Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Accueil du site → Doctorat → Algérie → 2021 → Optimisation de la recherche d’image cartographique par le contenu lié à un phénomène géographique

Université El Oued (2021)

Optimisation de la recherche d’image cartographique par le contenu lié à un phénomène géographique

SETTOU Tarablesse,

Titre : Optimisation de la recherche d’image cartographique par le contenu lié à un phénomène géographique

Auteur : SETTOU Tarablesse,

Université de soutenance : Université El Oued

Grade : DOCTEUR 3ème CYCLE LMD EN INFORMATIQUE Option : système d’informations interopérables 2021

Résumé
L’un des problèmes cruciaux après le tremblement de terre est de savoir comment détecter et identifier rapidement et précisément les régions endommagées ? Plusieurs méthodes automatisées ont été développées pour analyser les images de télédétection (RS) afin de pouvoir procéder à la classification des dommages sismiques. La performance de la classification des dommages dépend principalement de la puissance de représentations des caractéristiques prises en compte. Bien que les caractéristiques de bas niveau (provenant d’experts) puissent atteindre des performances satisfaisantes dans une certaine mesure, le gain de performances est faible et ne se généralise pas toujours bien. Récemment, le réseau de neurones convolutif (CNN) a démontré sa capacité à dériver des représentations de caractéristiques plus puissantes que les caractéristiques de bas niveau dans de nombreux domaines. Notre contribution principale réalisée dans cette thèse est l’évaluation des représentations hybrides de caractéristiques dérivées à partir de plusieurs modèles pré-entraînées de CNN pour la classification des dommages sismiques. De plus, dans cette étude, contrairement aux études précédentes, nous explorons la possibilité d’exploiter la combinaison des vecteurs de caractéristiques extraites à la fois de deux premières couches entièrement connectées (FC1 et FC2) de chaque modèle CNN utilisé. Nous avons validé nos propositions sur deux grands ensembles de données, y compris des images fortement variées en termes de caractéristiques de la scène, de conditions d’éclairage et de caractéristiques des images, capturées à partir de différents événements sismiques dans plusieurs régions géographiques. Des expériences intensives ont montré que notre proposition peut améliorer considérablement les performances.

Mots clés : Télédétection, Classification des dommages sismiques, Représentation des caractéristiques hybrides, CNN pré-entraîné et Apprentissage en profondeur

Présentation

Version intégrale (4 Mb)

Page publiée le 14 octobre 2022