Segmentation interactive pour l annotation de photographies de paysages

Dimension: px
Commencer à balayer dès la page:

Download "Segmentation interactive pour l annotation de photographies de paysages"

Transcription

1 Segmentation interactive pour l annotation de photographies de paysages Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Université Toulouse 3, IRIT, TCI Labex CIMI 29 juin 2016 Faculté des Sciences et d Ingénierie 1 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

2 Plan 1 Introduction : définitions et enjeux 2 SCIS : une nouvelle méthode de segmentation interactive multiclasse 3 Évaluation sur les données de référence 4 Utilisation dans le cadre des observatoires photographiques du paysage 5 Conclusion 2 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

3 Segmentation d une image Segmentation : création d une partition de l image en régions 3 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

4 Diversité des contextes d application 4 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

5 Diversité des contextes d application 5 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

6 Diversité des contextes d application 6 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

7 Segmentation interactive L utilisateur fournit quelques indications visuelles (germes) Ces indications permettent de déterminer le nombre de régions à extraire Ces indications fournissent des informations sur les caractéristiques des régions 7 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

8 Mode d interaction orienté contours 8 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

9 Introduction SCIS Evaluation OPP Conclusion Mode d interaction oriente re gions 9 / 38 Be renge re Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

10 Caractéristiques des régions Niveaux de gris Couleurs 10 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

11 Caractéristiques des régions Texture Localisation 11 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

12 Modélisation et résolution Croissance de régions Germes : points de départ des régions Croissance itérative de ces régions en agglomérant les pixels voisins et similaires Arrêt lorsque les régions forment une partition de l image 12 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

13 Modélisation et résolution Minimisation d une énergie E(I, S) = w d E d (I, S) + w l E l (I, S) I : l image S : une segmentation de I E d : terme d attache aux données : les régions sont-elles uniformes et cohérentes avec les germes donnés par l utilisateur? E l : terme de lissage : éviter un morcellement en toutes petites régions ou des contours trop sinueux w d et w l : pondérations 13 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

14 Verrous scientifiques Peu de méthodes capables de gérer une segmentation multiclasse Méthodes lentes et / ou coûteuse en terme d espace mémoire 14 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

15 Méthode de segmentation interactive : SCIS Objectifs Méthode multiclasse Rapide et peu coûteuse en espace mémoire Caractéristiques Orientée régions : indications données sous forme de traits Une couleur par objet sémantique Nouvelle manière de résoudre le problème de segmentation Simple 15 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

16 SCIS Image Sur-segmenter Superpixels 16 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

17 SCIS Image Sur-segmenter Superpixels Extraire caractéristiques 17 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

18 SCIS Image Sur-segmenter Superpixels Extraire caractéristiques Germes Superpixels avec germes pour une classe Superpixels avec germes pour plusieurs classes Superpixels sans germe 18 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

19 SCIS Image Sur-segmenter Superpixels Extraire caractéristiques Germes Superpixels avec germes pour une classe Superpixels avec germes pour plusieurs classes Superpixels sans germe Entraîner classifieur Classer 19 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

20 SCIS Image Sur-segmenter Superpixels Extraire caractéristiques Germes Superpixels avec germes pour une classe Superpixels avec germes pour plusieurs classes Superpixels sans germe Entraîner classifieur Classer 20 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

21 SCIS Image Sur-segmenter Superpixels Extraire caractéristiques Germes Superpixels avec germes pour une classe Superpixels avec germes pour plusieurs classes Superpixels sans germe Entraîner classifieur Classer 21 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

22 Introduction SCIS Evaluation OPP Conclusion Me thode de sur-segmentation q Me thode de segmentation de Felzenszwalb q Complexite : O(N log(n)) q Peu d erreurs commises q Taille moyenne des superpixels : 100 pixels 22 / 38 Be renge re Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

23 Caractérisation des superpixels Information de localisation : barycentre du superpixel Information de couleur : couleur moyenne en RGB Rapides à calculer Suffisantes pour obtenir une segmentation précise 23 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

24 Méthode de classification Séparateur à vaste marge (SVM) Chaque données est positionnée dans un espace à N dimensions Apprentissage : trouver une frontière entre les données de différentes classes Classification : attribuer une classe à une donnée en fonction de ses coordonnées dans l espace à N dimensions. 24 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

25 Méthode de classification Paramètres utilisés Noyau RBF : exp( γ x i x j 2 ) Paramètre du noyau : γ = 4 Paramètres de régularisation : C = 4 25 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

26 Algorithme Sur-segmenter l image avec l algorithme de Felzenszwalb Extraire le barycentre et la couleur moyenne de chaque superpixel Tant que L utilisateur modifie les germes Faire Déterminer K le nombre de classes Pour Chaque classe j Faire Créer S j, l ensemble des superpixels contenant uniquement des germes de la classe j Fin Pour Entraîner SVM avec S train = S j j=1,,k Classer les superpixels restants avec SVM Attribuer à chaque pixel la classe de son superpixel Fin Tant que 26 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

27 Données de référence Données de référence de McGuinness 96 images de 481x321 pixels 100 segmentations de référence Uniquement des problèmes à 2 classes Données de référence de Santner 243 images de 625x segmentations de référence Problèmes à N classes 27 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

28 Mesure de précision des contours (McGuinness) x ACC boundary = 100 min( B G (x), B M (x)) x max( B G (x), B M (x)) B G contours internes des pixels dans la segmentation de référence B M contours internes des pixels dans la segmentation résultat B G, B M : mêmes ensembles étendus grâce aux sous-ensembles flous 28 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

29 Mesure de précision des régions (McGuinness) ACC region = 100 G O M O G O M O G O ensemble des pixels appartenant à la forme dans la segmentation de référence M O ensemble des pixels attribués à la forme par l algorithme S cardinalité de l ensemble S. 29 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

30 Mesure DICE (Santner) DICE(I result, I groundtruth ) = 100 I result : segmentation résultat I groundtruth : segmentation de référence N nombre de classes N i=1 2 R i G i R i + G i R i ensemble des pixels de i ème classe dans I result G i ensemble des pixels de la i ème classe dans I groundtruth 30 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

31 Compétiteurs M 1 : méthode ayant obtenu les meilleurs scores quantitatifs dans l évaluation de McGuinness M 2 : méthode ayant obtenu les meilleurs scores qualitatifs dans l évaluation de McGuinness S : méthode proposée par Santner A : méthode proposée par Arbelaez 31 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

32 Résultats avec données de McGuinness Algorithme ACC boundary ACC region M 1 78 % 92 % M 2 77 % 92 % A 70 % 91 % SCIS 82 % 94 % 32 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

33 Résultats avec données de Santner Algorithme DICE S 93 % A 95 % SCIS 98 % 33 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

34 Observatoires photographiques du paysage Convention européenne du paysage : utilité sociale du paysage Mise en place d observatoires photographiques du paysage analyser les mécanismes et facteurs de transformation d un espace fonds photographiques conçus à partir de re-photographie régulière d un même lieu SCIS : permet d annoter rapidement les photographies rechercher des éléments particuliers identifier des dynamiques particulières 34 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

35 Introduction SCIS Evaluation OPP Conclusion Exemple 35 / 38 Be renge re Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

36 Bilan Une nouvelle manière d appréhender la segmentation interactive d une image Validation du SVM pour des données d apprentissage en nombre restreint (au minimum 0.09 %) Importance de l information de localisation Mise à disposition de SCIS sous forme de greffon pour Gimp 36 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

37 Ouverture Étape bloquante : la sur-segmentation en terme de temps de calcul en terme de précision 37 / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

38 Questions Références McGuinness et al., A comparative evaluation of interactive segmentation algorithms, Pattern Recognition, 2010 J. Santner et al., Interactive multi-label segmentation, Asian Conference on Computer Vision, 2011 Achanta et al., SLIC superpixels compared to state-of-the-art superpixel methods, Transactions on Pattern Analysis and Machine Intelligence, / 38 Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive

Une application distribuée pour l enseignement du paysage

Une application distribuée pour l enseignement du paysage Une application distribuée pour l enseignement du paysage Journées Géomatique, Enseignement & Apprentissage GET 2017 Toulouse - 30 et 31 janvier 2017 Jean-Baptiste Puel, Bérengère Mathieu, Alain Crouzil

Plus en détail

Une application distribuée pour l enseignement du paysage

Une application distribuée pour l enseignement du paysage 23 Une application distribuée pour l enseignement du paysage Jean-Baptiste Puel 1, Bérengère Mathieu 2, Alain Crouzil 2 1. IRIT, ENSFEA 118 route de Narbonne - 31062 Toulouse cedex 9 - France puel@irit.fr

Plus en détail

TRAVAUX DIRIGES PARTIE 1 TRAITEMENT D IMAGES ET VISION

TRAVAUX DIRIGES PARTIE 1 TRAITEMENT D IMAGES ET VISION TRAVAUX DIRIGES PARTIE 1 TRAITEMENT D IMAGES ET VISION Cycle ingénieur ING 2 Spécialité Informatique Alice POREBSKI alice.porebski@eilco-ulco.fr Exercice 1 : Soit l image couleur I suivante : -> et la

Plus en détail

Détection et segmentation d objets

Détection et segmentation d objets Détection et segmentation d objets Aurélie Bugeau Enseirb-Matmeca, IPB Aurélie Bugeau (Enseirb-Matmeca, IPB) Détection, reconnaissance et segmentation d objets 1 / 39 Introduction Segmentation Partitionnement

Plus en détail

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages!

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Bases du traitement des images BIMA Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Prof. Matthieu Cord! 1 Plan 1. Introduction, problématiques

Plus en détail

Département de génie électrique et de génie informatique GIF-7002 Vision numérique: aspects cognitifs

Département de génie électrique et de génie informatique GIF-7002 Vision numérique: aspects cognitifs : Régions 1 Objet dans une image 2D Carte des régions Segmentation en régions Croissance et division Coupure de graphe Partitions Regroupement de régions Objet dans une image 2D 2 région contour Carte

Plus en détail

MONTEVERDI : open source au service de l imagerie satellite

MONTEVERDI : open source au service de l imagerie satellite MONTEVERDI : open source au service de l imagerie satellite Pr. O. EL KHARKI 1 & J. MECHBOUH 2 Spécialité : Informatique appliquée à la Télédétection et SIG (IATSIG) Site web : https://sites.google.com/a/uiz.ac.ma/iatsig/

Plus en détail

Evaluation de Quelques Méthodes de Segmentation -Application aux Caractères Tifinagh-

Evaluation de Quelques Méthodes de Segmentation -Application aux Caractères Tifinagh- Evaluation de Quelques Méthodes de Segmentation -Application aux Caractères Tifinagh- Abdelkrim MAARIR 1, Ilhame AGNAOU, Belaid BOUIKHALENE Laboratoire Traitement de l Information et Aide à la Décision

Plus en détail

Projet d algorithmique Vectorisation d images

Projet d algorithmique Vectorisation d images Projet d algorithmique Vectorisation d images Alexandra Bac IRM 3 L objet de ce projet est d implémenter algorithme de vectorisation d images, c est-à-dire, un algorithme permettant de transformer une

Plus en détail

Objectifs Reconnaissance de cibles > Application à la base de données MSTAR Utilisation de la méthode SVM (Support Vector Machines) > Définition d un

Objectifs Reconnaissance de cibles > Application à la base de données MSTAR Utilisation de la méthode SVM (Support Vector Machines) > Définition d un Application des SVM à la reconnaissance d objets dans des images SAR C. Tison, N. Pourthié, D. Deleflie Celine.tison@cnes.fr CNES DCT/SI/AR ORFEO - Journée Méthodologie 17 janvier 2007 1 Objectifs Reconnaissance

Plus en détail

Analyse de la vidéo. Chapitre Estimation du mouvement. 23 décembre Chapitre 1 - Représentation d une vidéo numérique 1 / 43

Analyse de la vidéo. Chapitre Estimation du mouvement. 23 décembre Chapitre 1 - Représentation d une vidéo numérique 1 / 43 Analyse de la vidéo Chapitre 2.1 - Estimation du mouvement 23 décembre 2010 Chapitre 1 - Représentation d une vidéo numérique 1 / 43 Plan de chapitre Définition générale du flux optique 1 Définition générale

Plus en détail

SEGMENTATION DES ZONES DE REMODELAGE DANS LES IMAGES MICRO-CT DE L OS

SEGMENTATION DES ZONES DE REMODELAGE DANS LES IMAGES MICRO-CT DE L OS SEGMENTATION DES ZONES DE REMODELAGE DANS LES IMAGES MICRO-CT DE L OS Z. Peter, F. Peyrin CREATIS, UMR CNRS 5220, INSERM U630, Lyon, France ESRF, Grenoble, France INTRODUCTION La fragilité osseuse dépende

Plus en détail

La méthode des poids multiplicatifs : un méta-algorithme d approximation pour l apprentissage et l optimisation

La méthode des poids multiplicatifs : un méta-algorithme d approximation pour l apprentissage et l optimisation La méthode des poids multiplicatifs : un méta-algorithme d approximation pour l apprentissage et l optimisation Richard Lassaigne IMJ/Logique mathématique CNRS-Université Paris Diderot Motivation 1 Un

Plus en détail

Les visages. GIF-4105/7101 Photographie Algorithmique, Hiver 2015 Jean-François Lalonde

Les visages. GIF-4105/7101 Photographie Algorithmique, Hiver 2015 Jean-François Lalonde Les visages GIF-4105/7101 Photographie Algorithmique, Hiver 2015 Jean-François Lalonde Merci à Derek Hoiem, Lana Lazebnik, Silvio Savarese, Fei-Fei Li Détection et reconnaissance de visages Détection Reconnaissance

Plus en détail

Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle

Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle P.-A. Herrault 1,2, D. Sheeren 1, M. Fauvel 1, M. Paegelow 2 1 DYNAFOR Lab. UMR 1201 INP-ENSAT / INRA University of Toulouse

Plus en détail

Support Vecteurs Machine

Support Vecteurs Machine Support Vecteurs Machine Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Support Vecteurs Machine IUP SID 2011-2012 1 / 20 Plan

Plus en détail

Évaluation des dégâts après un feu de forêt

Évaluation des dégâts après un feu de forêt 1 Évaluation des dégâts après un feu de forêt Olivier ZAMMIT Xavier Descombes, Josiane Zerubia 2 Sommaire 1 Introduction 2 Séparateurs à Vaste Marge 3 Expérimentations 4 Conclusions 3 Introduction Feux

Plus en détail

Reconnaissance d'objets routiers - Théorie

Reconnaissance d'objets routiers - Théorie Reconnaissance d'objets routiers - Théorie Perception pour la conduite automatisée A07 : Interaction Véhicule Environnement Aurélien Cord Aurelien.Cord@lcpc.fr 1 INTRODUCTION 2 1 Reconnaissance Définition

Plus en détail

Classification et reconnaissance de formes

Classification et reconnaissance de formes Classification et reconnaissance de formes Théorie Bayesienne de la décision Gilles Gasso 8 novembre 216 Gilles Gasso Classification et reconnaissance de formes 1 / 3 Plan 1 Introduction 2 Rappels : notions

Plus en détail

Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données. Guénaël CABANES et Basarab MATEI

Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données. Guénaël CABANES et Basarab MATEI Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données Guénaël CABANES et Basarab MATEI Généralités Exemple Introduction Guénaël CABANES et Basarab MATEI

Plus en détail

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Page 1 I. Présentation II. État de l art III. Nos algorithmes IV. Implémentation - Sommaire - multi-énergies initialisation

Plus en détail

Apprentissage de Classifieurs à Noyau sur des Données Bruitées

Apprentissage de Classifieurs à Noyau sur des Données Bruitées Apprentissage de Classifieurs à Noyau sur des Données Bruitées Guillaume Stempfel Encadré par: Liva Ralaivola Laboratoire d Informatique Fondamentale de Marseille 21 février 2007 Introduction Apprentissage

Plus en détail

Un exemple. Données linéairement séparables

Un exemple. Données linéairement séparables Classification linéaire binaire Un exemple X R n, Y = { 1, 1} Définition. Un classifieur linéaire (ou perceptron) est une fonction de la forme 1 si hw, xi + b 0 f (x) = 1 sinon. où w 2 R n, b 2 R, et hw,

Plus en détail

Reconnaissance de visages

Reconnaissance de visages Reconnaissance de visages La reconnaissance de visages est de plus en plus utilisée de nos jours, notamment pour des aspects sécuritaires. Cette reconnaissance peut être effectuée par des attributs décrivant

Plus en détail

SY19 Rapport TP4 : Arbres de décisions, SVM, réseaux de neurones

SY19 Rapport TP4 : Arbres de décisions, SVM, réseaux de neurones UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY19 Rapport TP4 : Arbres de décisions, SVM, réseaux de neurones CUNI Frédéric, CORTYL Alexandre 31 janvier 2016 Objectifs du TP : L objectif de ce TP est de nous

Plus en détail

Traitement de l image et du signal Partie TI

Traitement de l image et du signal Partie TI Traitement de l image et du signal Partie TI Emanuel Aldea http://hebergement.u-psud.fr/emi/453 Master Electronique, énergie électrique, automatique 1ère année Plan du cours Définition

Plus en détail

Identification des accrus de frêne en milieu de montagne par télédétection hyperspectrale: objectifs et premiers résultats de la mission MADONNA

Identification des accrus de frêne en milieu de montagne par télédétection hyperspectrale: objectifs et premiers résultats de la mission MADONNA Colloque d inauguration de la Société Française de Télédétection Hyperspectrale Paris, 7-8 avril 2011 Identification des accrus de frêne en milieu de montagne par télédétection hyperspectrale: objectifs

Plus en détail

Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web

Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web Sabrina Tollari, Hervé Glotin, Jacques Le Maitre Université du Sud Toulon-Var Paris, le 16 novembre 2004

Plus en détail

Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web

Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web Indexation textuelle d images par le contenu visuel pour un moteur de recherche d images sur le Web Sabrina Tollari, Hervé Glotin, Jacques Le Maitre Université du Sud Toulon-Var Toulon, le 25 novembre

Plus en détail

Segmentation en régions. o Partition o Croissance de région o Partition par quad-tree o Montée des eaux o Nuées dynamiques

Segmentation en régions. o Partition o Croissance de région o Partition par quad-tree o Montée des eaux o Nuées dynamiques Segmentation en régions o Partition o Croissance de région o Partition par quad-tree o Montée des eaux o Nuées dynamiques 1. Partition d une image Ou segmentation en régions d une image 1 3 2 Image en

Plus en détail

Modèle de Conception de SMA coopératifs par planification réactive

Modèle de Conception de SMA coopératifs par planification réactive Modèle de Conception de SMA coopératifs par planification réactive I. Chadès et F. Charpillet chades@loria.fr charp@loria.fr équipe MAIA INRIA Lorraine Contexte général Systèmes Multi-Agents (SMA) : SMA

Plus en détail

Implémentation d un système de reconnaissance automatique de la parole visuelle par les SVMs

Implémentation d un système de reconnaissance automatique de la parole visuelle par les SVMs 1 Implémentation d un système de reconnaissance automatique de la parole visuelle par les SVMs Nadia BAKIR 1, Mohammed DEBYECHE 2 et Abderrahmene AMROUCHE 2 Résumé Dans cet article, nous avons élaboré

Plus en détail

machine Apprentissage de la théorie à la pratique Concepts fondamentaux en Machine Learning Algorithmes Massih-Reza AMINI Préface de Francis Bach

machine Apprentissage de la théorie à la pratique Concepts fondamentaux en Machine Learning Algorithmes Massih-Reza AMINI Préface de Francis Bach Algorithmes Massih-Reza AMINI Préface de Francis Bach Apprentissage machine de la théorie à la pratique Concepts fondamentaux en Machine Learning Groupe Eyrolles, 2015, ISBN : 978-2-212-13800-9 Table des

Plus en détail

Introduction au Boosting et algorithme

Introduction au Boosting et algorithme au et algorithme olivier.pietquin@supelec.fr SUPELEC - Campus de Metz - Equipe IMS Rennes, 11 juin 2010 Sommaire 1 2 3 4 5 Supports de cours externes Sites Web Page de Robert Schapire [Schapire] : http

Plus en détail

Examen Intra IFT3390/6390

Examen Intra IFT3390/6390 Estimation de densité de probabilité paramétrique Gaussienne (25 pts) 1 Examen Intra IFT3390/6390 Mardi 20 février 2007 Durée: 1h50 Professeur: Pascal Vincent Prénom: Nom: Code permanent: IFT 3390 ou 6390?

Plus en détail

Rehaussement de la classification textuelle d images par leurs contenus visuels pour un système de recherche d images

Rehaussement de la classification textuelle d images par leurs contenus visuels pour un système de recherche d images Rehaussement de la classification textuelle d images par leurs contenus visuels pour un système de recherche d images Sabrina Tollari, Hervé Glotin, Jacques Le Maitre Laboratoire SIS - Équipe Informatique

Plus en détail

Application de l apprentissage de dictionnaires parcimonieux en traitement d images

Application de l apprentissage de dictionnaires parcimonieux en traitement d images UE Analyse Multi-résolution et Ondelettes Application de l apprentissage de dictionnaires parcimonieux en traitement d images Travaux sur Machines Encadrés Dans ce TME, on va utiliser les méthodes d apprentissage

Plus en détail

Des contraintes peuvent exister limitant le choix des valeurs des variables.

Des contraintes peuvent exister limitant le choix des valeurs des variables. Introduction Objet de la programmation mathématique, construction d'un modèle mathématique, problème général de programmation mathématique et classification, algorithme de résolution en programmation mathématique

Plus en détail

Segmentation et Classification de nuages de points urbains - Application aux enquêtes de stationnement

Segmentation et Classification de nuages de points urbains - Application aux enquêtes de stationnement Segmentation et Classification de nuages de points urbains - Application aux enquêtes de stationnement Xavier Roynard xavier.roynard@mines-paristech.fr Jeudi 17 Mars 2016 Xavier Roynard (Mines ParisTech)

Plus en détail

ETSEGMENTATIONINTERACTIVE: APPLICATION À L INDEXATION D IMAGES MÉDICALES. Jean-Yves Ramel, Ludovic Paulhac, Pascal Makris

ETSEGMENTATIONINTERACTIVE: APPLICATION À L INDEXATION D IMAGES MÉDICALES. Jean-Yves Ramel, Ludovic Paulhac, Pascal Makris CARACTÉRISATION DE CONTENU D'IMAGES ETSEGMENTATIONINTERACTIVE: APPLICATION À L INDEXATION D IMAGES MÉDICALES Jean-Yves Ramel, Ludovic Paulhac, Pascal Makris Laboratoire Informatique de Tours Equipe Reconnaissance

Plus en détail

Réseaux de neurones. Liva Ralaivola

Réseaux de neurones. Liva Ralaivola Réseaux de neurones Liva Ralaivola liva@lif.univ-mrs.fr Laboratoire d Informatique Fondamentale de Marseille UMR 6166 CNRS Université de Provence http://www.lif.univ-mrs.fr Réseaux de neurones p.1 Contexte

Plus en détail

Expériences sur des données avec une boîte à outils (WEKA)

Expériences sur des données avec une boîte à outils (WEKA) Expériences sur des données avec une boîte à outils (WEKA) Projet DATA MANING Réalisé par :IKHIBI Fatima Ezzahra Soutenu par : Mr Antoine Cornuéjols Mr Yves Lechevallier Mr Edwin Diday Master II ISI Année

Plus en détail

Algorithmes des vus et caches

Algorithmes des vus et caches Algorithmes des vus et caches Christian NGUYEN Departement d informatique Universite de Toulon et du Var Algorithmes des vus et caches p.1/27 Introduction Algorithmes des vus et caches p.2/27 Différences

Plus en détail

Vision numérique et interaction. Sylvia Chalençon Licence Pro OCI - Licence MIME

Vision numérique et interaction. Sylvia Chalençon Licence Pro OCI - Licence MIME Vision numérique et interaction Sylvia Chalençon Licence Pro OCI - Licence MIME Chapitre 1 - L image numérique 2 La chaine de traitement Acquisition : convertir l image d une vue réelle en une image numérique

Plus en détail

Segmentation et reconstruction de micro-organismes à partir d images

Segmentation et reconstruction de micro-organismes à partir d images Segmentation et reconstruction de micro-organismes à partir d images Romain Vavassori 8 mai 2012 Table des matières 1 Introduction 1 1.1 Etat de l art............................ 2 2 Travail réalisé 4

Plus en détail

Stéréophotométrie : vers une qualité métrologique?

Stéréophotométrie : vers une qualité métrologique? Stéréophotométrie : vers une qualité métrologique? Yvain Quéau Doctorant Université de Toulouse IRIT - équipe VORTEX Journée Mesure Dimensionnelle par Vision du GdR ISIS Telecom ParisTech, Paris Mercredi

Plus en détail

Extraction du texte enfoui dans les images de scènes naturelles. Projet ANR itowns CMM LIP6 J.Fabrizio, B. Marcotegui, M. Cord

Extraction du texte enfoui dans les images de scènes naturelles. Projet ANR itowns CMM LIP6 J.Fabrizio, B. Marcotegui, M. Cord Extraction du texte enfoui dans les images de scènes naturelles Projet ANR itowns CMM LIP6 J.Fabrizio, B. Marcotegui, M. Cord Precioso R. Minetto, J. Guyomard, F. 1 I - CONTEXTE a Texte enfoui 2 I - CONTEXTE

Plus en détail

Le traitement d image dans l analyse de documents anciens

Le traitement d image dans l analyse de documents anciens Le traitement d image dans l analyse de documents anciens Séminaire de recherche du groupe DIVA Université de Fribourg 29 mai 2008 Denis BOSSY Le traitement d image dans l analyse de documents anciens

Plus en détail

Éléments du programme de l option IAD

Éléments du programme de l option IAD Éléments du programme de l option IAD Maria Malek 19 octobre 2010 1 Module exploration des données - 134h Les cours propres à ce module sont : Apprentissage symbolique - 20h. Intelligence collective et

Plus en détail

Erreur de prédiction

Erreur de prédiction Erreur de prédiction Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Erreur de prédiction IUP SID 2011-2012 1 / 27 PLAN Introduction

Plus en détail

De la Segmentation Couleur à la Reconstruction 3D

De la Segmentation Couleur à la Reconstruction 3D De la Segmentation Couleur à la Reconstruction 3D Philippe Montesinos EMA/LGI2P Parc Scientifique G.Besse 30000 Nîmes montesin@site- @site-eerie.ema.fr http:// ://www.lgi2p.ema.fr/~montesin 1 Introduction

Plus en détail

L imagerie aérienne par drone en expérimentation agronomique : Un nouvel outil pour le phénotypage haut débit. Application au tournesol

L imagerie aérienne par drone en expérimentation agronomique : Un nouvel outil pour le phénotypage haut débit. Application au tournesol L imagerie aérienne par drone en expérimentation agronomique : Un nouvel outil pour le phénotypage haut débit. Application au tournesol Ph. Burger, A. Gavaland*, R. Marandel*, M. Dejax et M. Laribia *UE

Plus en détail

Reconnaissance / extraction de bâtiments pour la cartographie rapide

Reconnaissance / extraction de bâtiments pour la cartographie rapide Reconnaissance / extraction de bâtiments pour la cartographie rapide Stéphane MAY stephane.may@cnes.fr 1 Extraction de bâtiments pour la cartographie rapide Contexte Exemple : Inondation suite à la tempête

Plus en détail

Méthodes d Apprentissage Avancées, SVM

Méthodes d Apprentissage Avancées, SVM Méthodes d Apprentissage Avancées, SVM JÉRÉMIE MARY équipe TAO LRI 30 janvier 2006 Plan 1 Introduction 2 Séparation linéaire 3 Optimisation Lagrangienne 4 Kernel powered 5 SVM regression 6 Pour finir Apprentissage

Plus en détail

Analyse de texture pour la classification et segmentation d images

Analyse de texture pour la classification et segmentation d images Analyse de texture pour la classification et segmentation d images Pol Kennel 24 Juin 2013 Séminaire Imagerie pour les Plantes et les Paysages (I2P) de l AMAP. Plan 1 Introduction 2 Méthodes 3 Résultats

Plus en détail

Segmentation S Y S M o d u l e 4

Segmentation S Y S M o d u l e 4 Plan du module Segmentation S Y S - 8 4 4 M o d u l e 4 Seuillage Croissance de région Partition de régions Regroupement Partition - regroupement Définitions Vue d ensemble de la segmentation Segmentation

Plus en détail

Analyse d expressions faciales par modèles d apparence

Analyse d expressions faciales par modèles d apparence Analyse d expressions faciales par modèles d apparence Bouchra NAKAD ABBOUD Transparents de soutenance de thèse Directeur : Franck DAVOINE Plan Introduction Modèles d apparence Calcul et adaptation Synthèse

Plus en détail

12/2/2011. Traitement numérique de l image Les Notions de base D. TRINEL. Applications

12/2/2011. Traitement numérique de l image Les Notions de base D. TRINEL. Applications Applications Communications (Diffusion de la TV, Vidéoconférence, télécopie, éducation à distance, surveillance, le web ) Traitement Les Notions de base D. TRINEL Le traitement d'images désigne une discipline

Plus en détail

flot optique enric meinhardt-llopis javier sánchez gabriele facciolo

flot optique enric meinhardt-llopis javier sánchez gabriele facciolo flot optique enric meinhardt-llopis javier sánchez gabriele facciolo 11 4 2011 2 / 19 Le problème du flot optique Entrée : vidéo I i (x) Sortie : champs vectoriels u i (x) Critère : I t+1 (x + u t (x))

Plus en détail

M1 info. et ESI Contrôle continu - Traitement d images

M1 info. et ESI Contrôle continu - Traitement d images N anonymat : M1 info. et ESI Contrôle continu - Traitement d images Responsables : C. Roudet B. Touil Durée : 1h. Aucun document autorisé. 1) Exercice d optique Un appareil photo possède un objectif que

Plus en détail

Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques

Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques V. Poulain, J. Inglada, M. Spigai, Ph. Marthon et J-Y. Tourneret 7 mai 2010 Gdr ISIS - Reconnaissance

Plus en détail

Lalaoui Jamal - Renaudin Maxime - Stein Jonathan. Bureau d étude : Image. Segmentation Spatio-temporelle ISNC

Lalaoui Jamal - Renaudin Maxime - Stein Jonathan. Bureau d étude : Image. Segmentation Spatio-temporelle ISNC Lalaoui Jamal - Renaudin Maxime - Stein Jonathan Bureau d étude : Image Segmentation Spatio-temporelle ISNC INTRODUCTION Que ce soit pour une utilisation militaire ou pour de la vidéo surveillance, la

Plus en détail

les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS

les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS Introduction : limites de l exposé État de l art limité à l expérience IGN : mais l imagerie Radar est exclue (cf. présentation

Plus en détail

21/10/2011. Introduction. Apprentissage : Rappel. 1. SVM principe de fonctionnement général

21/10/2011. Introduction. Apprentissage : Rappel. 1. SVM principe de fonctionnement général SVM : Machines a Vecteurs de Support ou Separateurs a Vastes Marges 1. SVM principe de fonctionnement general 2. Fondements mathématiques 3. Cas non linéairement séparable Introduction SVM est une méthode

Plus en détail

Raisonnement Spatial pour l Analyse d Images HR

Raisonnement Spatial pour l Analyse d Images HR Raisonnement Spatial pour l Analyse d Images HR ORFEO - Volet Méthodologique Julien Michel, Jordi Inglada CENTRE NATIONAL D ÉTUDES SPATIALES 17 Janvier 2007 1 Introduction Introduction Évolution des problématiques

Plus en détail

METHODES DE SEGMENTATION AUTOMATIQUE D IMAGE

METHODES DE SEGMENTATION AUTOMATIQUE D IMAGE Analyse quantitative des formes (SATFORM ) 251 METHODES DE SEGMENTATION AUTOMATIQUE D IMAGE Mamy RAKOTO-RAVALONTSALAMA INTRODUCTION La segmentation automatique d image est une discipline déjà ancienne,

Plus en détail

Définitions de l Intelligence Artificielle

Définitions de l Intelligence Artificielle Définitions de l Intelligence Artificielle Igor Stéphan UFR Sciences Angers 2017-2018 Igor Stéphan Définitions de l IA 1/ 15 Définitions de l Intelligence Artificielle 1 Une première définition de l intelligence

Plus en détail

Détection d arbres urbains à partir de données aériennes multi-sources (optique, infrarouge, MNS)

Détection d arbres urbains à partir de données aériennes multi-sources (optique, infrarouge, MNS) Détection d arbres urbains à partir de données aériennes multi-sources (optique, infrarouge, MNS) Lionel PIBRE 1,5, Dino IENCO 1,4, Gérard SUBSOL 1,3 Mustapha DERRAS 5, Marc CHAUMONT 1,2,3 1 Université

Plus en détail

Introduction au traitement d images

Introduction au traitement d images Fondements du Traitement d Images novembre 2006 du cours 1 2 3 Propriétés de l image 4 du cours 1 2 3 Propriétés de l image 4 du cours 1 2 3 Propriétés de l image 4 du cours 1 2 3 Propriétés de l image

Plus en détail

1h30 - documents autorisés (notes de cours et de td)

1h30 - documents autorisés (notes de cours et de td) Université Bordeaux 1 Master Informatique, Image Son Vidéo 2012/2013 Image 3D 1h30 - documents autorisés (notes de cours et de td) Exercice 1 Quantification : échantillonnage en niveaux de gris et unités

Plus en détail

Génération automatique de cartes de profondeur relative par utilisation des occlusions dynamiques

Génération automatique de cartes de profondeur relative par utilisation des occlusions dynamiques Génération automatique de cartes de profondeur relative par utilisation des occlusions dynamiques Louiza Oudni, Carlos Vázquez, Stéphane Coulombe Université du Québec École de technologie supérieure Département

Plus en détail

État civil Curriculum vitae Prénom, nom Rémi, Giraud Date et lieu de naissance 20 avril 1992, à Tours (37) Courriel remi.giraud@labri.fr Site internet www.labri.fr/~rgiraud Diplômes Doctorat spécialité

Plus en détail

Chef D œuvre M2 IM 2013-2014. Revue de recette. Calibrage automatique de captures vidéo en caméra HD + Kinect

Chef D œuvre M2 IM 2013-2014. Revue de recette. Calibrage automatique de captures vidéo en caméra HD + Kinect 2013-2014 Chef D œuvre M2 IM Calibrage automatique de captures vidéo en caméra HD + Kinect Mathieu Bérengère Tardy Benjamin Vilardell Alexandre Revue de recette Clients: Christophe Collet Alain Crouzil

Plus en détail

2. Caractéristiques du système de reconnaissance par les palmprints

2. Caractéristiques du système de reconnaissance par les palmprints Identification Biométrique des Individus par leurs Empreintes Palmaires «Palmprints» : Classification par la Méthode des Séparateurs à Vaste Marge (SVM) Boukhari Wassila Benyettou Mohamed LAboratoire de

Plus en détail

Extraction d information pour la reconstruction des réseaux de régulation biologiques impliquées dans le développement de la graine chez A.

Extraction d information pour la reconstruction des réseaux de régulation biologiques impliquées dans le développement de la graine chez A. Extraction d information pour la reconstruction des réseaux de régulation biologiques impliquées dans le développement de la graine chez A. Thaliana Dialekti VALSAMOU sous la direction de Claire Nédellec

Plus en détail

Examen. Une banque dispose des informations suivantes sur un ensemble de clients :

Examen. Une banque dispose des informations suivantes sur un ensemble de clients : Université Mohamed Khider-Biskra Faculté des sciences exactes et des sciences de la nature et de la vie Département d informatique Master IDM Fouille de Données Avancée 10 Jan 2016 10:00-11:30, S6 Examen

Plus en détail

Réseaux de neurones. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID,

Réseaux de neurones. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, Réseaux de neurones Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Réseaux de neurones IUP SID 2011-2012 1 / 14 Présentation

Plus en détail

Notes. Apprentissage et Intelligence Artificielle. Notes. Apprentissage par l exemple. Notes. Intelligence Artificielle. Notes. Agir comme les humains

Notes. Apprentissage et Intelligence Artificielle. Notes. Apprentissage par l exemple. Notes. Intelligence Artificielle. Notes. Agir comme les humains Apprentissage et Intelligence Artificielle F. De Comité Licence-Master Informatique 12 janvier 2009 Apprentissage par l exemple Définition? L apprentissage par l exemple est une partie de l apprentissage.

Plus en détail

Éléments de géométrie projective application à la calibration de caméra

Éléments de géométrie projective application à la calibration de caméra Éléments de géométrie projective application à la calibration de caméra François Cabestaing Master Informatique, spécialité Image Vision Interaction géométrie projective définition géométrie a priori non

Plus en détail

Introduction. L apprentissage automatique ( ) UFR MIME. 7 décembre Université Lille 3. Introduction. Lille 3.

Introduction. L apprentissage automatique ( ) UFR MIME. 7 décembre Université Lille 3. Introduction. Lille 3. L apprentissage automatique (2016-2017) UFR MIME Université 7 décembre 2016 Sommaire 1 2 Intelligence Artificielle Intelligence : Capacité de percevoir l information Transformer en connaissance Appliqué

Plus en détail

Une méthode de comparison d images binaires quantifiant les dissimilarités locales Application à la classification d impressions anciennes

Une méthode de comparison d images binaires quantifiant les dissimilarités locales Application à la classification d impressions anciennes Une méthode de comparison d images binaires quantifiant les dissimilarités locales Application à la classification d impressions anciennes Étienne Baudrier 1 Gilles Millon 2 Frédéric Nicolier 2 Su Ruan

Plus en détail

Exploitation du logiciel ecognition pour la classification assistée par ordinateur. BRGM/RP FR janvier 2003

Exploitation du logiciel ecognition pour la classification assistée par ordinateur. BRGM/RP FR janvier 2003 Exploitation du logiciel ecognition pour la classification assistée par ordinateur BRGM/RP-52120-FR janvier 2003 Exploitation du logiciel ecognition pour la classification assistée par ordinateur BRGM/RP-52120-FR

Plus en détail

Romain Vergne. 14 juin 2007

Romain Vergne. 14 juin 2007 éclairés par des éclairés par des 14 juin 2007 Plan éclairés par des 1 2 3 4 5 Carte d'environnement : principe éclairés par des Environnement = image/texture 1 pixel = 1 source de lumière directionnelle

Plus en détail

Introduction. contours 4/39

Introduction. contours 4/39 1/39 Introduction 2/39 Introduction 3/39 Introduction Approches GLOBALES: Approches LOCALES: Approches HYBRIDES: histogrammes region growing, contours split & merge, CSC 4/39 Histogrammes Zone «vert» teinte

Plus en détail

Introduction à la classification. Présentée par: Zaynab EL KHATTABI 04/12/2015

Introduction à la classification. Présentée par: Zaynab EL KHATTABI 04/12/2015 Introduction à la classification Présentée par: Zaynab EL KHATTABI 04/12/2015 Plan But de la classification Apprentissage supervisé vs non supervisé Apprentissage supervisé - L algorithme k-nearest neighbors

Plus en détail

Sommaire Le SCAN 25 Historique La méthode de (télé)détection utilisée L'opération Les données Outils utilisés Perspectives

Sommaire Le SCAN 25 Historique La méthode de (télé)détection utilisée L'opération Les données Outils utilisés Perspectives Sommaire Le SCAN 25 Historique La méthode de (télé)détection utilisée L'opération Les données Outils utilisés Perspectives 2/30 Le SCAN 25 historique 3/30 Le SCAN 25 «historique» Il était produit à partir

Plus en détail

Web sémantique et intelligence artificielle

Web sémantique et intelligence artificielle Web sémantique et intelligence artificielle Comment le Web Sémantique peut propulser certaines avancées en intelligence artificielle? 1. Il intervient dans 77% des tâches reliées à la création de modèles

Plus en détail

Réseaux de neurones évaluation et sélection de modèle p.1/57

Réseaux de neurones évaluation et sélection de modèle p.1/57 Réseaux de neurones : évaluation et sélection de modèle Fabrice Rossi http://apiacoa.org/contact.html. Université Paris-IX Dauphine Réseaux de neurones évaluation et sélection de modèle p.1/57 lan du cours

Plus en détail

Traitement du signal et ses applications

Traitement du signal et ses applications Traitement du signal et ses applications et machine learning - Introduction - Objectifs Des observations expérimentales à l élaboration de théories : Au 16 e siècle, J. Kepler élabore sa théorie du mouvement

Plus en détail

La stéréovision: principes, mise en œuvre et applications

La stéréovision: principes, mise en œuvre et applications La stéréovision: principes, mise en œuvre et applications Jean-Marc Vezien vezien@limsi.fr Master Recherche RV&A Janvier 2010 Master RV&A 2010 - JM. Vézien 1 Plan de la partie Introduction: la stéréo,

Plus en détail

Détection et reconnaissance de signaux routiers dans un flux vidéo

Détection et reconnaissance de signaux routiers dans un flux vidéo Détection et reconnaissance de signaux routiers dans un flux vidéo Michaël Freylinger Jean-François Verdin Département d Électricité, Électronique et Informatique Université de Liège 27 juin 2006 Objectif

Plus en détail

Détection de la coupe L3 par CNN et transfert learning

Détection de la coupe L3 par CNN et transfert learning Détection de la coupe L3 par CNN et transfert learning UCA Deep Learning School 2017 - Deep in France S. Belharbi, C. Chatelain, R. Hérault, S. Adam, M. Chastan, S. Thureau, R. Modzelewski LITIS - Équipe

Plus en détail

Traitement d images : approche morphologique

Traitement d images : approche morphologique Traitement d images : approche morphologique Nikola Stikov ELE6812 5 avril 2016 Nikola Stikov (ELE6812) Morphologie mathématique 5 avril 2016 1 / 28 Position du problème Position du problème Objectifs

Plus en détail

Problèmes inverses en observation de la Terre et cartographie. ARIANA Josiane Zerubia

Problèmes inverses en observation de la Terre et cartographie. ARIANA Josiane Zerubia Problèmes inverses en observation de la Terre et cartographie ARIANA Josiane Zerubia 2 Projet de recherche commun CNRS/INRIA/UNSA créé en 1998 Responsable scientifique : Josiane Zerubia Membres : 3 INRIA,

Plus en détail

Projet Image: Méthodes de segmentation. Table des matières. Image Master 2 Automatique. ECHEGUT Romain Introduction 2

Projet Image: Méthodes de segmentation. Table des matières. Image Master 2 Automatique. ECHEGUT Romain Introduction 2 ECHEGUT Romain 2010 Image Master 2 Automatique Projet Image: Méthodes de segmentation Table des matières 1 Introduction 2 2 Segmentation par seuillage 2 3 Accroissement de région 4 4 Split and merge 6

Plus en détail

Comparaisons et améliorations

Comparaisons et améliorations Chapitre 7 Comparaisons et améliorations Nous avons présenté dans cette thèse deux approches différentes pour ré éclairer les scènes réelles, ainsi qu une amélioration de ces méthodes par un meilleur calibrage

Plus en détail

Introduction à la classification des données de télédétection

Introduction à la classification des données de télédétection Introduction à la classification des données de télédétection UMR TETIS Cemagref-CIRAD-ENGREF 5 mars 2007 Plan Principes généraux Classifications, évaluation, post-classification Classification : Extraction

Plus en détail

Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles

Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles Nicolas Brodu¹, Dimitri Lague² ¹ : Institut Physique de Rennes ² : Géosciences Rennes GDR TransNat, Clermont-Ferrand,

Plus en détail

Classification non supervisée multi-stratégie

Classification non supervisée multi-stratégie Classification non supervisée multi-stratégie http://lsiit.u-strasbg.fr/afd Pierre Gançarski Cédric Wemmert Le problème Données de plus en plus complexes Différents types (numérique, symbolique, hétérogène

Plus en détail

ALTIMÉTRIE HAUTE RÉSOLUTION

ALTIMÉTRIE HAUTE RÉSOLUTION ALTIMÉTRIE HAUTE RÉSOLUTION Atelier géothématique Inondation, aménagement, foresterie, transport,... : quels usages pour les données 3D? CEREMA DTSO Toulouse, 2 juillet 2014 ign.fr INTRODUCTION ATELIER

Plus en détail