classification pour la détetion de changements
22 et paradoxal sur les classes Fusion avec un modèle libre m (θ 1) m (θ 1 θ 2) m (θ 1 θ 2 θ 3 ) m (θ 2) m (θ 1 θ 3) m (θ 2 θ 3) m (θ 1 θ 3) m (θ 2 θ 3) m (θ 3) page 17 G Mercier et al. Techniques de post-classification pour la détetion de changements
23 et paradoxal sur les classes Fusion avec un modèle hybride m (θ 1) m (θ 1 θ 3) m (θ 1 θ 2) m (θ 2) m (θ 3) page 18 G Mercier et al. Techniques de post-classification pour la détetion de changements
24 et paradoxal sur les classes Fusion avec un modèle hybride m (θ 1) m (θ 1 θ 2) m (θ 2) m (θ 3) page 18 G Mercier et al. Techniques de post-classification pour la détetion de changements
25 Fusion Multitemporelle Parcours de changements Les problèmes de la DST et DSmT dans le contexte temporel Le conflit n est pas révélateur du changement! Une nouvelle classe? (cf. Exhaustivité) Une orientation temporelle? A B ne représente pas une transition de type A B ou B A page 19 G Mercier et al. Techniques de post-classification pour la détetion de changements
26 Fusion Multitemporelle Parcours de changements Notion temporelle Définition d un opérateur de changement ( ) ayant les propriétés suivantes Transition impossibles (forward) A Transition impossible (backward) A Distribution de par rapport à idem pour (A B) C = (A C) (B C) Distribution de par rapport à idem pour A (B C) = (A B) (A C) Associativité (A B) C = A (B C) = A B C page 20 G Mercier et al. Techniques de post-classification pour la détetion de changements
27 Fusion Multitemporelle Parcours de changements Notations A B noté t A,B t A,B t B,A sauf si A = B t A,A = A A représente l absence de transition θ 1 θ 2 θ n est noté t 1,2,...,n θ i (θ j θ k ) est noté t i,j k page 21 G Mercier et al. Techniques de post-classification pour la détetion de changements
28 Parcours de changements Cadre de discernement dynamique Contexte général Θ 1 n = Θ 1 Θ 2... Θ n = {t θ1,θ 2,...,θ n θ i Θ i, i = 1, 2,..., n} Plus simplement (Dans le contexte DS) n {}}{ Tn Θ = 2 Θ 1 n = 2 Θ Θ... Θ Définition de l incertain (opérateur sur Θ 1 n) t X, t Y T Θ n, t X t Y = t X Y. Conséquence t 1,2 t 2,1 = t (1,2) (2,1) t (1 2),(2 1) = t (1,2) (1,1) (2,2) (2,1) page 22 G Mercier et al. Techniques de post-classification pour la détetion de changements
29 Parcours de changements Définitions de base Croyance Plausibilité Probabilité pignistique Bel(A) = Pl(A) = A,B T Θ n ;B A m(b) A,B T Θ n ;A B m(b) #(A B) BetP(A) = m(b) #(B) A,B Tn Θ,A B page 23 G Mercier et al. Techniques de post-classification pour la détetion de changements
30 Parcours de changements Règles de combinaison Pour le modèle libre t θ1,θ 2 T Θ 2, m 1 2(t θ1,θ 2 ) = m 1(θ 1)m 2(θ 2) Et plus généralement pour n sources t θ1,θ 2,...,θ n T Θ n, m 1 n(t θ1,θ 2,...,θ n ) = m 1(θ 1)m 2(θ 2) m n(θ n) page 24 G Mercier et al. Techniques de post-classification pour la détetion de changements
31 Parcours de changements Règles de combinaison Exemple : combinaison de 3 sources à 2 hypothèses simples Θ = {θ 1, θ 2} Combinaison par DSmT : Combinaison par DERf : θ 1 θ 2 θ 1 θ 2 m m m θ 1 θ 2 θ 1 θ 2 θ 1 θ 2 m t 1,2,2 t 1,2,1 2 t 1 2,2,1 2 t 1 2,2,2 m page 25 G Mercier et al. Techniques de post-classification pour la détetion de changements
32 Parcours de changements Règles de combinaison Exemple : combinaison de 3 sources à 2 hypothèses simples Θ = {θ 1, θ 2} Combinaison par DSmT : Combinaison par DERf : θ 1 θ 2 θ 1 θ 2 m m m θ 1 θ 2 θ 1 θ 2 θ 1 θ 2 m t 1,2,2 t 1,2,1 2 t 1 2,2,1 2 t 1 2,2,2 m page 25 G Mercier et al. Techniques de post-classification pour la détetion de changements
33 Parcours de changements Règles de combinaison Exemple : combinaison de 3 sources à 2 hypothèses simples Θ = {θ 1, θ 2} Combinaison par DSmT : Combinaison par DERf : θ 1 θ 2 θ 1 θ 2 m m m θ 1 θ 2 θ 1 θ 2 θ 1 θ 2 m t 1,2,2 t 1,2,1 2 t 1 2,2,1 2 t 1 2,2,2 m page 25 G Mercier et al. Techniques de post-classification pour la détetion de changements
34 Parcours de changements Règles de combinaison Exemple : combinaison de 3 sources à 2 hypothèses simples Θ = {θ 1, θ 2} Prise de décision θ 1 θ 2 θ 1 θ 2 m m m Bel( ) BetP( ) Pl( ) t 1,2, t 1,2, t 2,2, t 2,2, page 26 G Mercier et al. Techniques de post-classification pour la détetion de changements
35 Parcours de changements Règles de combinaison Pour le modèle contraint modèle hybride On étend a priori la définition de l ensemble vide : { M, } On note t A,B M = t une transition A B relativement à un modèle M qui interdit certaines combinaisons. La combinaison pas à pas est définie par : t n 1 Tn 1 Θ, θn 2Θn 2 Θ, t n Tn Θ, n 2 m 1 n 1 (t n 1 )m n(θ n) M t tn 1,θn = tn m 1 n (t n) = 1 K Conflit K = t tn 1,θn m 1 n 1 (t n 1 )m n(θ n) page 27 G Mercier et al. Techniques de post-classification pour la détetion de changements
36 Parcours de changements Règles de combinaison Pour le modèle contraint modèle hybride On étend a priori la définition de l ensemble vide : { M, } On note t A,B M = t une transition A B relativement à un modèle M qui interdit certaines combinaisons. La combinaison de n sources est donnée par : t n Tn Θ, et θ i 2 Θ, i = 1, 2,..., n m 1 n (t n) = m 1 (θ 1 ) m n(θ n) M t θ1,θ 2,...,θn = tn Conflit K = 1 K t θ1,θ 2,...,θn m 1 (θ 1 ) m n(θ n) page 27 G Mercier et al. Techniques de post-classification pour la détetion de changements
37 Parcours de changements Règles de combinaison Exemple de 2 sources par un modèle hybride Θ = {θ 1, θ 2 } M {t 1,2, t 2,2 } T Θ 2 = { M, t 1,1, t 2,1, t 1 2,1 } Conflit (temporel!) θ 1 θ 2 θ 1 θ 2 m m K = m 1(θ 1)m 2(θ 2) + m 1(θ 2)m 2(θ 2) = 0.2 page 28 G Mercier et al. Techniques de post-classification pour la détetion de changements
38 Parcours de changements Règles de combinaison Exemple de 2 sources par un modèle hybride Θ = {θ 1, θ 2 } M {t 1,2, t 2,2 } T Θ 2 = { M, t 1,1, t 2,1, t 1 2,1 } Conjonction θ 1 θ 2 θ 1 θ 2 m m m (t 1,1) = m 1(θ 1)m 2(θ 1) = 0.20 m (t 1,1 2) = m 1(θ 1)m 2(θ 1 θ 2) = 0.12 m (t 2,1) = m 1(θ 2)m 2(θ 1) = 0.30 m (t 2,1 2) = m 1(θ 2)m 2(θ 1 θ 2) = 0.18 page 28 G Mercier et al. Techniques de post-classification pour la détetion de changements
39 Parcours de changements Règles de combinaison Exemple de 2 sources par un modèle hybride Θ = {θ 1, θ 2 } M {t 1,2, t 2,2 } T Θ 2 = { M, t 1,1, t 2,1, t 1 2,1 } Combinaison DER DS θ 1 θ 2 θ 1 θ 2 m m m (t1,1) + m (t1,1 2) m(t 1,1) = = K m (t2,1) + m (t2,1 2) m(t 2,1) = = K page 28 G Mercier et al. Techniques de post-classification pour la détetion de changements
40 Parcours de changements Règles de combinaison Exemple de 2 sources par un modèle hybride Θ = {θ 1, θ 2 } M {t 1,2, t 2,2 } T Θ 2 = { M, t 1,1, t 2,1, t 1 2,1 } θ 1 θ 2 θ 1 θ 2 m m Contraintes d intégrité : t 1,2 M =, t 2,2 M = { t 1,1 2 = t 1,1 t 1,2 M = t 1,1 = t 1,1 t 2,1 2 = t 2,1 t 2,2 M = t 2,1 = t 2,1 page 28 G Mercier et al. Techniques de post-classification pour la détetion de changements
41 Parcours de changements Règles de combinaison Exemple de 2 sources par un modèle hybride Θ = {θ 1, θ 2 } M {t 1,2, t 2,2 } T Θ 2 = { M, t 1,1, t 2,1, t 1 2,1 } Combinaison DER DS θ 1 θ 2 θ 1 θ 2 m m m (t1,1) + m (t1,1 2) m(t 1,1) = = 0.40 = m (t 1,1) + m (t 1,1) 1 K m (t2,1) + m (t2,1 2) m(t 2,1) = = 0.60 = m (t 2,1) + m (t 2,1) 1 K page 28 G Mercier et al. Techniques de post-classification pour la détetion de changements
42 Contexte de la détection de changements Inondation Dans le cadre d une catastrophe majeure Inondation à Gloucester (octobre 2000) CNES SPOT 5 septembre 1999 SPOT 21 octobre 2000 page 29 G Mercier et al. Techniques de post-classification pour la détetion de changements
43 Contexte de la détection de changements Inondation Dans le cadre d une catastrophe majeure Inondation à Gloucester (octobre 2000) Changements temporels Θ 1 = {foret, végétation, sol nu1, sol nu 2} Θ 2 = {Θ 1, zone inondée} Transitions θ i θ i uniquement Transitions Sol nu zone inondée Décision m=par maximum de DetP page 30 G Mercier et al. Techniques de post-classification pour la détetion de changements
44 Contexte de la détection de changements Inondation Dans le cadre d une catastrophe majeure Inondation à Gloucester (octobre 2000) Changements temporels Θ 1 = {foret, végétation, sol nu1, sol nu 2} Θ 2 = {Θ 1, zone inondée} Transitions θ i θ i uniquement Transitions Sol nu zone inondée Décision m=par maximum de DetP page 30 G Mercier et al. Techniques de post-classification pour la détetion de changements
45 Parcours de changements Le point de vue cre dibiliste Application a la de tection de changements Contexte de la de tection de changements Tremblement de Terre Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 a Boumerde s Quickbird du 22 avril 2002 Quickbird du 23 mai 2003 SERTIT, distribution CNES page 31 G Mercier et al. Techniques de post-classification pour la de tetion de changements
46 Contexte de la détection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 à Boumerdès Classification initiale en 4 classes par Evidential C-Means (ECM) Θ 1 = {Végétation ombre, Zone agricole, bâtiments route, terre blanche, classe de rejet} Classification de la 2e image en 5 classes par ECM Θ 2 = {Θ 1, Ruines Nv batiments} Modèle hybride On autorise θ i θ i (absence de changements) Et la destruction : Zone agricole Ruines Nv batiments batiments route Ruines Nv batiments page 32 G Mercier et al. Techniques de post-classification pour la détetion de changements
47 Contexte de la détection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 à Boumerdès Maximum de probabilité pignistique (BetP) sur les transitions t i,j dans le modèle hybride page 33 G Mercier et al. Techniques de post-classification pour la détetion de changements
48 Contexte de la détection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 à Boumerdès Selection des classes t 2,5 et t 3,5 page 34 G Mercier et al. Techniques de post-classification pour la détetion de changements
49 Parcours de changements Le point de vue cre dibiliste Application a la de tection de changements Contexte de la de tection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 a Boumerde s Quickbird du 22 avril 2002 Quickbird du 23 mai 2003 SERTIT, distribution CNES page 35 G Mercier et al. Techniques de post-classification pour la de tetion de changements
50 Contexte de la détection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 à Boumerdès Changements (restreints) entre le 22 avril 2002 et 23 mai 2003 page 36 G Mercier et al. Techniques de post-classification pour la détetion de changements
51 Contexte de la détection de changements Dans le cadre d une catastrophe majeure Tremblement de terre du 21 mai 2003 à Boumerdès Changements (effectifs) entre le 22 avril 2002 et 23 mai 2003 page 37 G Mercier et al. Techniques de post-classification pour la détetion de changements
52 Raisonnement Evidentiel Dynamique :-) Etend le point de vue évidentiel au contexte dynamique (compatible avec DST, DSmT) :-) Permet de suivre l évolution de classifications imprecises (compatible avec le point de vue bayésien) :-/ Doit être supervisé pour réduire la combatoire des successions de classes? Classes vecteur? Fusion temporelle avec des bases de données vecteurs qui ne sont ni bayésiennes ni évidentielles page 38 G Mercier et al. Techniques de post-classification pour la détetion de changements
53 Contents Parcours de changements 1 Parcours de changements Utilisation d une carte de kohonen Classification du parcours de changement 2 3 page 39 G Mercier et al. Techniques de post-classification pour la détetion de changements
54 Détection de changements par post-classification Les problèmes résolus? Comment faire l association des classses (similaires) d une date à une autre? C k;t1 = C l;t2? Par approche supervisée, incrémentale ou une classification unique Comment faire l association entre les classes si les images sont hétérogènes et/ou si les classifieurs sont différents? C k;t1 C k;t2? Par une assignation d index (ou une encapsulation en meta-classes) Comment comparer les classes si K t évolue au cours du temps? C KN ;t N =? Par une approche supervisée ou hiérarchique Quel changement est-il le plus important entre C k1 ;t 1 C k2 ;t 2 ou C k1 ;t 1 C k3 ;t 2 Par une approche supervisée ou hiérarchique page 40 G Mercier et al. Techniques de post-classification pour la détetion de changements
(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
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 détail1S Modèles de rédaction Enoncés
Par l équipe des professeurs de 1S du lycée Parc de Vilgénis 1S Modèles de rédaction Enoncés Produit scalaire & Corrigés Exercice 1 : définition du produit scalaire Soit ABC un triangle tel que AB, AC
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailhttp://www.sensorip.com
Contrôlez et Surveillez Votre Environnement et Vos Équipements Informatiques Temp. T http://www.sensorip.com Les centrales de surveillance "sensorip" surveillent 24h/24 vos salles informatiques ou tout
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailINFORMATIONS DIVERSES
Nom de l'adhérent : N d'adhérent :.. INFORMATIONS DIVERSES Rubrique Nom de la personne à contacter AD Date de début exercice N BA Date de fin exercice N BB Date d'arrêté provisoire BC DECLARATION RECTIFICATIVE
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailIndexation et recherche de documents XML par les fonctions de croyance
Indexation et recherche de documents XML par les fonctions de croyance Mounia Lalmas * et Patrick Vannoorenberghe ** * Department of Computer Science Queen Mary University of London London E1 4NS, United
Plus en détailLa collecte et la gestion des données dans le cadre de la prospection d énergie solaire
Conférence SIG 2012 - ESRIFRANCE La collecte et la gestion des données dans le cadre de la prospection d énergie solaire Serge MANG-JOUBERT GAIAGO Eric VIDALENC - ADEME 1 Auteurs : Rodrigo MARIONI, Serge
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 détailTEPZZ 568448A_T EP 2 568 448 A1 (19) (11) EP 2 568 448 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G07F 7/08 (2006.01) G06K 19/077 (2006.
(19) TEPZZ 68448A_T (11) EP 2 68 448 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 13.03.2013 Bulletin 2013/11 (1) Int Cl.: G07F 7/08 (2006.01) G06K 19/077 (2006.01) (21) Numéro de dépôt:
Plus en détailChapitre 4 - Spectroscopie rotationnelle
Chapitre 4 - Spectroscopie rotationnelle 5.1 Classification Déterminer à quelle catégorie (sphérique, symétrique, asymétrique) appartiennent ces molécules : a) CH 4, b) CH 3 F, c) CH 3 D, d) SF 6, e) HCN,
Plus en détailLa modélisation des déplacements : Qu est ce qu un modèle, pour qui et pourquoi?
Les Modèles multimodaux des déplacements : enjeux, outils et expériences territoriales 13 février 2014, COTITA, CEREMA, Direction Territoriale Méditerranée La modélisation des déplacements : Qu est ce
Plus en détailElaboration d un Plan Local d Urbanisme / d un Agenda 21
Elaboration d un Plan Local d Urbanisme / d un Agenda 21 Phase diagnostic Par : P. Mordelet, Université Toulouse 3 C. Aschan-Leygonie, Université Lyon 2 F. Boussama, Université Montpellier 1 C. Mathieu,
Plus en détailRosemont- La Petite-Patrie. Îlots de chaleur urbains. Tout. savoir! ce qu il faut
Rosemont- La Petite-Patrie Îlots de chaleur urbains Tout savoir! ce qu il faut Qu est-ce qu un îlot de chaleur? Un îlot de chaleur désigne une élévation localisée des températures, particulièrement des
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 détailCorrection : E = Soit E = -1,6. F = 12 Soit F = -6 3 + 45. y = 11. et G = -2z + 4y G = 2 6 = 3 G = G = -2 5 + 4 11
Correction : EXERCICE : Calculer en indiquant les étapes: (-6 +9) ( ) ( ) B = -4 (-) (-8) B = - 8 (+ 6) B = - 8 6 B = - 44 EXERCICE : La visite médicale Calcul de la part des élèves rencontrés lundi et
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailDonnées documentaires Généralités : structure des données documentaires dans BCDI et règles de saisie à adopter
Données documentaires Généralités : structure des données documentaires dans BCDI et règles de saisie à adopter 1. Les données documentaires dans BCDI Edité et diffusé par le CRDP de Poitou-Charentes depuis
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailPerspectives d applications de la télédétection en grandes culture à court et moyen terme dans le Sud-Ouest
Perspectives d applications de la télédétection en grandes culture à court et moyen terme dans le Sud-Ouest Jean-François DEJOUX CESBIO & Luc CHAMPOLIVIER CETIOM Télédétection en agriculture : nouveau
Plus en détailSauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS
Sauvegarde collaborative entre pairs 1 Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 2 Introduction Pourquoi pair à pair? Utilisation de ressources
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailAnalyse Combinatoire
Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien
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 détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailLes bases de données Les systèmes d informations
2 Les bases de données Les systèmes d informations Surface annuelle moyenne brûlée (en ha) 250 000 200 000 150 000 100 000 50 000 0 Part de la surface forestière brûlée (en %) 3,5 3,0 2,5 2,0 1,5 1,0 0,5
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 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 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 détailOutrepasser les limites des techniques classiques de Prise d'empreintes grâce aux Réseaux de Neurones
Outrepasser les limites des techniques classiques de Prise d'empreintes grâce aux Réseaux de Neurones Javier Burroni - Carlos Sarraute { javier, carlos } @ coresecurity.com Core Security Technologies SSTIC
Plus en détailDéveloppement de lois et de structures de réglages destinées à la téléopération avec retour d effort
Développement de lois et de structures de réglages destinées à la téléopération avec retour d effort Thomas Delwiche, Laurent Catoire et Michel Kinnaert Faculté des Sciences Appliquées Service d Automatique
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailPlateforme d informations climatiques au Niger Présentation de l opportunité
Plateforme d informations climatiques au Niger Présentation de l opportunité 23 Novembre 2012 Pour diffusion publique Résumé Exécutif Une opportunité Pour un opérateur privé, la plateforme d'informations
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
Plus en détailInfrastructure distribuée permettant la détection d attaques logicielles
UNIVERSITÉ DE SHERBROOKE Faculté de génie Département de génie électrique et de génie informatique Infrastructure distribuée permettant la détection d attaques logicielles Mémoire de maîtrise Spécialité
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailIntroduction aux concepts d ez Publish
Introduction aux concepts d ez Publish Tutoriel rédigé par Bergfrid Skaara. Traduit de l Anglais par Benjamin Lemoine Mercredi 30 Janvier 2008 Sommaire Concepts d ez Publish... 3 Système de Gestion de
Plus en détailAssurance & Réassurance des risques de Catastrophes Naturelles L EXPERIENCE ALGERIENNE. Par Mr. Abdelmadjid OULMANE Chargé Des CAT NAT
Assurance & Réassurance des risques de Catastrophes Naturelles Par Mr. Abdelmadjid OULMANE Chargé Des CAT NAT L EXPERIENCE NNE Àla Compagnie Centrale de Réassurance -Algérie ALGERI E I- Brève présentation
Plus en détailDOMONIAL CRT 500 HF. Notice Utilisateur EKZ 0904 00C SECOM AUTOPROTECTION PILE A U SUPERVISION OUVERTURE ALARME INTRUSION ALARME TECHNIQUE
R Notice Utilisateur EKZ 0904 00C DOMONIAL CRT 500 HF D EF A U T M EM O IR E C O NT R O LE AUTOPROTECTION PILE SUPERVISION OUVERTURE ALARME INTRUSION ALARME TECHNIQUE LIAISON RADIO MARCHE PRESENCE SECTEUR
Plus en détailFranck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailAnalyse 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 détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailÉTUDE PRÉPARATOIRE - SECTION IV SCHÉMAS DIRECTEURS. EP4-SD-LI-02a «AN DER UECHT» PROJET D AMÉNAGEMENT GÉNÉRAL DE LA COMMUNE DE KÄERJENG
AMÉNAGEMENT GÉNÉRAL DE LA COMMUNE DE KÄERJENG SECTION IV - ÉTUDE PRÉPARATOIRE PROJET D AMÉNAGEMENT GÉNÉRAL DE LA COMMUNE DE KÄERJENG ÉTUDE PRÉPARATOIRE - SECTION IV SCHÉMAS DIRECTEURS EP4-SD-LI-02a «AN
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détail1 Mise en application
Université Paris 7 - Denis Diderot 2013-2014 TD : Corrigé TD1 - partie 2 1 Mise en application Exercice 1 corrigé Exercice 2 corrigé - Vibration d une goutte La fréquence de vibration d une goutte d eau
Plus en détailGUIDE PRATIQUE. Du provisionnement des emprunts à risques
Ministère de l Égalité des territoires et du Logement Ministère de l Économie et des Finances GUIDE PRATIQUE Du provisionnement des emprunts à risques Application aux Offices Publics de l Habitat à comptabilité
Plus en détailP.L.U. Plan Local d'urbanisme PRESCRIPTION D'ISOLEMENT ACOUSTIQUE AU VOISINAGE DES INFRASTRUCTURES TERRESTRES DOCUMENT OPPOSABLE
Commune du Département de l'oise P.L.U Plan Local d'urbanisme PRESCRIPTION D'ISOLEMENT ACOUSTIQUE AU VOISINAGE DES INFRASTRUCTURES TERRESTRES DOCUMENT OPPOSABLE Document Établi le 20 septembre 2013 Le
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
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 détailModèles transport-urbanisme Fiches synthétiques SIMBAD. Modèle de dynamique urbaine désagrégé
Modèles transport-urbanisme Fiches synthétiques SIMBAD Identité du modèle : Nature Voyageurs / Marchandises Sur quoi porte le modèle d'urbanisme? Modes de transports Modèle agrégé/désagrégé? Modèle d'occupation
Plus en détailQualité du service et VoiP:
Séminaire régional sur les coûts et tarifs pour les pays membres du Groupe AF Bamako (Mali), 7-9 avril 2003 1 Qualité du service et VoiP: Aperçu général et problèmes duvoip Mark Scanlan Aperçu général
Plus en détailRecherche sur les appartements intelligents destinés aux personnes présentant une déficience intellectuelle
Recherche sur les appartements intelligents destinés aux personnes présentant une déficience intellectuelle Dany Lussier-Desrochers Université du Québec à Trois-Rivières Rencontres Franco-Québécoises 21
Plus en détailJournée des utilisateurs de Salome-Meca et code_aster ETUDE SISMIQUE DE LA PINCE VAPEUR
Journée des utilisateurs de Salome-Meca et code_aster 18 Mars 2014 ETUDE SISMIQUE DE LA PINCE VAPEUR 1 CIPN/GC - Groupe Séisme Sommaire Description de la pince vapeur et du contexte Présentation des diagnostics
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailMasters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Plus en détailDossier d'étude technique
Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Guide méthodologique Dossier d'étude technique Référence : CNRS/DSI/conduite-projet/developpement/technique/guide-etude-technique
Plus en détailCirc.-CFB 03/1 Appel au public / Placements collectifs Page 1
Circ.-CFB 03/1 Appel au public / Placements collectifs Page 1 Circulaire de la Commission fédérale des banques : Appel au public au sens de la législation sur les placements collectifs de capitaux (Appel
Plus en détailPrésentation des projets de recherche BLOWOUT et METANE. Journée technique du Cedre. Brest 14 novembre 2013
Présentation des projets de recherche BLOWOUT et METANE Journée technique du Cedre Brest 14 novembre 2013 1 Déroulement Fiches techniques Contexte Description technique Démonstration Questions 2 Fiches
Plus en détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détailLicence d Utilisation des Produits Pléiades attribués à Tarif Préférentiel aux Utilisateurs Institutionnels Autorisés
Licence d Utilisation des Produits Pléiades attribués à Tarif Préférentiel aux Utilisateurs Institutionnels Autorisés INTRODUCTION Veuillez lire attentivement les termes et conditions de cette Licence
Plus en détailLe Soleil. Structure, données astronomiques, insolation.
Le Soleil Structure, données astronomiques, insolation. Le Soleil, une formidable centrale à Fusion Nucléaire Le Soleil a pris naissance au sein d un nuage d hydrogène de composition relative en moles
Plus en détailEP 2 063 325 A2 (19) (11) EP 2 063 325 A2 (12) DEMANDE DE BREVET EUROPEEN. (43) Date de publication: 27.05.2009 Bulletin 2009/22
(19) (12) DEMANDE DE BREVET EUROPEEN (11) EP 2 063 325 A2 (43) Date de publication: 27.05.2009 Bulletin 2009/22 (51) Int Cl.: G04B 17/06 (2006.01) G04B 17/34 (2006.01) (21) Numéro de dépôt: 08167317.0
Plus en détailL archivage pérenne du document numérique au CINES. CINES (O.Rouchon) Rencontres RNBM 3 Octobre 2007
L archivage pérenne du document numérique au CINES CINES (O.Rouchon) Rencontres RNBM 3 Octobre 2007 Sommaire La mission d archivage du CINES Le contexte, la problématique et les constats Les défis, orientations
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailLa (les) mesure(s) GPS
La (les) mesure(s) GPS I. Le principe de la mesure II. Equation de mesure GPS III. Combinaisons de mesures (ionosphère, horloges) IV. Doubles différences et corrélation des mesures V. Doubles différences
Plus en détailLE MEILLEUR DES SOLUTIONS COLLABORATIVE OPEN SOURCE. et pas que la GED
LE MEILLEUR DES SOLUTIONS COLLABORATIVE OPEN SOURCE et pas que la GED Présentation de Smile mars 2014 Thomas Choppy @thcho @groupsmile Manager de la BL Collaborative Smile, EN QUELQUES CHIFFRES 1er INTÉGRATEUR
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailPlacements sur longue période à fin 2011
Les analyses MARS 2012 Placements sur longue période à fin 2011 Une année 2011 particulièrement favorable aux «valeurs refuges», mais la suprématie des actifs risqués reste entière sur longue période.
Plus en détailAtlas départemental de la couverture 2G et 3G en France métropolitaine : Bas-Rhin (67)
Novembre 2012 Atlas départemental de la couverture 2G et 3G en France métropolitaine : Bas-Rhin (67) Autorité de régulation des communications électroniques et des postes ISSN : 2258-3106 CONTENU DE L
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détail