Regroupement dans les sous-espaces basé sur l’évolution différentielle pour la segmentation des images satellitaires / Djihane Maadoud 

Public ISBD Titre : Regroupement dans les sous-espaces basé sur l’évolution différentielle pour la segmentation des images satellitaires Type de document : texte imprimé Auteurs : Djihane Maadoud, Auteur ; Meroua Belhi, Auteur ; Amel Hebboul, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2021 Importance : 78 f. Format : 30 cm. Note générale : Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : Segmentation d’images  images satellitaires  classification souple dans les sous espaces  algorithme évolutif différentiel. Résumé : Le traitement d’images joue aujourd’hui un rôle important dans de nombreux domaines. Dans un système de traitement d’images, la segmentation est une opération très importante dans l’extraction des informations qualitatives. Il existe trois approches duales : segmentation par contour, segmentation par région et la segmentation par classification. Nous nous intéressons à la segmentation des images satellitaires basée sur les méthodes de classification, ce type d’image joue un rôle très important dans différents domaines : agriculture, foresterie et géologie. La classification dans des données de grande dimensionnalité est extrêmement difficile, les groupes peuvent être caractérisés uniquement par certains sous-ensembles de dimensions. Ces dimensions pertinentes peuvent être différentes d’un groupe à l’autre. Une nouvelle problématique a donc émergé ; la classification dans les sous espaces (subspace clustering). Dans ce travail, nous avons utilisé l’approche de classification évolutionnaire différentielle [1] pour la segmentation des images dans le sous-espace, appelée soft subspace clustering, et ce à l’aide de l’algorithme évolutif différentiel (DESSC). L’algorithme DESSC est l’un des algorithmes les plus robustes pour le traitement des problèmes d’optimisation complexe, il combine les mérites de l’évolution différentielle et l’avantages de classification souple dans les sous-espaces. De plus, il est facile à mettre en Å“uvre. Les résultats expérimentaux sur les données synthétiques et réelles ont montré que DESSC a nettement surpassé plusieurs algorithmes, comme FWKM, EWKM et LAC dans presque toutes les expériences. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15532 Regroupement dans les sous-espaces basé sur l’évolution différentielle pour la segmentation des images satellitaires [texte imprimé] / Djihane Maadoud, Auteur ; Meroua Belhi, Auteur ; Amel Hebboul, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2021 . - 78 f. ; 30 cm. Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : Segmentation d’images  images satellitaires  classification souple dans les sous espaces  algorithme évolutif différentiel. Résumé : Le traitement d’images joue aujourd’hui un rôle important dans de nombreux domaines. Dans un système de traitement d’images, la segmentation est une opération très importante dans l’extraction des informations qualitatives. Il existe trois approches duales : segmentation par contour, segmentation par région et la segmentation par classification. Nous nous intéressons à la segmentation des images satellitaires basée sur les méthodes de classification, ce type d’image joue un rôle très important dans différents domaines : agriculture, foresterie et géologie. La classification dans des données de grande dimensionnalité est extrêmement difficile, les groupes peuvent être caractérisés uniquement par certains sous-ensembles de dimensions. Ces dimensions pertinentes peuvent être différentes d’un groupe à l’autre. Une nouvelle problématique a donc émergé ; la classification dans les sous espaces (subspace clustering). Dans ce travail, nous avons utilisé l’approche de classification évolutionnaire différentielle [1] pour la segmentation des images dans le sous-espace, appelée soft subspace clustering, et ce à l’aide de l’algorithme évolutif différentiel (DESSC). L’algorithme DESSC est l’un des algorithmes les plus robustes pour le traitement des problèmes d’optimisation complexe, il combine les mérites de l’évolution différentielle et l’avantages de classification souple dans les sous-espaces. De plus, il est facile à mettre en Å“uvre. Les résultats expérimentaux sur les données synthétiques et réelles ont montré que DESSC a nettement surpassé plusieurs algorithmes, comme FWKM, EWKM et LAC dans presque toutes les expériences. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15532

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MSELE210038	MSELE210038	Document électronique	Bibliothèque principale	Mémoires	Disponible

Documents numériques

fichier integral Adobe Acrobat PDF

Satellite image classification using convolutional neural networks / Chiheb Eddine CHIHOUB 

Public ISBD Titre : Satellite image classification using convolutional neural networks Type de document : texte imprimé Auteurs : Chiheb Eddine CHIHOUB, Auteur ; Amel Hebboul, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2021 Importance : 72 f. Format : 30 cm. Note générale : Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : image satellite  classification  réseaux de neurones artificiels  réseaux de neurones convolutifs Index. décimale : 610 Electronique Résumé : La classification des images satellitaires est importante afin de rendre le systéme d’information géographique utilisable pour diverses applications. L’utilisation de certain types de réseaux de neurones artificiels laisse peu de place à l’interaction humaine, effectuent une classification supervisée avec moins de données d’entraînement, apprennent des modèles complexes même dans des zones hétérogènes, et fournissent de meilleurs résultats de classification pour les données multimodales spectralement mélangées et sont capables de généraliser les entrées. Dans cette thèse, nous procé- dons avec la famille des réseaux de neurones convolutifs, c’est-à-dire CNN, pour classer des ensembles de données bien connus tels que les ensembles de données Euro Sat et UC Merced Land. L’objectif principal de cette thèse est d’observer et d’évaluer les performances des gagnants pré-formés, des premiers et des finalistes du concours ImageNet (AlexNet, VGG19, GoogleNet et ResNet50). Les résultats obtenus sont analysés par rapport au meilleur de nos connaissances, l’étude de cas la plus préformante Ân Classification d’images satellites avec CNN Â ´ Ë™ z. La thèse explore les fondamentaux de la classification et des réseaux de neurones artificiels appliqués à l’imagerie satellitaire. L’architecture principale de CNN qui a révolutionné le domaine de la vision par ordinateur est examinée en mettant l’accent sur les blocs constitutifs de CNN. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15674 Satellite image classification using convolutional neural networks [texte imprimé] / Chiheb Eddine CHIHOUB, Auteur ; Amel Hebboul, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2021 . - 72 f. ; 30 cm. Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences de la technologie:Electronique Tags : image satellite  classification  réseaux de neurones artificiels  réseaux de neurones convolutifs Index. décimale : 610 Electronique Résumé : La classification des images satellitaires est importante afin de rendre le systéme d’information géographique utilisable pour diverses applications. L’utilisation de certain types de réseaux de neurones artificiels laisse peu de place à l’interaction humaine, effectuent une classification supervisée avec moins de données d’entraînement, apprennent des modèles complexes même dans des zones hétérogènes, et fournissent de meilleurs résultats de classification pour les données multimodales spectralement mélangées et sont capables de généraliser les entrées. Dans cette thèse, nous procé- dons avec la famille des réseaux de neurones convolutifs, c’est-à-dire CNN, pour classer des ensembles de données bien connus tels que les ensembles de données Euro Sat et UC Merced Land. L’objectif principal de cette thèse est d’observer et d’évaluer les performances des gagnants pré-formés, des premiers et des finalistes du concours ImageNet (AlexNet, VGG19, GoogleNet et ResNet50). Les résultats obtenus sont analysés par rapport au meilleur de nos connaissances, l’étude de cas la plus préformante Ân Classification d’images satellites avec CNN Â ´ Ë™ z. La thèse explore les fondamentaux de la classification et des réseaux de neurones artificiels appliqués à l’imagerie satellitaire. L’architecture principale de CNN qui a révolutionné le domaine de la vision par ordinateur est examinée en mettant l’accent sur les blocs constitutifs de CNN. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15674

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MSELE210082	MSELE210082	Document électronique	Bibliothèque principale	Mémoires	Disponible

Documents numériques

fichier integral Adobe Acrobat PDF

---

1 (1 - 2 / 2)