Catalogue des Mémoires de master
Détail de l'auteur
Auteur Oumaima Boulkerara |
Documents disponibles écrits par cet auteur (2)
Affiner la rechercheDétection des Navires dans une Image SAR par l’Application Combinée du CFAR et de l’Apprentissage en Profondeur / Oumaima Boulkerara
Titre : Détection des Navires dans une Image SAR par l’Application Combinée du CFAR et de l’Apprentissage en Profondeur Type de document : texte imprimé Auteurs : Oumaima Boulkerara, Auteur ; Nada Bouchekout, Auteur ; Souad Chabbi, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2020 Importance : 67 f. Format : 30cm. Note générale : Une copie electronique PDF disponible au BUC. Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : Réseaux et Télécommunications CFAR. Index. décimale : 610 Electronique Résumé : Pour maintenir le développement socio-économique national et les droits et intérêts maritimes, il est
nécessaire d'obtenir les informations de localisation spatiale de divers navires. Par conséquent, il est
important de détecter les emplacements des navires avec précision et vitesse à partir des images radar
à synthèse d’ouverture (SAR). Généralement, la détection des navires est principalement effectuée en
combinant l'imagerie de télédétection par satellite avec la détection à taux de fausses alarmes constant
(CFAR). Cependant, avec le développement rapide de la technologie de télédétection par satellite, les
données de télédétection ont progressivement commencé à montrer les caractéristiques des
mégadonnées ; en outre, la précision et la vitesse de détection des navires peuvent être améliorées en
analysant les mégadonnées par l’apprentissage profond qui contient plusieurs modèles où le modèle
de réseau de neurones convolutifs (CNN) a fait une percée dans le domaine de la reconnaissance
d'image statique en dépassant largement les autres modèles de reconnaissance en termes de
performances dans une large mesure. Ainsi, dans ce mémoire de Master, nous avons d’abord étudié
et entrainé des modèles CNN à partir d’une base de données réelle à l’aide de l’outil de programmation
Matlab R2019b et choisir le modèle optimal. Après, nous avons étudié et testé les performances d’un
détecteur de navires qui combine l’algorithme de détection globale CFAR et l’algorithme de détection
locale CNN optimal (détecteur CFAR-CNN) à l’aide d’une image SAR réelle. Nous avons montré
que ce détecteur est rapide et précis (tend vers l’idéalité). Ainsi, une détection locale CNN est nécessaire
pour plus de précision. Enfin, il est plus approprié pour une application aux systèmes de détection de
navires.Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14296 Détection des Navires dans une Image SAR par l’Application Combinée du CFAR et de l’Apprentissage en Profondeur [texte imprimé] / Oumaima Boulkerara, Auteur ; Nada Bouchekout, Auteur ; Souad Chabbi, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2020 . - 67 f. ; 30cm.
Une copie electronique PDF disponible au BUC.
Langues : Français (fre)
Catégories : Sciences de la technologie:Electronique Tags : Réseaux et Télécommunications CFAR. Index. décimale : 610 Electronique Résumé : Pour maintenir le développement socio-économique national et les droits et intérêts maritimes, il est
nécessaire d'obtenir les informations de localisation spatiale de divers navires. Par conséquent, il est
important de détecter les emplacements des navires avec précision et vitesse à partir des images radar
à synthèse d’ouverture (SAR). Généralement, la détection des navires est principalement effectuée en
combinant l'imagerie de télédétection par satellite avec la détection à taux de fausses alarmes constant
(CFAR). Cependant, avec le développement rapide de la technologie de télédétection par satellite, les
données de télédétection ont progressivement commencé à montrer les caractéristiques des
mégadonnées ; en outre, la précision et la vitesse de détection des navires peuvent être améliorées en
analysant les mégadonnées par l’apprentissage profond qui contient plusieurs modèles où le modèle
de réseau de neurones convolutifs (CNN) a fait une percée dans le domaine de la reconnaissance
d'image statique en dépassant largement les autres modèles de reconnaissance en termes de
performances dans une large mesure. Ainsi, dans ce mémoire de Master, nous avons d’abord étudié
et entrainé des modèles CNN à partir d’une base de données réelle à l’aide de l’outil de programmation
Matlab R2019b et choisir le modèle optimal. Après, nous avons étudié et testé les performances d’un
détecteur de navires qui combine l’algorithme de détection globale CFAR et l’algorithme de détection
locale CNN optimal (détecteur CFAR-CNN) à l’aide d’une image SAR réelle. Nous avons montré
que ce détecteur est rapide et précis (tend vers l’idéalité). Ainsi, une détection locale CNN est nécessaire
pour plus de précision. Enfin, il est plus approprié pour une application aux systèmes de détection de
navires.Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14296 Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MSELE200018 MSELE200018 Document électronique Bibliothèque principale Mémoires Disponible Documents numériques
texte integréAdobe Acrobat PDF
Titre : Détection des Navires dans une Image SAR par l’Application Combinée du CFAR et de l’Apprentissage en Profondeur Type de document : texte imprimé Auteurs : Oumaima Boulkerara, Auteur ; Nada Bouchekout, Auteur ; Souad Chabbi, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2020 Importance : 67 f. Format : 30cm. Note générale : Une copie electronique PDF disponible au BUC. Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : CFAR Image SAR CNN. Index. décimale : 610 Electronique Résumé : Pour maintenir le développement socio-économique national et les droits et intérêts maritimes, il est
nécessaire d'obtenir les informations de localisation spatiale de divers navires. Par conséquent, il est
important de détecter les emplacements des navires avec précision et vitesse à partir des images radar
à synthèse d’ouverture (SAR). Généralement, la détection des navires est principalement effectuée en
combinant l'imagerie de télédétection par satellite avec la détection à taux de fausses alarmes constant
(CFAR). Cependant, avec le développement rapide de la technologie de télédétection par satellite, les
données de télédétection ont progressivement commencé à montrer les caractéristiques des
mégadonnées ; en outre, la précision et la vitesse de détection des navires peuvent être améliorées en
analysant les mégadonnées par l’apprentissage profond qui contient plusieurs modèles où le modèle
de réseau de neurones convolutifs (CNN) a fait une percée dans le domaine de la reconnaissance
d'image statique en dépassant largement les autres modèles de reconnaissance en termes de
performances dans une large mesure. Ainsi, dans ce mémoire de Master, nous avons d’abord étudié
et entrainé des modèles CNN à partir d’une base de données réelle à l’aide de l’outil de programmation
Matlab R2019b et choisir le modèle optimal. Après, nous avons étudié et testé les performances d’un
détecteur de navires qui combine l’algorithme de détection globale CFAR et l’algorithme de détection
locale CNN optimal (détecteur CFAR-CNN) à l’aide d’une image SAR réelle. Nous avons montré
que ce détecteur est rapide et précis (tend vers l’idéalité). Ainsi, une détection locale CNN est nécessaire
pour plus de précision. Enfin, il est plus approprié pour une application aux systèmes de détection de
naviresDiplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14492 Détection des Navires dans une Image SAR par l’Application Combinée du CFAR et de l’Apprentissage en Profondeur [texte imprimé] / Oumaima Boulkerara, Auteur ; Nada Bouchekout, Auteur ; Souad Chabbi, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2020 . - 67 f. ; 30cm.
Une copie electronique PDF disponible au BUC.
Langues : Français (fre)
Catégories : Sciences de la technologie:Electronique Tags : CFAR Image SAR CNN. Index. décimale : 610 Electronique Résumé : Pour maintenir le développement socio-économique national et les droits et intérêts maritimes, il est
nécessaire d'obtenir les informations de localisation spatiale de divers navires. Par conséquent, il est
important de détecter les emplacements des navires avec précision et vitesse à partir des images radar
à synthèse d’ouverture (SAR). Généralement, la détection des navires est principalement effectuée en
combinant l'imagerie de télédétection par satellite avec la détection à taux de fausses alarmes constant
(CFAR). Cependant, avec le développement rapide de la technologie de télédétection par satellite, les
données de télédétection ont progressivement commencé à montrer les caractéristiques des
mégadonnées ; en outre, la précision et la vitesse de détection des navires peuvent être améliorées en
analysant les mégadonnées par l’apprentissage profond qui contient plusieurs modèles où le modèle
de réseau de neurones convolutifs (CNN) a fait une percée dans le domaine de la reconnaissance
d'image statique en dépassant largement les autres modèles de reconnaissance en termes de
performances dans une large mesure. Ainsi, dans ce mémoire de Master, nous avons d’abord étudié
et entrainé des modèles CNN à partir d’une base de données réelle à l’aide de l’outil de programmation
Matlab R2019b et choisir le modèle optimal. Après, nous avons étudié et testé les performances d’un
détecteur de navires qui combine l’algorithme de détection globale CFAR et l’algorithme de détection
locale CNN optimal (détecteur CFAR-CNN) à l’aide d’une image SAR réelle. Nous avons montré
que ce détecteur est rapide et précis (tend vers l’idéalité). Ainsi, une détection locale CNN est nécessaire
pour plus de précision. Enfin, il est plus approprié pour une application aux systèmes de détection de
naviresDiplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=14492 Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MSELE200064 MSELE200064 Document électronique Bibliothèque principale Mémoires Disponible Documents numériques
texte integréAdobe Acrobat PDF
